基于强跟踪AUKF的目标跟踪算法

针对无迹卡尔曼滤波器在递推过程中不具有对测量条件变化和系统模型不确定性的自适应性,在模型不准确或出现不良测量条件时跟踪效果不佳的问题,提出一种新的目标跟踪算法,即基于改进强跟踪的自适应无迹卡尔曼滤波器(STF-AUKF)。该算法一方面基于自适应滤波的思想,利用新息协方差匹配原理,建立对不良测量具有鲁棒性的自适应UKF;另一方面,依据改进强跟踪滤波的思想,采用时变渐消因子实时调节矩阵增益以此应对模型突变,保证跟踪效果。仿真结果表明,STF-AUKF算法在目标突发机动时仍然具有较好的稳定性和跟踪效果。     

改进UKF算法及其目标跟踪性能研究

研究了Unscented变换的基本原理及UKF算法。为了降低跟踪系统计算的复杂性,在Unscented变换中,通过引入单位矩阵,以简单的数值计算取代复杂的矩阵分解求解矩阵平方根的过程,把UKF改进为FMSRUKF。通过对三维坐标系下作变加速运动目标的跟踪仿真,结果表明FMSRUKF有更好的精度和鲁棒性。     

多运动平台多传感器机动目标自适应跟踪

针对多运动平台多传感器背景下的机动目标跟踪问题,提出了模糊自适应无迹卡尔曼滤波(FUKF)算法,基于良好机动性描述的"当前统计"模型和良好非线性滤波能力的UKF(Unscented Kalman Filter),利用模糊推理技术实时自适应地调整系统噪声协方差矩阵,来提高对目标机动性的理解能力和跟踪精度.仿真实验表明该算法的有效性.     

一种改进粒子滤波目标跟踪算法

使用粒子滤波进行目标跟踪时,是用状态转移概率作为重要性函数,由于没有利用最新的观测信息,使得滤波效果不够理想.针对粒子滤波算法的这一缺陷, 提出了一种改进粒子滤波算法,该算法利用平方根无迹变换获得重要性函数,解决了粒子滤波算法以状态转移概率作为重要性函数的不足,同时保证了滤波过程中的稳定性.理论分析与仿真实例结果均表明,该算法提高了滤波的稳定性和精确性.     

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。     

利用相位差变化率的机载无源定位跟踪改进算法

为解决基于空频域信息的机载无源定位中高精度角速度参数难以获取的问题,论文利用相位差变化率对角速度的放大作用,通过2维相位干涉仪布局建立了一种新的无源定位观测模型,实现了对空中运动目标的定位。针对UKF(Unscented Kalman Filter)滤波中误差协方差矩阵负定导致滤波不稳定的问题,引入平方根UKF滤波算法并进行改进,采用简化球形分布的SSUT(Simplex Spherical distribution Unscented Transform)变换进行Sigma点采样,通过减少采样点个数减小了滤波的计算量。仿真表明:在较低的参数测量精度条件下,新观测模型位置和速度跟踪误差降低,采用改进的平方根UKF算法能够在保证稳定跟踪的同时,提高算法效率。     

基于多渐消因子强跟踪SRUKF的故障参数辨识

为了解决非线性系统中故障参数估计问题,提出多重渐消因子强跟踪平方根无迹卡尔曼滤波(MST-SRUKF)算法。MST-SRUKF将多重渐消因子引入到协方差矩阵平方根中,推导适用于平方根无迹卡尔曼滤波(SRUKF)的渐消因子计算公式,从而实时调整SRUKF中的增益矩阵,保证其对模型存在较大误差或者突变情况下的滤波精度。实验结果表明,相比于SRUKF和强跟踪无迹卡尔曼滤波(STUKF),MST-SRUKF对故障参数具有更高的估计精度。     

SINS静基座初始对准的超球体采样STFUKF算法

初始对准是实现惯性导航高精度的一项关键技术。无迹滤波(UKF)在SINS系统静基座大方位失准角初始对准中计算量大,在不精确或错误的噪声统计情况下,收敛速度变慢,估计精度下降,甚至滤波发散。针对这一问题,将超球体采样与强跟踪无迹滤波(STFUKF)算法相结合,提高了运算速度和对准精度。利用SINS的非线性误差模型,通过数字仿真将卡尔曼滤波、UKF和STFUKF的性能进行比较,证明该方法具有精度高、抗干扰性好、跟踪能力强的特点。     

复合K噪声下机动目标跟踪自适应UPF算法

针对复合K噪声下机动目标跟踪系统具有强非线性非高斯的特点,提出了一种自适应无迹粒子滤波(Adaptive Unscented Particle Filter,AUPF)算法.该算法建立在常加速模型及其改进滤波算法基础上,并将无迹卡尔曼滤波(Unscented Kalman Filter,UKF)与强跟踪滤波(Strong Tracking Filter,STF)算法相结合作为提议分布,提高了系统跟踪一般机动和阶跃机动的能力.在给出复合K噪声模型的基础上,利用AUPF算法对几种典型机动目标进行了计算机仿真,并同无迹粒子滤波(Unscented Particle Filter,UPF)算法进行了比较.仿真结果表明,复合K噪声下AUPF算法能更有效地对各种机动目标进行跟踪,具有较高的跟踪精度.     

健康管理对老年冠心病危险因素治疗及控制率影响

捷联惯导系统(SINS)静基座初始对准中,过高的陀螺噪声不但导致系统状态方程非线性,也会使对失准角的估计不能收敛到真值.因此,提出了一种磁强计辅助对准方法,对系统观测方程的分析证明了该方法不仅可提高滤波精度,同时还可对磁场强度和磁倾角进行估计.非线性滤波采用平方根无迹卡尔曼滤波(SRUKF),SRUKF与无迹卡尔曼滤波(UKF)滤波精度相当,优于扩展卡尔曼滤波(EKF).相比UKF,SRUKF具有更高的计算效率和稳定性.仿真结果表明,该算法在陀螺噪声较高的情况下仍能满足SINS初始对准要求.     

基于强跟踪的平方根不敏卡尔曼滤波器

针对不敏卡尔曼滤波器在递推过程中的数值不稳定性以及系统发生突变时跟踪效果不佳的问题,提出一种新的机动目标自适应跟踪算法——基于强跟踪的平方根不敏卡尔曼滤波器(STF-SRUKF)。该算法一方面基于平方根滤波的思想,在递推过程中采用协方差矩阵的平方根代替协方差矩阵本身,以保证数值计算的稳定性;另一方面,基于强跟踪滤波的思想,在递推过程中引入时变渐消因子,实时调节增益矩阵,以增强目标运动发生突变时的跟踪能力。仿真结果表明,STF-SRUKF算法对于突发机动的目标运动模型具有良好的跟踪效果,而且具有较好的稳定性。     

非线性滤波算法分析及其性能比较

针对目标跟踪实际应用中量测方程非线性对滤波精度和稳定性的影响,重点分析了模型线性化的滤波算法、无迹卡尔曼滤波（UKF）和粒子滤波算法（PF）的基本原理和特点以及适应的条件。仿真试验比较了扩展卡尔曼、无迹卡尔曼和粒子滤波的跟踪效果,结果表明非线性条件下粒子滤波算法优于其它两种滤波算法。     

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     

基于平方根UKF的新型单站无源定位算法

针对单站无源定位可观测性弱,收敛速度慢,定位精度差等问题,在此采用综合利用相位差变化率、多普勒变化率对目标进行定位的方法。在此基础上,将一种新的非线性算法即平方根UKF算法应用单站无源定位中,计算机仿真表明在不同的参数测量精度条件下,新算法稳定性更高,收敛速度更快,定位精度更高。     

基于容积卡尔曼滤波的自适应IMM算法

在目标跟踪中,针对无迹卡尔曼滤波在高维状态下容易出现滤波精度下降甚至发散的问题,提出了一种自适应交互式多模型容积卡尔曼滤波算法。首先,将容积卡尔曼滤波引入到交互式多模型算法中,提高了算法在高维非线性情况下的滤波精度。然后,结合马尔科夫参数自适应思想,在模型概率更新阶段,利用后验信息修正马尔科夫概率转移矩阵,增大匹配模型的转移概率,进一步提高模型之间的切换速度。最后,在目标跟踪仿真中利用"当前"统计模型对算法进行验证,实验结果证明了算法的有效性。     

Direct tracking of noncircular sources for multiple arrays via improved unscented particle filter method

Direct tracking problem of moving noncircular sources for multiple arrays is investigated in this study. Here, we propose an improved unscented particle filter (I-UPF) direct tracking method, which combines system proportional symmetry unscented particle filter and Markov Chain Monte Carlo (MCMC) algorithm. Noncircular sources can extend the dimension of sources matrix, and the direct tracking accuracy is improved. This method uses multiple arrays to receive sources. Firstly, set up a direct tracking model through consecutive time and Doppler information. Subsequently, based on the improved unscented particle filter algorithm, the proposed tracking model is to improve the direct tracking accuracy and reduce computational complexity. Simulation results show that the proposed improved unscented particle filter algorithm for noncircular sources has enhanced tracking accuracy than Markov Chain Monte Carlo unscented particle filter algorithm, Markov Chain Monte Carlo extended Kalman particle filter, and two-step tracking method.     

非高斯噪声情况下多平台机动目标被动跟踪新方法

针对仅有角度测量信息条件下,被动传感器融合目标跟踪问题,提出了扩维UKF滤波算法;并对经典IMM进行改进提出变维IMM算法,利用不同维数模型之间的交互式融合解决对机动目标的跟踪问题;进一步考虑实际情况中往往存在的测量噪声为非高斯情况,引入自适应滤波方法。最终提出变维交互式多模型自适应抗差扩维无迹滤波方法（VDIMM-AAUKF）,成功实现了被动多传感器在高斯和非高斯噪声情况下对机动目标跟踪。仿真实验结果表明该算法跟踪精度高、稳定性好,具有较好的实际应用价值。     

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ATUKF的地面动目标跟踪算法

地面动目标运动速度较小,且运动模型随着道路实时变化,在远距离前提下机载雷达如何对地面动目标进行精确跟踪已成为亟待解决的难题。针对该问题,文中提出了一种自适应转弯无迹滤波算法。首先,通过推导目标位置、速度与转弯率的关系,并将其作为状态变量进行自适应更新,提高了跟踪模型准确性;其次,引入无迹变换的思想,有效减小非线性估计误差。仿真实验表明,所提算法的位置和速度均方根误差均小于传统的Singer和交互式多模型算法,为地面动目标精确跟踪提供了一种新的思路。