状态自适应无迹卡尔曼滤波算法及其在水下机动目标跟踪中的应用

为了满足水下对抗对机动目标实时跟踪和目标航速、航向准确估计的要求,针对观测量为距离和方位的机动目标跟踪,对传统无迹卡尔曼滤波（UKF）跟踪算法进行了改善。提出根据UKF算法预测值和观测值残差的概率分布自适应调整目标状态噪声方法,使得UKF跟踪算法能够根据目标运动状态及时调整状态方程,在目标机动时减小对预测值的依赖,在目标非机动时增大对预测值的依赖。这种在线实时估计系统噪声状态的跟踪方法更加适用于机动目标的跟踪。数值仿真结果表明：该算法不仅在目标机动时具有良好的跟踪效果,而且在目标非机动时具有准确的估计性能。通过声纳信息综合处理系统验证了状态自适应UKF跟踪算法的性能。     

机动目标跟踪的自适应卡尔曼滤波算法实现

为真实反映目标机动范围与强度的变化，引入了机动目标的“当前”统计模型，提出了一种基于该模型的自适应卡尔曼滤波算法．仿真结果表明，能有效改善在机动目标跟踪中传统的卡尔曼滤波可能出现的发散情况，提高了跟踪的准确性和稳定性．     

机动目标自适应跟踪算法研究

为了克服“当前”统计模型自适应跟踪算法（CAF）跟踪匀速运动目标误差较大和跟踪加速机动目标速度与加速度估计误差和动态时延较大的缺陷，通过分析研究CAF算法，采用截断正态分布表征目标的机动加速度特性，考虑风速和加速度估计均值的影响，对机动加速度与方差自适应关系修正，自适应补偿过程噪声协方差矩阵，提出了一种改进的机动目标自适应跟踪算法。理论分析与仿真结果表明，该算法能够准确描述目标的各种机动情况，具有良好的跟踪性能和实际应用价值。     

基于交互式多模型的水下机动目标跟踪

为了解决水下机动目标跟踪的实时性和可靠性问题,在交互式多模型(IMM)的框架下对水下机动目标跟踪进行了分析,建立了目标运动方程和观测方程。交互式多模型滤波算法的选择直接影响到跟踪的精度,在跟踪滤波方面,针对交互式多模型滤波过程中观测方程非线性对滤波性能的影响,分别将扩展卡尔曼滤波(EKF)和无迹卡尔曼滤波(UKF)2种滤波算法与交互式多模型算法相结合。仿真结果表明,交互式多模型算法与UKF算法结合的滤波精度更高,能够更有效、可靠地达到跟踪机动目标的目的。     

运动声阵列自适应交互多模型无迹粒子滤波

为了提高三维运动声阵列在有色噪声环境中对二维机动目标的跟踪精度,提出了一种基于测量残差的自适应交互多模型无迹粒子滤波算法。该算法建立了三维运动声阵列跟踪系统动态模型,通过无迹变换(unscented transformation,UT)构造初始粒子概率分布函数,利用测量残差及自适应因子实时修正测量协方差和状态协方差;通过不同算法仿真对比,验证了文中算法在跟踪精度、稳定性及实时性上的有效性。     

基于RBF网络和IMM的机动目标跟踪方法

文中提出了一种应用RBF神经网络对标准IMM算法中的卡尔曼滤波结果进行校正的方法。网络输人为预测误差、卡尔曼增益以及测量值与估计值之差．网络输出反映了由于目标机动所带来的滤波误差．将网络输出结果和直接由卡尔曼滤波求解得到的结果相加．可以得到更为准确的滤波值。同时．在网络的学习算法中．在网络权值矩阵的修正公式中增加了反映滤波残差的调整项．若卡尔曼滤波的残差较大，网络调整权值的幅度也相应增大。仿真结果表明．在目标发生机动转弯处．校正后的IMM算法的跟踪误差要明显小于标准IMM算法的跟踪误差．跟踪精度较高。     

基于IMM-UKF的雷达/红外分布式加权融合算法

在雷达/红外复合制导机动目标跟踪背景下,针对非线性机动目标融合跟踪存在滤波器易发散问题,提出一种基于交互式多模型无迹卡尔曼滤波(IMM-UKF)的分布式加权融合算法。IMM具有对不同目标机动模式自适应跟踪的能力;UKF对观测数据进行滤波估计,避免了计算雅克比矩阵,克服EKF滤波方法受滤波初值影响大、易发散的缺点;分布式融合算法提高了系统抗干扰能力及对目标跟踪的有效性和跟踪精度。仿真结果表明:该算法在处理非线性系统机动目标跟踪融合结果误差均得到减少,更能提高目标跟踪滤波精度,增强了系统稳定性。     

基于"当前"统计模型的模糊自适应跟踪算法

基本的机动目标“当前”统计模型及其自适应卡尔曼滤波算法虽能对强机动目标进行很好的跟踪，但是在跟踪弱机动目标时却存在较大的误差。针对这一问题，新算法中引入一种非线性模糊隶属度函数来自适应地调整目标加速度上下限，并从理论上分析了新算法对于弱机动目标跟踪的有效性。通过计算机仿真验证了新算法相对于基本“当前”统计模型及其自适应跟踪算法的明显优势。     

方差模糊自适应卡尔曼滤波及其应用

卡尔曼滤波用于高机动目标跟踪随滤波时间的增大,滤波方差及增益对目标机动噪声的适应性差,滤波误差较大.文中研究了一种方差模糊自适应卡尔曼滤波技术,根据滤波新息幅值大小直接调解滤波方差,强化了滤波算法对目标机动噪声的适应能力.仿真结果表明,改进的算法稳定性高,精度得到明显改善,用于高机动目标跟踪拦截系统效果较好.     

扩展卡尔曼滤波的目标跟踪优化算法

针对传统扩展卡尔曼滤波算法在多普勒量测目标跟踪情况下估计精度低的问题,提出了扩展卡尔曼滤波目标跟踪优化算法。该算法对传统的扩展卡尔曼滤波算法进行了改进,将仅考虑位置量测的扩展卡尔曼滤波算法推广到包含多普勒量测的算法以提高目标跟踪精度。仿真结果表明,该算法具有较小的均方根位置误差和均方根速度误差,可以很好地提高目标跟踪过程中的精度,可有效应用于机动目标跟踪场合。     

A New Filtering Algorithm Utilizing Radial Velocity Measurement

Pulse Doppler radar measurements consist of range, azimuth, elevation and radial velocity. Most of the radar tracking algorithms in engineering only utilize position measurement. The extended Kalman filter with radial velocity measureneut is presented, then a new filtering algorithm utilizing radial velocity measurement is proposed to improve tracking results and the theoretical analysis is also given. Simulation results of the new algorithm, converted measurement Kalman filter, extended Kalman filter are compared. The effectiveness of the new algorithm is verified by simulation results.     

一种改进的UKF非线性滤波器研究

针对无味卡尔曼滤波器(UKF)存在的缺陷,提出一种能对多通道数据进行渐消的带多重次优渐消因子的UKF滤波算法(SMFUKF)。该方法基于强跟踪滤波器的概念,通过引入多重次优渐消因子到UKF滤波器,自适应的在线调整UKF滤波器的状态预测误差协方差矩阵、量测预测协方差阵、状态和量测之间的互协方差阵及相应的增益矩阵,从而达到对快速变化的状态进行强有力的跟踪。实验结果表明多重次优渐消因子的引人使得UKF滤波器有可能更多的利用系统的先验知识,SMFUKF滤波器对快速变化的状态将具有更强的跟踪能力。     

目标跟踪中两种非线性滤波算法的对比研究

在处理目标跟踪等动态系统实时估计问题中,通常采用EKF作为状态估计方法提高估计精度.由于EKF进行非线性估计存在一些缺陷,将系统进行线性化近似存在估计误差,从而影响目标跟踪的精度.为了获得更高的估计精度,介绍了两种新的非线性滤波算法,即unscented卡尔曼滤波算法和粒子滤波算法.分析了UKF和PF算法的原理和算法实现,对两种算法的适应性进行了比较.通过目标跟踪仿真实验,表明粒子滤波算法估计精度比UKF算法高,但是计算量却相对较大.     

修正极坐标系纯方位跟踪算法分析与改进

通过修正极坐标系(MP)的广义卡尔曼滤波,提出了一种探测水中目标位置及其他各项运动参数的估计方法.基于广义卡尔曼滤波算法,设计了舰船以"Z"形路线追踪目标的纯方位跟踪模式;根据舰船的运动特点,改进算法实现了对存在机动行为的目标进行有效跟踪.仿真结果表明该方法稳定性强,对测量精度要求低并可用于跟踪机动目标.     

几种非线性滤波只测角跟踪性能评估

为综合分析非线性滤波在只测角跟踪应用中的性能,文中给出了二维空间动态系统估计的克拉美罗界递推形式,对扩展Kalman滤波(EKF)、转换瑞利滤波(SRF)、无迹Kalman滤波(UKF)、容积Kalman滤波(CKF)和粒子滤波(PF)进行了实验仿真研究。结果表明CKF和PF可以获得高于其他滤波的精度,CKF的运算量又远低于PF,CKF可以获得精度和时效性的有效折衷。     

基于空气动力模型的助推-滑翔导弹跟踪

针对助推-滑翔式再入导弹,提出了一种基于空气动力模型的扩展卡尔曼跟踪算法.首先推导了弹体坐标系和东北天坐标系之间的转换关系,接着描述了两种坐标系下再入目标的空气动力模型,然后建立了目标的运动状态方程和量测方程,给出了扩展卡尔曼滤波过程,最后仿真分析了一条助推-滑翔弹道,并结合该弹道进行了跟踪试验.蒙特卡洛仿真结果表明,所述方法比基于未知输入模型的方法跟踪效果更好,且能有效估计目标的空气动力学系数.     

基于无迹卡尔曼滤波的单站混合定位跟踪算法

针对移动台的单站跟踪问题,以"到达时间和与到达时间差(TSOA/TDOA)"新型混合定位技术作为基础,提出一种基于"到达时间和与到达时间差"混合被动单站定位模型的无迹卡尔曼滤波跟踪算法。该算法以观测到的有噪信息为基础,引入"到达时间和与到达时间差"观测模式,使用受随机加速影响的匀速运动状态作为跟踪算法的状态模型,将无迹卡尔曼滤波(UKF)算法应用在移动台的定位跟踪上,实现了对移动台的位移和速度的同步跟踪。仿真结果表明:无迹卡尔曼滤波算法应用移动台跟踪系统是有效的;与扩展卡尔曼滤波相比,其跟踪算法的滤波精度、稳定性更优。     

平方根容积卡尔曼滤波算法及其应用

针对使用扩展卡尔曼算法（extended Kalman filter,EKF）对复杂非线性状态估计时收敛速度慢、估计精度低的问题,提出一种平方根容积滤波算法（square root cubature Kalman filter,SRCKF）。SRCKF使用基于容积原则的数值积分方法直接计算非线性随机函数的均值和方差。该算法实现时只需计算函数值,避免了求导运算,降低了计算复杂度。且该算法传播了状态协方差的平方根,确保了协方差矩阵的对称性和半正定性,改进了数值精度和稳定性。把平方根容积卡尔曼滤波算法（SRCKF）应用到未知弹道系数的再入弹道目标的状态进行估计中。Monte Carlo数值仿真表明,平方根容积滤波算法大大降低了未知弹道系数的再入弹道目标的状态估计误差,提高估计精度,且运行速度较快。     

不完全量测下基于信息一致性的分布式容积卡尔曼滤波算法

针对不完全量测条件下分布式火控系统中的非线性目标跟踪问题,为提高跟踪系统的估计精度并保证各探测单元估计结果的一致性,提出一种基于信息一致性的分布式容积卡尔曼滤波(ICDCKF)算法。针对非线性系统,给出不完全量测下的改进容积卡尔曼滤波。考虑到各探测单元间局部估计信息的相关性,该算法首次将协方差交叉方法应用于非线性一致性滤波算法,提高互协方差未知情形下分布式融合的估计精度。特别地,为确保算法的可行性,给出不完全量测情形下,ICDCKF算法估计结果收敛的条件,并从理论上严格证明在该条件下ICDCKF算法可以保证估计方差的有界性。ICDCKF算法应用于一类光电跟踪网络,与现有CKFI算法、CKF_CI算法、KCF_ Me算法对比分析表明：ICDCKF算法在保证各探测单元估计结果一致性的同时,大幅度提高了跟踪系统的估计精度。     

基于四元数粒子滤波的飞行器姿态估计算法研究

针对飞行器非线性姿态确定问题,提出了一种四元数粒子滤波算法。将状态向量分为线性部分和非线性部分分别进行处理,降低了粒子滤波的运算量。针对四元数加权求和规范化问题,通过构造拉格朗日代价函数的方法将四元数加权和问题转化为代价函数取极值时的四元数向量求解问题;并通过求取四元数误差方差矩阵对角线元素平方根的方法保证扰动四元数的规范化;利用乘性误差四元数表示四元数估计点与采样点之间的距离,求取四元数的协方差矩阵解决了旋转矢量方差计算问题。仿真实验表明,与传统的扩展卡尔曼滤波（EKF）和无迹卡尔曼滤波（UKF）算法相比,该算法估计精度更高,稳定性更好。