基于UT的混合粒子滤波单站无源定位算法

为利用无源固定单站对运动辐射源快速定位,将粒子滤波和UT(unscented transformation)应用于单站无源定位,给出了一种基于UT的角度约束采样混合粒子滤波无源定位算法,该算法从UKF滤波得到建议分布,从该建议分布采样时引入角度测量对状态变量的约束,可以减少粒子滤波用于高维情况时所需的粒子数目,改善滤波性能.与EKF、UKF(unscented kalman filter)以及基于EKF的混合粒子滤波算法的仿真比较表明,本文算法在滤波收敛速度、跟踪精度以及稳定性方面优于其它算法,估计误差可以接近Cramer-Rao下界.     

电子对抗及其设备

0617937基于UKF算法的惟方位单站无源跟踪〔刊,中〕/郁亮//中国电子科学研究院学报.—2006,1(1).—89-92(G)单站无源跟踪问题本质上是非线性估计问题,使用传统EKF算法进行跟踪滤波,得到的结果误差较大,容易产生发散现象。本文在惟方位跟踪中应用UKF算法,仿真结果表明,与EKF相比,采用UKF算法跟踪精度较明显的提高,同时增强了滤波器的稳定性,有效地改善了跟踪性能。参70617938GPS接收机码/载波跟踪环技术及其抗干扰能力分析〔刊,中〕/周坤芳//电子信息对抗技术.—2006,21(2).—36-39(G)0617939运动单站无源定位中的坐标转换矩阵的分析…     

基于SMSS-UKF的机载单站无源定位算法

基于机载单站无源定位中常用的扩展卡尔曼滤波具有近似线性方程的雅可比矩阵计算困难、不敏卡尔曼滤波(UKF)具有计算量较大的问题,提出了基于改进的变尺度最小斜度不敏卡尔曼滤波(SMSS-UKF)的机载单站无源定位算法,该方法采用最小斜度采样策略进行Sigma 点采样,减少Sigma点提高计算效率,利用变尺度不敏变换克服了采样点非局部效应问题。同时,针对大部分定位跟踪模型中状态方程为线性方程的特点,依据在线性状态方程情况下的贝叶斯理论,运用卡尔曼滤波状态预测的方法进行UKF的最优状态预测,使状态预测避免了不敏变换的数值近似误差和Sigma采样点计算的复杂性,提高了算法的运行效率和滤波精度。仿真实验的结果证明了SMSS-UKF滤波算法的有效性。     

基于UKF与融合的声探测定位与跟踪

无源声探测定位与跟踪是一种非线性系统状态估计问题。为了降低系统的复杂度和提高系统硬件的可实现性,将扩维UKF(Unscented Kalman Filter)应用于多传感器无源声探测定位跟踪。用多声传感器所测的方位角进行交叉定位,建立了扩维UKF无源声探测定位跟踪的状态方程和观测方程。为了提高跟踪精度,采用了一种基于子滤波估计值之间支持度的非等权值融合算法,将UKF子滤波的估计值进行融合得到融合估计值。仿真结果表明,扩维UKF和新融合方式结合的多传感器声探测定位与跟踪的精度高,可以较好地跟踪不规则运动的声目标,具有较大的工程应用价值。     

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。      

基于UKF算法的惟方位单站无源跟踪

单站无源跟踪问题本质上是非线性估计问题,使用传统的EKF算法进行跟踪滤波,得到的结果误差较大,容易产生发散现象。本文在惟方位跟踪中应用UKF算法,仿真结果表明,与EKF相比,采用UKF算法跟踪精度较明显的提高,同时增强了滤波器的稳定性,有效地改善了跟踪性能。     

机动目标单站无源定位中的测量更新CKF-IMM算法

机动目标单站无源定位是一个典型的非线性滤波问题,将一种新型的滤波算法——容积卡尔曼滤波(CKF)应用于IMM算法之中.为进一步提高定位跟踪精度,提出了一种测量更新CKF-IMM算法.该算法利用马尔科夫过程控制子模型间的切换,并采用CKF算法对各模型进行滤波,然后将每个滤波器的输出状态进行概率加权求和,最后对融合状态再进行一次非线性测量更新.结合空频域单站无源定位模型进行仿真实验表明,与传统的EKF-IMM和UKF-IMM算法相比,CKF-IMM算法的估计误差更小、定位精度更高;而测量更新CKF-IMM算法较CKF-IMM算法可进一步提高定位跟踪精度.     

简化UKF算法在单站无源目标跟踪中的应用

根据实际的应用背景,对标准的UKF算法进行简化,提出一种SUKF(Simplified Unscented Kalman Filter)算法,并将其应用于无源目标跟踪。对实测数据的滤波结果表明,SUKF不仅运算复杂度低(与经典EKF相当,比UKF大大简化),而且收敛速度快、一致性好,跟踪精度高(达到了UKF同样的性能),非常适合于实时应用的场合。     

被动导引头辐射源跟踪新算法研究

由于被动导引头辐射源跟踪系统非线性较强,传统的跟踪滤波算法是粒子滤波（PF）、U卡尔曼滤波（UKF）。但这些算法都存在着一定的缺陷,粒子滤波算法收敛速度慢、计算量大,UKF跟踪精度低。针对上述问题,提出了一种基于PF算法的新的跟踪滤波算法PUKF。该算法采用粒子滤波和U卡尔曼滤波加权的思想对目标实现初始的捕捉,然后通过UKF算法对目标进行跟踪保持。该算法受初始状态影响小,跟踪的精度高,收敛速度快,系统性能稳定。仿真实验表明了在被动辐射源跟踪系统中该算法的可行性和有效性。     

基于Adams预估校正的UKF跟踪外推算法

不敏Kalman滤波(UKF)算法可以广泛用于各种目标运动的非线性估计中,传统的UKF滤波算法对于时间更新(即一步预测),一般采用对目标运动方程进行离散化或线性化处理,其结果不可避免地产生离散化误差,当目标运动非线性较强时,会导致跟踪误差增大,甚至无法给出正确的预测结果.文中提出的基于阿当姆斯(Adams)预估校正的UKF算法(即Admas-UKF),很好地解决了弹道目标过顶点的跟踪外推问题,仿真结果显示,与传统的UKF算法相比,此算法提高了跟踪外推精度,而计算时间远少于龙格库塔不敏Kalman滤波(Runge_Kutta-UKF)算法.