基于非合作目标的误差配准算法

误差配准是消除传感器系统误差必不可少的过程。针对非合作目标情况下如何估计传感器系统误差的问题,提出了一种基于线性卡尔曼和最小二乘的三维误差配准算法。该算法考虑了地球曲率的影响, 解决了传统的二维算法无法估计俯仰角系统误差的问题。通过构造系统模型, 将传感器系统误差和目标运动情况统一到同一量测方程中, 并结合线性卡尔曼和最小二乘得到系统误差的估计。仿真结果表明, 该方法能有效地估计包括俯仰角误差在内的多种系统误差。     

模糊c-均值聚类在多传感器数据配准中的应用

在分析了以前的多传感器空间数据配准算法的特点和不足之后,提出了一种新的算法———基于聚类的数据配准:在多目标的情况下,先采用模糊c-均值法对传感器同一单帧量测数据进行聚类,得到的聚类中心作为各目标点的理想位置参数,再将由各目标点计算出的某一传感器误差值进行平均得到此传感器的误差估计,然后将各帧得到的误差估计再进行平均实现传感器配准。这种算法优点是实时性较强,与配准模型无关。最后给出了的仿真结果与分析。     

模糊c-均值聚类在多传感器数据配准中的应用

在分析了以前的多传感器空间数据配准算法的特点和不足之后，提出了一种新的算法——基于聚类的数据配准：在多目标的情况下，先采用模糊c-均值法对传感器同一单帧量测数据进行聚类，得到的聚类中心作为各目标点的理想位置参数，再将由各目标点计算出的某一传感器误差值进行平均得到此传感器的误差估计，然后将各帧得到的误差估计再进行平均实现传感器配准。这种算法优点是实时性较强，与配准模型无关。最后给出了的仿真结果与分析。     

基于扩展H_∞滤波自适应误差配准算法

提出了基于扩展的H∞滤波和地心坐标系的自适应多传感器误差配准方法,该方法采用地心坐标系来消除地球曲率对配准算法的影响,采用扩展的H∞滤波来消除状态模型和量测模型噪声方差的不准确对配准算法的影响,该方法能够解决多传感器异步数据的误差配准问题,并且状态方程和量测方程的噪声可以是非高斯的,并采用修正的基于BLUE的量测转换方法对修正后的传感器的量测进行滤波.仿真试验表明,该算法能有效地估计时变的传感器误差,即使在运动方程和量测方程的噪声方差不准确的情况下,也能得到满意的配准结果.     

地心坐标系下考虑测量噪声的传感器配准算法

现有的传感器配准算法主要有两大类,一类是基于立体投影的二维空间配准技术,这类方法在投影时扭曲了数据,且无法估计俯仰角系统误差;一类是基于地心坐标的三维空间中的配准技术,这类方法由于在计算时很少考虑到测量噪声对传感器系统误差估计产生的影响,实际的估计效果较差。为此,通过在地心坐标系下对系统进行建模,提出了两种考虑测量噪声的三维空间传感器配准算法:一种基于合作目标,一种基于公共量测。最后通过蒙特卡洛仿真验证了算法的有效性。     

基于机动检测的自适应实时时间配准算法

多传感器航迹数据的时间配准是分布式融合处理的前提之一。在几种常用时间配准算法的对比分析中发现,不同算法仅在某种目标运动模型条件下是最优的,而目前的研究大多采用固定某一种配准方法,难以保证目标复杂机动情况下的配准精度。因此提出基于机动检测的自适应实时时间配准算法。融合中心根据传感器航迹数据估计目标加速度以检测目标运动模型的变化,然后采用当前模型对应最优的时间配准算法。仿真结果表明,该算法能够有效降低整体的时间配准误差,性能优于各单一固定的算法。     

基于机动检测的自适应实时时间配准算法

多传感器航迹数据的时间配准是分布式融合处理的前提之一。在几种常用时间配准算法的对比分析中发现,不同算法仅在某种目标运动模型条件下是最优的,而目前的研究大多采用固定某一种配准方法,难以保证目标复杂机动情况下的配准精度。因此提出基于机动检测的自适应实时时间配准算法。融合中心根据传感器航迹数据估计目标加速度以检测目标运动模型的变化,然后采用当前模型对应最优的时间配准算法。仿真结果表明,该算法能够有效降低整体的时间配准误差,性能优于各单一固定的算法。     

基于NLS的多机只测角误差配准算法

多机无源融合定位中的误差配准是目前多传感器误差配中的难点之一。当无源传感器获得的观测量存在系统误差却不进行配准时,多机融合定位的效果将受到严重影响。针对这一情况,在多机只测角无源定位问题中提出了一种基于非线性最小二乘（NLS）的误差配准算法。该算法将多机只测角误差配准问题转换为非线性最小二乘估计问题,并采用高斯–牛顿法求解,即先将非线性量测方程线性化并采用加权最小二乘进行估计,然后进行迭代直至收敛到最优估计值。仿真结果表明,与EKF配准算法相比,当观测时间足够长时,本文提出的NLS误差配准算法的定位误差可以接近克拉美罗限（CRLB）,并且对系统误差的估计精度非常高。      

基于UKF的组网雷达误差配准方法研究

针对多目标情况下雷达组网的误差配准问题,提出了一种基于不敏卡尔曼滤波(Unscented Kalman Filter,UKF)和最优压缩的系统偏差稳健估计方法。该算法将目标的运动状态和传感器系统偏差组合在同一状态方程中,构建扩维的系统偏差动态方程,接着采用UKF的方法对目标状态和系统偏差进行联合估计。然后通过对多个估计结果的进一步融合,最终得到较高精度的系统偏差估计。仿真结果表明,该算法可以有效地实现多目标情况下的误差配准。     

多传感器误差配准研究

多传感器组网信息融合时,需要对组网中各传感器系统误差进行估计和补偿,以消除各传感器系统误差对融合性能的影响.研究了雷达组网系统误差配准模型,并对最小二乘算法(LS)、广义最小二乘算法(GLS)、递推最小二乘算法(RLS)、修正EX算法等误差配准算法进行对比分析,同时给出了扩维配准模型用于解决多传感器组网配准问题,针对实...     

基于UKF地面雷达网的时空配准方法

为消除地面雷达的系统误差和时间误差,提出了基于Unscented卡尔曼滤波(UKF)的三维空间地面雷达网的时空配准方法。该方法将系统误差、时间误差与目标运动模型组合在一个动态模型中,并用UKF方法进行估计。Monte-Carlo仿真表明:该方法能同时有效地估计雷达的系统误差、时间误差,同时得到目标航迹。     

基于大地坐标的对空超视距目标跟踪研究

在超视距目标跟踪中,由于地球曲率的影响,基于直角坐标建立目标的状态方程和观测方程不再合适。针对这一问题,建立了基于大地坐标的目标状态方程和观测方程,并将Unscented卡尔曼滤波方法(UKF)运用到大地坐标系下的对空目标跟踪中。通过仿真试验,验证了该方法的可行性。     

多传感器配准估计方法与实现

采用地心地固坐标系作为统一坐标系,研究了多传感器组网中的配准估计问题。首先论述了传感器配准的现实意义和传感器偏差的客观来源。随后给出了多传感器配准问题的数学模型描述,并据此给出了配准参数状态矢量。然后利用单目标在不同传感器探测中的量测,在地心地固坐标系下得出偏差方程,采用一阶泰勒展开进行近似,给出各传感器距离、方位角、仰角偏差的线性化公式,并使用最小二乘法估计出各传感器的实时配准参数。最后通过一个Matlab仿真实例,验证了上述方法的有效性。     

极坐标系下UKF双站目标跟踪算法研究

介绍了传统的带多普勒量测信息的双基地目标跟踪模型,提出了采用一组新的状态变量替代原有状态变量,得到了极坐标系下量测方程完全线性化的双基地跟踪模型,并将无迹卡尔曼滤波（UKF）应用于这个非线性系统的目标跟踪。通过仿真实验看出,与同样使用UKF进行跟踪的传统的混合坐标系跟踪模型相比较,极坐标系UKF算法有更好的跟踪性能,收敛快,对噪声有更强的适应能力。     

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.     

用于非线性机动目标跟踪的新型IMM算法

针对在非线性机动目标跟踪中存在的滤波器易发散、机动检测有延迟等问题,把Unscented Kalman Filter(UKF)引进到交互多模型算法(IMM)中,设计了交互多模型UKF滤波器。并利用目标运动模型集概率的相对变化率设计了自适应交互多模型UKF滤波器,最后进行了计算机仿真。蒙特卡罗仿真结果表明,两种滤波算法都具备UKF滤波器精度高、稳定性好、不易发散的优点,同时不需了解目标机动的先验信息,适合于实际应用;并且自适应交互多模型UKF滤波器具有更好的跟踪效果。     

混合卡尔曼滤波在外辐射源雷达目标跟踪中的应用

为了提高无迹卡尔曼滤波(UKF)中误差协方差矩阵的估计精度,该文结合外辐射源雷达目标跟踪模型,提出了一种混合卡尔曼滤波(MKF)算法,首先通过UKF对目标状态进行一次后验估计,然后重新建立一个观测方程,把UKF滤波输出的状态估计值转化为新建观测方程的量测值,并通过线性卡尔曼滤波对状态进行二次最优估计。实验结果表明,与扩展卡尔曼滤波(EKF), UKF相比,MKF明显提高了外辐射源雷达目标跟踪的精度。      

毫米波/红外多传感器融合跟踪算法研究

毫米波/红外(MMW/IR)传感器是各国发展多模复合制导技术的重点.针对平方根无迹卡尔曼滤波(SR-UKF)的估计算法存在线性化误差及粒子滤波中得到优化的重要性密度函数比较困难的问题,将平方根无迹卡尔曼滤波与粒子滤波相结合,提出一种序贯融合的平方根无迹卡尔曼粒子滤波(SRUKPF)算法.利用平方根无迹卡尔曼算法得到的状态更新矩阵和误差协方差矩阵,构造粒子滤波的重要性密度函数,这样重要性密度函数能够融入最新观测信息,进而更加符合真实状态的后验概率分布.为验证算法的有效性,以地空导弹中MMW/IR传感器复合制导为背景进行仿真研究与分析,结果表明,该算法克服了粒子滤波法难以得到优化重要性密度函数的缺陷,能有效提高多传感器系统状态估计的精度     

基于数据链和光电传感器的融合跟踪

数据链是战争中信息互通、资源共享的生命线,研究了基于数据链和光电传感器的融合跟踪方法。根据数据链和光电传感器数据的不同特点,对数据链数据应用改进的交互式当前统计模型滤波外推算法进行时间配准,并根据光电传感器测量角度信息的非线性应用交互式卷积粒子(IMM-CPF)滤波算法进行融合跟踪。使用IMM-CPF和IMM-EKF算法对融合跟踪进行对比仿真,仿真结果表明,使用IMM-CPF算法的数据链和光电传感器的信息融合对目标的跟踪达到了很好的效果。