关于目标跟踪定位的仿真方法研究

研究雷达定位精度和准确性问题,为了解决在目标定位跟踪中由于目标机动引起的无迹卡尔曼滤波(UKF)误差大和滤波发散问题,提出了一种基于UKF和自适应神经网络-模糊推理系统(ANFIS)的新的目标跟踪定位方法.将自适应神经网络-模糊推理系统应用于目标跟踪系统,利用状态变量的预测误差和预测误差的变化率来自适应地调整卡尔曼滤波器的系统噪声协方差矩阵,实现了模糊推理、神经网络和UKF的有效结合,并应用于雷达目标定位跟踪系统进行仿真.仿真结果表明,方法比UKF有更好的跟踪性能,收敛快,对目标机动有更好的适应能力,为设计提供了依据.     

一种基于伪码测距的高度表实现方案

针对高度表测高范围大,测距精度高的要求,文中给出了一种基于伪码测距高度表的实现方案,应用伪码时延的码元整周期数进行粗测距,将收端伪码信号进行锁相提纯及采用差频测相技术对伪码时钟信号相移精确测量以达到精测距.这一方案,在计时时钟频率仅为50MHz的条件下,测高精度优于0.3m,量化误差小于0.2m.     

基于ANFIS和证据理论的信息融合研究

提出了一种基于自适应神经网络-模糊推理系统(ANFIS)和D-S证据理论相结合的信息融合方法.利用神经网络的学习功能提取模糊规则和调整隶属函数,然后用自适应神经网络-模糊推理系统的输出构造证据理论中的基本概率赋值,解决了证据理论中的基本概率赋值不易确定的问题.该方法实现了模糊推理、神经网络和证据理论的有效结合,使得证据理论具备智能信息处理的能力,并应用于雷达与红外复合制导的目标识别融合系统.仿真结果表明:该方法提高了目标识别的置信度,降低了系统虚警率,融合结果也更加合理.     

D-S证据理论的不足及其数学修正

针对D-S证据理论对高冲突证据融合得到有悖常理的无效结果问题,研究了国内外典型文献提出的各种改进方法,从原理上对其进行了组合规则的修正和证据源的修正两大分类,并对各种方法的不足进行了数理分析和总结.在此基础上引入证据信息容量和证据间距离函数来对各传感器提供的证据信息进行预处理,再对得到的新的证据信息用证据可信度作为权重进行加权融合.数值仿真实验表明:这种新的修正模型不但比较好地结合了两类改进方法的优点,在形式上和Dempster组合规则保持一致,而且能较好地处理冲突证据在信息交叉时的融合,取得了更加合理的效果,并且为D-S证据理论的完善提供了一个新的探索途径.