不完全信息下分布式目标跟踪算法

针对分布式目标跟踪过程中出现数据丢包和不完全量测现象,提出一种分布式目标跟踪算法.该算法由统计意义下局部滤波器和基于协方差交叉算法融合滤波器构成,其中局部滤波器利用邻域内各节点测量信息计算局部滤波值,融合滤波器则将邻域内各节点局部滤波值进行融合处理,得到该节点的目标坐标信息;最后,利用典型目标航迹模型对该算法进行仿真分析.仿真结果表明:该算法可有效抑制不完全信息发生时对目标跟踪结果的不利影响,可为分布式目标跟踪系统在实际工程中的设计与研制提供有益的参考.     

不完全量测下航迹辨识系统中滤波方差的期望收敛性问题

目标跟踪航迹辨识系统常常出现信号丢失现象,这时递推误差协方差阵(ECM)是一个随机过程;针对探测率小于1的不完全量测,给出了估计误差协方差系统统计稳定性的条件和稳态Kalman滤波的线性矩阵不等式(LMI)计算法。对给定滤波方差约束指标,设计一种新的滤波器,使得模型容许的噪声强度尽可能的大。在目标跟踪中,它的工程意义是在选定探测器性能指标下,设计出能适应目标机动范围较大的滤波器。最后利用航迹辨识系统的数值算例对研究结果给出了说明。     

不确定离散时滞系统的鲁棒H∞滤波器设计

利用Lyapunov方法,结合矩阵不等式性质,研究了一类不确定离散时滞系统的鲁棒H∞滤波问题。构造了一个线性滤波器,使滤波误差系统渐近稳定且满足一定的H∞性能指标。给出了滤波器存在的充分条件,且是时滞相关的。最后给出算例,证明所得结果的有效性。     

基于IMM-UKF的非线性机动目标跟踪仿真研究

在处理非线性强机动目标跟踪问题时,扩展卡尔曼滤波方法跟踪误差大、容易引起滤波发散,同时其系统模型可能随时间变化,不能应用传统的线性滤波方法以及单一状态模型来处理该类问题.假设在整个跟踪过程中,运动由水平匀速运动、俯冲运动和爬升运动3部分组成,目标量测由斜距、方位角和高低角组成,并基于此建立了目标运动状态模型和观测模型,给出了模型转换矩阵,设计了基于IMM-UKF滤波器,并进行了仿真.结果表明,该方法可以以较高精度跟踪非线性机动目标运动状态,同时具有较高的收敛速度.     

捷联惯导系统动基座初始对准中的可观测性分析

用分段定常系统可观测性分析理论和方法对系统动基座初始对准时的可观测性进行分析.定性地得出了载体的各种机动特性对捷联系统对准过程可观测性的影响结果.采用卡尔曼滤波法, 对平台误差角进行了估计, 给出了仿真曲线.结果表明, 动基座对准过程中, 载体的线运动和角运动在一定条件下能提高系统的可观测性, 从而提高卡尔曼滤波器的估计速度和精度.这为研究捷联惯导系统的快速精确对准方法奠定了理论基础.     

固定指数加权模糊自适应EKF研究及其应用

为了改善扩展卡尔曼滤波（EKF）算法在机动目标跟踪中的跟踪性能,文中研究了一种固定指数加权模糊自适应扩展卡尔曼滤波技术,通过监视理论残差和实际残差的协方差一致程度。应用模糊推理系统不断调整滤波协方差,对扩展卡尔曼滤波器（EKF）进行在线自适应控制．最终实现最优估计。仿真结果表明,改进的算法稳定性高,精度得到明显改善．用于弱机动目标跟踪效果较好。     

CI算法在两传感器融合稳态Kalman滤波器中的应用

针对两传感器稳态Kalman滤波器的信息融合,目前有三种常用的加权分布式融合算法:按标量加权、按对角阵加权和按矩阵加权,但它们都需要得到局部稳态滤波误差互协方差阵后才能计算出融合结果.而协方差交集算法在相关度未知的情况下,也能得到一个改进的估值,因此文中将协方差交集算法应用到两传感器稳态Kalman滤波器的信息融合中,在互协方差阵未知的情况下,此方法也能得到较好的信息融合结果,并通过仿真进行了验证.     

基于平方根卡尔曼滤波的粒子滤波算法

在普通粒子滤波器中,基于先验概率的重要性密度不能容纳最新测量信息,导致跟踪精度难以提高。针对该问题,给出一种基于平方根卡尔曼滤波(SRUKF)的新型粒子滤波算法(SRUPF)。该算法以普通粒子滤波器(PF)为基础,运用SRUKF生成重要性密度。与运用先验知识生成重要性密度的普通粒子滤波器不同,SRUPF的重要性密度中包含了最新的观测信息,从而能够更好地逼迫状态变量的分布规律。此外,由于SRUPF在计算重要性密度时不需要在每一个迭代步骤都对状态协方差阵进行分解,因而SRUPF比PF具有更好的数值稳定性。在非线性测角跟踪问题中的应用表明:SRUPF滤波器的跟踪精度优于PF和SRUKF。     

基于H∞滤波的主/被动雷达模糊自适应融合算法

在主/被动雷达复合制导背景下,提出一种基于H∞滤波和模糊逻辑的自适应融合算法,算法结合了H∞滤波和模糊推理的优点.为了克服卡尔曼滤波对模型和传感器噪声特性的依赖性,应用H∞滤波实现目标的状态估计.与卡尔曼滤波相比,H∞滤波不需要对噪声作任何假设.由于模糊推理方法具有很强的处理不确定性问题的能力,基于协方差匹配技术应用模糊推理方法在线估计每个H∞滤波器的性能,融合中心根据每个H∞滤波器的性能融合来自两滤波器的状态估计值.数字仿真结果表明了算法的有效性.     

线性系统状态估计及传感器选择方法

针对线性时不变系统状态估计及传感器选择问题进行研究,提出了线性时不变系统状态估计及传感器选择方法。首先给出了系统和观测序列的一致可探测性定义以及误差协方差矩阵收敛的条件,接着指出了一致可探测性观测序列存在条件并根据定义进行了证明,然后在一致可探测性观测序列存在的条件下提出了一种改进贪婪算法确定传感器选择方案,以此生成该一致可探测性观测序列,并分析了该算法的完全性和复杂度。仿真结果表明,当在一致可探测性观测序列存在的条件下求解传感器选择方案时,与基本的贪婪算法和长时选择方法相比,本文算法综合性能最优,求解速度和求解质量均较好。     

基于方位装订的弹载捷联惯导初始对准技术研究

研究了基于方位装订的弹载捷联惯导系统的初始对准问题。首先推导了方位角误差和失准角误差的关系,在此基础上,提出了增加方位角误差作为观测量的观测方程,建立了基于方位装订条件下的卡尔曼滤波方程,并用奇异值分解的方法分析了系统的可观测性和不可观测状态变量,结果表明陀螺漂移均可观测,而加速度计零偏均不可观测;计算机仿真结果表明该初始对准方法收敛速度快,对准精度高。     

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.     

基于低频学习的电液位置伺服系统鲁棒自适应控制

电液位置伺服系统存在高频干扰和传感器测量噪声,导致传统自适应控制参数收敛性差、性能一致性低等问题。针对这些问题,提出一种基于低频学习的鲁棒控制策略。设计低通滤波器修正电液位置伺服系统的自适应参数,将修正前后出现的残差反馈到鲁棒自适应控制中构造新型控制律,滤除自适应律中存在的高频成分,从而有效地降低参数的波动程度,达到稳定收敛的目的。通过Lyapunov稳定性理论验证了闭环系统的全局稳定性。对比实验结果表明,所提方法能够有效解决电液位置伺服系统在高频干扰和传感器测量噪声作用下的参数稳定收敛问题,同时获得了系统动态误差的渐进稳定性,实验取得了预期效果。     

基于LabVIEW和IMAQVision软件平台的轴平行性测量

提出一种基于图像处理的多轴平行性测量新方法。通过提取光斑中心,根据光斑中心与轴理论位置之间的距离,计算轴之间的平行性偏差。采用的形态学去噪和基于人眼视觉模型的阈值选择算法,具有良好的抗噪性和鲁棒性,解决各种大气条件下对远距离可见光点和红外光点同时准确识别定位的问题。基于LabVIEW和IMAQVision软件平台,开发工业在线机器视觉小角度测量系统,应用于某型导弹发射系统激光轴和导弹发射轴的平行性测量和校正,取得了满意的使用效果。     

基于新息自适应滤波的惯性测量单元误差在线标定方法研究

考虑到空天飞行器飞行环境和运动特性下导航传感器误差的噪声统计特性不可能完全精确已知,若使用常规卡尔曼滤波进行在线标定,将会导致滤波精度下降甚至发散。设计一种基于新息自适应滤波方法的惯性测量单元(IMU)误差在线标定方案和算法,克服常规卡尔曼滤波需预先知道噪声统计特性的不足,设计包含IMU安装误差、刻度因子误差和随机常值误差在内的27维高阶状态变量的误差标定模型,分析提出可同时对系统噪声和量测噪声协方差矩阵进行动态调整的新息自适应滤波在线标定算法。仿真验证实验表明,相较于采用常规卡尔曼滤波以及Salychev O自适应滤波算法进行在线标定,所设计的新息自适应滤波在线标定方法能更有效实现对IMU误差的动态标定及补偿,进一步提高了惯性导航系统精度。实物验证实验表明,该方法可有效标定IMU误差残差,提高导航精度,为工程应用带来较大便利。     

基于对偶四元数的惯性/卫星/天文组合导航系统改进联邦滤波方法

传统惯性/卫星/天文组合导航系统联邦滤波中主滤波器和子滤波器状态量保持一致,而天文姿态信息仅对部分状态具有可观测性。常用的惯性/天文组合模式需将高精度的天文姿态信息进行坐标转换,从而降低组合导航精度。针对上述问题,提出了一种基于对偶四元数的惯性/卫星/ 天文组合导航系统改进联邦滤波方法,通过可观测性分析对子滤波器进行降维,能在保证导航精度的同时提高系统实时性。基于对偶四元数的降维惯性/天文组合方法可直接利用天文姿态信息进行组合,实现了天文高精度信息的有效利用,且避免将不可观测状态进行反馈修正从而提高组合精度。仿真结果表明,提出的改进联邦滤波方法能获得与集中式滤波相当的精度,在卫星信号丢失或故障情况下,相比于传统惯性/天文组合具有更优的性能。     

基于无迹卡尔曼滤波的超空泡航行体最优控制研究

针对超空泡航行体运动过程中环境噪声和测量噪声带来的不利影响,提出一种基于无迹卡尔曼滤波器（UKF）的最优控制算法。通过超空泡航行体动力学建模,建立含有环境噪声和测量噪声的状态方程,分别在无滤波器和含有UKF情况下的最优控制器进行了仿真分析。研究结果表明：在环境噪声和测量噪声干扰下,超空泡航行体跟踪误差较大,运动极其不稳定,处于失稳状态;在UKF作用下,超空泡航行体跟踪误差明显减小,在较短时间内达到全包裹状态,有较好的信号处理效果。     

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。     

磁力计/卫星组合测量标定和滤波算法

针对磁力计/卫星定位系统组合测量载体姿态角的现实问题,根据影响测量精度不同因素的特性,研究提高测量精度的方法。采用最小二阶乘算法对磁力计进行标定消除系统误差;采用离散卡尔曼滤波算法消除测量误差带来的影响。试验结果表明：对于标定之后的磁力计,采用本文中所述的滤波算法使得测量绝对平均误差从2.366 1%减小到0.592 6%,证明该方法是有效的。     

机动频率自适应的机动目标模糊跟踪算法

分析了基于＂当前＂统计模型的跟踪算法中,机动频率对滤波算法的影响.提出一种模糊自适应跟踪算法,该算法根据量测新息及其变化率通过模糊推理机制调整＂当前＂统计模型中的机动频率,以适应不同的目标机动模式.针对直角坐标系下量测模型为非线性方程,采用转换坐标卡尔曼滤波对目标状态进行估计.仿真结果表明：该算法无论跟踪机动目标还是非机动目标,其精度都要优于常规的基于＂当前＂统计模型的跟踪算法.