移动条件下基于容积卡尔曼滤波的短波OFDM信道估计

针对移动短波通信场景下短波信道出现的时变性使得正交频分复用(Orthogonal Frequency Division Multiplexing,OFDM)系统不能精确估计信道状态信息导致通信质量下降的问题,提出了一种基于容积卡尔曼滤波(Cubature Kalman Filter,CKF)的信道估计方法。该方法基于球面径向积分准则,可更好地追踪信道的变化,提升信道估计的精度。建立了基于信道频域响应的非线性状态空间方程,并用容积卡尔曼滤波对每帧符号的信道频域响应进行估计。系统仿真结果表明,在静态短波通信场景到720 km/h的移动短波通信场景中,所提算法对信道有着更精确的估计精度,也可以有效抵抗多径时延所带来的影响。因此,所提算法更适用于移动短波通信场景。     

基于CKF的系统误差与目标状态联合估计算法

针对量测信息中系统误差对目标状态估计精度造成 的不利影响,提出了一种基于容积卡尔曼滤波(CKF)的系统 误差与状态联合估计(JE-CKF)算法。在算法实现中,首先采用状态向量维数扩展方法建立 非线性滤波框架下的系统误差配 准模型,其次根据系统误差配准模型对量测信息中的系统误差进行估计,进而通过对CKF实 现中量测预测值 的修正,改善量测残差中系统误差对滤波精度的影响。理论分析和仿真结果验证了算法的可 行性和有效性。     

改进的平方根容积卡尔曼滤波及其在POS中的应用

为解决扩展卡尔曼滤波在处理复杂非线性状态估计时,存在收敛速度慢、估计精度低及数值稳定性差等问题,引入一种改进的平方根容积卡尔曼滤波算法(A-SRCKF)。该算法在容积卡尔曼滤波基础上引入矩阵QR分解、Cholesky分解因数更新等技术,避免了矩阵分解、求逆及求导等复杂运算,极大降低了计算复杂度;并针对系统时变及统计特性未知情况下量测噪声协方差阵难以获取问题,通过引入自适应噪声估计器并结合小波卡尔曼滤波思想,构造出加权量测噪声协方差阵,提高了数值精度及稳定性。将A-SRCKF应用于机载定姿定位系统中,仿真结果表明:该算法有效地提升了估计精度,并且运行速度较快。     

扩展容积卡尔曼滤波-卡尔曼滤波组合算法

传统单一线性或非线性滤波方法往往难以获得最优线性/非线性混合动态系统状态估计,针对这一问题,结合卡尔曼滤波（KF）方法可获得线性状态估计最优解、计算量小等优势,提出了一种基于KF和扩展容积卡尔曼滤波（A-CKF）的组合滤波方法。该方法将系统状态分解为线性状态与非线性状态两部分,分别采用KF和简化两次扩展容积卡尔曼滤波（STA-CKF）方法进行系统状态估计。机动目标跟踪和捷联惯性导航系统非线性对准仿真结果表明,相比于Rao-Blackwellized粒子滤波方法,新方法在保证滤波精度的前提下,使得计算成本有效降低;相比于STA-CKF方法,新方法在滤波精度和滤波实时性方面均得到明显提高。     

SINS/GPS组合平滑估计在机载SAR实时运动补偿中的应用

针对机载合成孔径雷达(SAR)实时成像运动补偿对高精度运动参数的需求,该文提出一种基于捷联惯性导航系统/全球定位系统(SINS/GPS)组合Rauch-Tung-Striebel (R-T-S)平滑估计的实时运动补偿方案。该方案在实时卡尔曼滤波的基础上,对SAR每一次合成孔径时间段内的滤波结果再进行后向平滑递推,进一步修正滤波结果。仿真试验和飞行成像数据处理结果表明,该方案可以有效提高合成孔径时间段内运动参数的估计精度。     

基于EM的主动段弹道导弹跟踪算法研究

为了提高未知弹道参数下主动段目标跟踪的精度,提出基于期望最大化（Expectation Maximization,EM）的联合优化算法框架.首先在E步基于平滑器得到状态和未知参数的后验估计,然后在M步计算初始状态的均值、协方差以及过程噪声协方差等未知统计量,最后推导出基于URTS（Unscented Rauch-Tung-Striebel）的EM算法,并给出未知统计量的最优解析解,避免了非凸优化难以求解的问题.仿真结果表明：在相同量级的计算量下,本文算法的状态估计精度优于迭代UKF（Unscented Kalman Filter）算法.     

平方根容积卡尔曼滤波在角测量跟踪中的应用

为解决扩展卡尔曼滤波算法(EKF)在处理角测量跟踪问题时对复杂非线性状态估计收敛速度慢、估计精度低的问题,引入一种平方根容积卡尔曼滤波算法(SRCKF)。SRCKF是一类sigma点滤波方法,基于容积原则的数值积分方法计算非线性随机函数的均值与协方差,避免了EKF中Jacobian矩阵的计算,有效提高了计算效率。另外,与一般容积卡尔曼滤波算法相比,SRCKF确保了状态协方差矩阵的对称性与半正定性,有效改进了数值精度和鲁棒性。将SRCKF应用于角测量跟踪系统中,仿真结果表明,SRCKF、Unscented卡尔曼滤波(UKF)滤波精度较传统EKF有较大提高,同时,与UKF相比,SRCKF能以较快的运行效率获得较好的滤波效果。     

基于后向平滑容积卡尔曼滤波的单站无源定位算法

单站无源定位跟踪是一个典型的非线性滤波问题,由于测量精度不高、初始误差较大等原因容易导致滤波算法定位精度低、收敛速度慢。本文将一种新型的滤波算法——容积卡尔曼滤波（cubature Kalman filter,CKF）应用于单站无源定位领域,并将后向平滑滤波思想与CKF算法相结合,提出了一种后向平滑容积卡尔曼滤波算法（backward-smoothing CKF,BSCKF）。该算法使用容积数值积分原则直接计算非线性随机函数的均值和方差,并采用后向平滑值进行递归滤波,具有更优非线性估计性能。仿真实验表明,与EKF、UKF和CKF算法相比,BSCKF算法定位精度更高、收敛速度更快。      

EK-GMPHD滤波算法

针对杂波环境下多目标数目时变的跟踪问题,提出了一种适用于非线性系统的扩展卡尔曼-高斯混合概率假设密度滤波算法(EK-GMPHD)。对高斯分量进行递推时,利用扩展卡尔曼滤波器思想进行局部线性化,解决了量测方程和状态方程的非线性问题;在缩减高斯项数目时,建立了一种新的合并准则,综合考虑了高斯分量协方差对估计精度的影响;利用当前时刻目标估计数目对前一时刻的目标估计数目进行平滑,消除了孤立点的影响;仿真结果表明,该算法可有效滤除杂波影响,准确估计多目标数目和状态。     

基于容积卡尔曼滤波的异质多传感器融合算法

针对机动目标跟踪系统建模中的非线性问题,提出一种基于容积卡尔曼滤波(CKF)的雷达与红外传感器融合算法。考虑到被估计系统对目标跟踪算法实时性与精度的要求,在容积滤波框架下构建了集中式量测融合(CMF)和分布式状态融合(DSF)两种结构形式。CMF结构采用最优加权方法,首先对雷达和红外两种异类传感器的方位角度量测信息进行融合,并将其与融合后的雷达径向距量测构建新的量测数据,进而通过CKF算法对机动目标进行跟踪。DSF结构则首先对雷达量测中径向距信息进行加权融合,并将融合结果作为红外传感器的虚拟径向距量测,以实现红外量测的扩维处理,进而对每组量测数据应用CKF进行分布式并行加权融合,获得目标运动状态的最终估计。仿真场景中,对两种融合方法的性能进行比较,理论分析与仿真实验验证了算法的可行性与有效性。     

容积卡尔曼一致滤波

针对卡尔曼一致滤波的应用受限于被估计系统需 满足线性条件的问题,通过容积卡尔曼滤波(CKF)和一致性策 略的动态结合,提出一种容积卡尔曼一致滤波(CKCF)算法。算法采用分布式融合机制, 传感器节点采集可通信相邻 节点的信息,并作为自身节点的量测信息应用于CKF,获取局部状态估计 值。在此基础上,利用一 致性策略实现对整个量测系统中传感器节点局部估计值的优化,进而通过增强传感器节点估 计值一致性实现目标 状态估计精度的提升。相对于标准卡尔曼一致滤波,本文算法将一致性策略推广到非线性系 统估计领域。理论分析 与仿真实验验证了算法的可行性与有效性。     

一种新型的INS与UWB融合的室内行人跟踪方法

针对单一室内定位系统定位精度低、鲁棒性差的问题,提出了一种新型的基于动态鲁棒容积卡尔曼滤波的超宽带(Ultra-wideband,UWB)与惯性导航系统(Inertial Navigation System,INS)融合的定位方法.首先建立了一种易于实现的UWB-INS融合定位框架,然后提出了一种动态鲁棒容积卡尔曼滤波算法以处理多源数据的融合.提出的滤波算法可将M估计理论、强跟踪算法、动态增强策略与传统的容积卡尔曼滤波算法结合,以此缓解外界噪声和系统模型误差对状态估计的不利影响.在UWB-INS组合定位框架内采用动态鲁棒容积卡尔曼滤波,可实现对室内行人运动轨迹的精确稳定跟踪.实际数据测试和Matlab仿真验证了所提方法在复杂环境下其定位精度和鲁棒性均优于单一依赖UWB或INS技术的定位系统.     

自适应SICKF及在目标跟踪中的应用

针对容积卡尔曼滤波（CKF) 估计精度在系统状态或参数突变时下降的问题,结合均方根嵌入式容积卡尔曼滤波(SICKF)和强跟踪滤波(STF)思想,提出了一种自适应SICKF(ASICKF)方法。在SICKF获得高估计精度的同时引入STF条件,根据系统输出残差获得自适应渐消因子,将其引入系统输出协方差均方根阵和互协方差阵中对滤波增益进行实时修正,强迫系统输出残差序列始终正交,从而使SICKF算法具备强跟踪能力。为验证所提ASICKF算法性能,利用数值仿真将其应用于存在突变情况的目标跟踪问题中。仿真结果表明,ASICKF在系统状态突变时仍能保持较高的估计精度,算法稳定性和适应能力较好。     

基于TOA/TDOA的一致性正交容积卡尔曼跟踪算法

针对异构网络环境下目标跟踪系统中面临的非线性估计问题,提出了一种基于正交容积卡尔曼滤波的目标跟踪算法.文中算法首先引入一个附加变量来表示状态变量中的非线性项,设定自适应加权因子来调整不同信号输入系统的比重,然后利用数学手段融合两种信号为单一的状态变量,最后通过正交容积卡尔曼滤波来实现目标状态量的更新,从而实现对目标的定位与跟踪.仿真结果表明了文中算法的有效性,能够得到更高的定位与跟踪精度.     

带多普勒量测的序贯SCKF雷达目标跟踪算法

为提高非线性观测条件下雷达目标的跟踪性能,将序贯处理方法引入均方根容积卡尔曼滤波( SCKF),提出一种带多普勒量测的序贯均方根容积卡尔曼滤波( SSCKF-D)雷达目标跟踪算法,该算法通过建立伪量测去除径向距离和径向速度量测误差方差之间的相关性。基于SCKF算法,按照量测精确度的高低顺序对方位角、俯仰角、径向距离和伪量测序贯处理。 Monte Carlo仿真表明,与SCKF和带多普勒量测的均方根容积卡尔曼滤波( SCKF-D)算法相比,SSCKF-D算法跟踪精度更高,较后者提高20%以上,收敛速度更快,更适用于空间目标跟踪。     

改进高阶容积粒子滤波的系统状态估计算法

传统粒子滤波（PF）直接采用状态转移先验分布作为重要性密度函数来近似后验概率密度函数,使得后验概率密度函数未包含量测信息。针对此问题,提出了一种改进高阶容积粒子滤波(CPF)的系统状态估计算法。算法采用七阶正交容积卡尔曼滤波（7th-CQKF）对PF的粒子进行传递,使得先验分布更新阶段融入最新量测信息;通过7th-CQKF设计重要性密度函数,提高对状态后验概率密度的逼近程度;通过反比例函数计算粒子权重,突出大噪声粒子与小噪声粒子权重差别,提高粒子有效性。仿真结果表明,改进高阶容积粒子滤波的估计精度高于容积粒子滤波（CPF）。