基于IMM-CKF的弹道再入目标跟踪研究

该文研究了弹道系数未知的弹道再入目标的跟踪问题.针对现有再入目标跟踪方法对弹道系数初值设定以及噪声协方差的设置比较敏感的问题,采用了数值精度高、稳定性好且计算量较小的求容积卡尔曼滤波(CKF)算法作为跟踪滤波器,并分别设计了由不同弹道系数模型构成的交互式多模型(IMM)算法以及由不同噪声协方差模型组成的IMM算法.仿真结果表明,该文设计的两种IMM算法都能显著提高跟踪精度以及对弹道系数估计的收敛速度.     

平方根容积卡尔曼滤波器

针对容积卡尔曼滤波器在递推过程中,计算量大、数值不稳定等问题,提出了平方根容积卡尔曼滤波器。该滤波器不仅增强了数值鲁棒性,确保了状态协方差矩阵的正定性,且在一定程度上提高了滤波精度。仿真结果表明,该滤波器的滤波精度与容积卡尔曼滤波相比提高了约10%,且均高于扩展卡尔曼滤波;随着状态维数的增加,该滤波器的估计性能越加优于扩展卡尔曼滤波器。因此对系统维数较高的场合,该滤波器是一种非常有效的非线性滤波算法。     

再入弹道目标跟踪的球面单纯形-径向容积卡尔曼滤波算法

提出一种再入弹道目标跟踪的球面单纯形-径向容积卡尔曼滤波算法(Spherical Simplex Radial Cubature Kalman Filter,SSRCKF),有效提高了地基雷达对再入段弹道目标的实时跟踪精度。首先,在测站坐标系下建立了再入弹道目标的非线性动力学方程和量测方程,利用四阶龙格-库塔方法得到适用于滤波计算的离散形式,具有比传统欧拉法更高的离散精度;然后,利用Spherical Simplex-Radial准则逼近非线性函数的高斯加权积分,基于贝叶斯滤波框架得到SSRCKF算法,具有比CKF更高非线性滤波精度。对再入弹道目标跟踪仿真实验中,相比于CKF算法,SSRCKF算法的定位精度提高约4.5m,定速精度提高约0.06m/s。     

用于实时弹道滤波的Sage-Husa改进算法

为了解决实时弹道测量数据滤波过程中量测噪声统计特性未知且时变的实际问题,对Sage-Husa算法进行了多种改进,提出了改进的Sage-Husa自适应卡尔曼滤波（improved Sage-Husa adaptive Kalman filter,ISHAKF）算法。该算法将量测噪声协方差估计矩阵变换为半正定矩阵和正定矩阵之和的形式,保证了量测噪声协方差估计矩阵的正定性,消除了量测噪声协方差估计矩阵非正定导致滤波异常的缺陷。设计了一种自适应遗忘因子,提升了滤波收敛速度,解决了量测噪声统计特性突变时Sage-Husa算法收敛较慢的问题。对卡尔曼增益矩阵进行了抗差改进,增强了算法的鲁棒性,削弱了野值对滤波效果的影响。分别对正定性改进、遗忘因子改进和抗差改进进行了对比仿真实验,对比结果验证了Sage-Husa算法改进的正确性和有效性。通过ISHAKF算法的实例应用,证明了该算法在实时弹道滤波上,具有更高的实时性、自适应性和抗差性,滤波效果提升明显。     

再入飞行器弹道参数自适应稳健估计方法

建立了飞行器再入段动力学模型.通过对再入过载值的融合,避开了对弹道系数和大气密度的近似,使得再入动力学模型更加准确;通过对自适应Kalman滤波算法的简化,得到了再入弹道参数的精确、稳健的估计.仿真算例表明该方法可以在系统建模误差、传感器测量噪声模型未知的情况下得到相当好的结果.     

基于奇异值分解的改进机载单站无源定位算法

针对机载单站无源定位系统中的滤波算法存在滤波稳定性差、收敛速度慢、定位精度差等问题,提出一种基于奇异值分解的平方根sigma点卡尔曼滤波算法(Square Root Sigma Point Kalman filter based on Sin-gular Value Decomposition,SVD-SRSPKF)。新算法利用奇异值分解代替Cholesky分解或更新,并使用误差协方差的平方根替代协方差进行滤波,保证滤波算法的数值稳定性。仿真结果表明:SVD-SRSPKF算法比其他同类算法具有更高的收敛速度、定位精度和数值稳定性。     

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。     

用于RAM目标跟踪数据滤波的模型参数自适应CMUKF算法

C-RAM系统对RAM目标跟踪数据滤波算法有精度高、收敛快的要求。弹道系数未知造成模型不准确会导致传统滤波方法难以满足要求,针对不能准确辨识弹道系数的情况,提出了一种模型参数自适应的RAM目标跟踪数据滤波方法。该方法使用量测转换无迹卡尔曼滤波算法(CMUKF)对系统状态进行估计,在无迹卡尔曼滤波(UKF)的框架下使用最小二乘递推辨识算法(RLS)在线辨识弹道系数,形成了模型参数自适应,并对辨识出的弹道系数进行二次滤波,提高了弹道系数的辨识精度。将本文算法与传统C-RAM中的跟踪数据滤波算法比较,仿真结果表明该算法提高了估计精度,且具有良好的鲁棒性和较少的执行时间。     

基于全局采样的RBUPF及其在组合导航中的应用

针对UPF(unscented particle filter)在GPS/INS(global positioning system/inertial navigation system)组合导航的应用中存在的计算量过大的问题,提出了一种基于全局采样的RBUPF(Rao-Blackwellized unscented particle filter)算法。该算法引入Rao-Blackwellized滤波思想,降低状态空间中非线性状态的维度;采用全局采样策略,对粒子集运用UKF(unscented Kalman filter)得到建议分布。仿真实验表明:这两方面的改进有效的降低了算法的计算量,且在保证较高估计精度的基础上,减小了粒子退化发生的可能性。     

基于速度约束与模糊自适应滤波的车载组合导航

针对车载组合导航系统中卫星信号易受遮挡而引起导航精度降低问题,提出采用车辆速度约束条件辅助的组合导航方案。利用车辆正常行驶过程中侧向和天向速度为零作为虚拟观测信息,推导得到卫星信号失效时组合导航滤波量测方程;考虑到Kalman滤波过程中量测噪声协方差矩阵难以获取,推导给出一种新的自适应Kalman滤波（ADKF）算法,该算法计算新息序列实际协方差与理论协方差比值后,利用模糊推理系统（FIS）自适应调节量测噪声协方差矩阵大小;通过光纤捷联惯性导航系统（SINS）进行了验证试验。结果表明：卫星信号失效时,虚拟速度组合能够提高SINS定位精度,其纬度最大误差由41.33 m减小为8.61 m,且采用FIS-ADKF组合导航算法时3个方向 位置精度相比标准Kalman滤波算法提高了60%以上,验证了所提出算法的有效性。     

多级火箭主动段实时自适应跟踪算法

多级火箭主动段跟踪主要采用基于当前统计模型的解耦卡尔曼滤波方法,当前统计模型的机动参数不能自适应变化时,在级间分离段会出现滤波突跳问题.针对于此,文中提出模型参数自适应计算方法,同时,采用容积卡尔曼滤波方法替换传统的解耦卡尔曼滤波方法.通过对某次火箭飞行实测数据分析,该算法能有效抑制滤波突跳问题,算法的稳定性及收敛性与传统方案相比有较为明显的改善,适用于多级火箭主动段跟踪.     

基于5阶降维平方根-容积卡尔曼滤波的动基座对准应用研究

为提高动基座下捷联惯导系统的对准精度、数值稳定性和减小计算量,将5阶容积卡尔曼滤波(CKF)、降维算法、多次离散和平方根(SR)滤波结合起来,形成5阶降维SR-CKF非线性对准方案。为减小5阶CKF的计算量,建立非线性-线性分离的系统模型,引入降维算法;为提高1阶龙格-库塔法的逼近精度,设计多次离散和时间更新的滤波框架;为提高数值稳定性,推导了5阶降维SR-CKF;比较常规3阶SR-CKF、5阶CKF和5阶降维SR-CKF的各项特性。实车动基座对准实验结果表明:该方案对准精度高、数值稳定性强、计算量小,满足应用需要。     

事件触发容积卡尔曼滤波及其在火控探测网络中的应用

为减小传感器网络中各探测单元和融合中心间的数据传输量,设计了基于双重判断准则的事件触发机制,以控制各探测单元到融合中心的数据传输。为得到比已有事件触发融合估计算法更高的估计精度,提出了一种基于所提事件触发机制和平方根容积卡尔曼滤波的非线性融合估计方法。仿真和试验结果表明：所提方法与基于周期传输机制的容积卡尔曼滤波相比,可减小数据传输量;与已有事件触发融合估计方法相比,可在数据传输量基本一致情况下获得更高的估计精度。     

基于动态规划和双变量容积卡尔曼滤波的空基外辐射源定位算法

针对空基外辐射源定位系统在杂波环境下的目标状态估计问题,提出一种基于动态规划和双变量容积卡尔曼滤波的空基外辐射源定位算法.基于误差传播理论,确定出目标的状态转移范围;选取回波信号幅度值作为动态规划的值函数进行递推积累;根据杂波的统计特性和极值理论解算出动态规划的目标量测提取阈值,逆向提取来自目标的量测序列;利用双变量容...     

基于气动参数辨识的飞控系统传感器故障估计

气动参数的不确定性使得飞行器表现出明显的模型时变特点,此类系统的故障诊断问题是一个难点。以无人机纵向运动为研究对象,提出一种基于气动参数辨识和迭代学习的传感器故障估计方案。将增广容积卡尔曼滤波（ACKF）算法用于气动参数估计,实现飞机模型的在线辨识。故障一旦发生,将辨识得到的气动参数用于局部包络建模,并利用迭代学习算法构造传感器故障估计器。此外,为提高故障的迭代收敛速度,提出一种基于扩张状态观测器(ESO)思想的迭代学习算法。故障仿真实验表明了所提方法的可行性和有效性。     

混合噪声条件下的目标被动定位算法

为提高被动传感器观测噪声为含时变有色噪声、跳变噪声的混合噪声时容积卡尔曼滤波（CKF）算法的滤波精度和稳定性,提出一种自适应容积卡尔曼滤波（ACKF）算法。在ACKF算法中,在基本CKF算法基础上,采用观测重构、待定系数去相关方法,推导得到有色噪声条件下的容积卡尔曼滤波算法。针对时变有色噪声和跳变噪声导致滤波精度受损的问题,引入噪声方差在线修正及有害观测剔除的思想,进行了ACKF算法设计。仿真结果表明,与基本CKF算法相比,ACKF算法在x轴、y轴、z轴3个方向得到的被动定位精度分别提升了24.75％、32.57％和28.48％,具有更高的滤波稳定性和精度。     

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.     

基于交互式多模型无迹卡尔曼滤波的悬架系统状态估计

为有效解决复杂行驶工况下非线性悬架系统运动状态无法精确获取的难题,实现模型参数不确定以及时变路面激励工况下悬架状态精确估计的目标,开展了悬架系统状态估计研究.在路面激励模型和非线性悬架系统模型的基础上,结合交互式多模型算法与基于马尔可夫链的蒙特卡洛理论,设计了考虑模型参数不确定以及时变路面激励工况下多模型交互无迹卡尔曼...     

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。