机动目标跟踪的自适应卡尔曼滤波算法实现

为真实反映目标机动范围与强度的变化,引入了机动目标的“当前”统计模型,提出了一种基于该模型的自适应卡尔曼滤波算法．仿真结果表明,能有效改善在机动目标跟踪中传统的卡尔曼滤波可能出现的发散情况,提高了跟踪的准确性和稳定性．     

模糊自适应机动目标跟踪算法

提出了一种模糊自适应机动目标跟踪算法.该算法首先通过新息进行机动发生与否及强弱的判断,进而由模糊推理系统给出了过程噪声的自适应调整,并提出了通过测量获得测量噪声特性的方法,使得测量噪声方差能准确地反映测量仪器本身的性质和环境的影响.通过仿真实验验证了该算法在目标发生机动时,能自适应调整过程噪声,对机动目标有效地进行跟踪,相比传统的卡尔曼滤波具有更小的跟踪误差.     

固定指数加权模糊自适应EKF研究及其应用

为了改善扩展卡尔曼滤波（EKF）算法在机动目标跟踪中的跟踪性能,文中研究了一种固定指数加权模糊自适应扩展卡尔曼滤波技术,通过监视理论残差和实际残差的协方差一致程度。应用模糊推理系统不断调整滤波协方差,对扩展卡尔曼滤波器（EKF）进行在线自适应控制．最终实现最优估计。仿真结果表明,改进的算法稳定性高,精度得到明显改善．用于弱机动目标跟踪效果较好。     

状态自适应无迹卡尔曼滤波算法及其在水下机动目标跟踪中的应用

为了满足水下对抗对机动目标实时跟踪和目标航速、航向准确估计的要求,针对观测量为距离和方位的机动目标跟踪,对传统无迹卡尔曼滤波（UKF）跟踪算法进行了改善。提出根据UKF算法预测值和观测值残差的概率分布自适应调整目标状态噪声方法,使得UKF跟踪算法能够根据目标运动状态及时调整状态方程,在目标机动时减小对预测值的依赖,在目标非机动时增大对预测值的依赖。这种在线实时估计系统噪声状态的跟踪方法更加适用于机动目标的跟踪。数值仿真结果表明：该算法不仅在目标机动时具有良好的跟踪效果,而且在目标非机动时具有准确的估计性能。通过声纳信息综合处理系统验证了状态自适应UKF跟踪算法的性能。     

基于自适应卡尔曼滤波的环境函数模型修正

为更好地评价制导工具误差,提出一种对环境函数模型修正的方法。利用机动目标跟踪理论和环境函数模型,分别建立了状态方程和观测方程,并利用机动频率自适应算法和偏差协方差自适应算法进行卡尔曼滤波,得到更精确的平台坐标系视加速度。以某型导弹为例,分别用传统环境函数模型和改进后环境函数模型对一段时间内平台坐标系各轴进行了仿真,结果表明该模型有更好的计算结果。     

自适应方差卡尔曼滤波视线角跳变抑制技术

红外成像制导导弹在识别红外诱饵弹前后会产生视线角跳变,引起制导指令突变,降低制导精度。以点源诱饵为对象,建立了视线角跳变模型,研究了视线角跳变的机理。针对视线角跳变引起脱靶量增加的问题,基于以当前统计模型为目标运动形式的传统卡尔曼滤波方法,设计了一种具有自适应方差的卡尔曼滤波器来提取视线角速度。仿真结果表明,在干扰影响下,传统卡尔曼滤波方法输出的视线角和角速度精度较差,具有自适应方差的卡尔曼滤波方法则能大幅提高弹目视线估计精度,提高导弹制导精度。     

模糊自适应α-β-γ滤波及其应用

α-β-γ滤波器在目标机动较大时很难同时满足收敛性和滤波精度的要求,多级组合α-β-γ滤波器虽然精度较高,但对多目标跟踪计算量较大.文中提出模糊自适应α-β-γ滤波,滤波器参数根据滤波残差特性进行模糊调节,较好地解决了滤波精度、收敛性之间和计算量之间的矛盾.仿真结果表明,模糊自适应α-β-γ滤波对目标机动性适应强,跟踪精度高,具有良好的应用前景.     

两阶段卡尔曼滤波自适应交互式多模型算法

对于机动目标跟踪问题,由于目标机动能力的增强,需建立大量模型来逼近真实模式,使建立的目标模型与目标的实际运动适配,但这使计算量增大,而且性能不一定能提高.针对这个问题,将两阶段卡尔曼滤波器与一般的交互式多模型算法相结合,设计了一种自适应交互式多模型算法.该算法采用两阶段卡尔曼估计器估计目标的加速度,然后将其反馈到由多个不同参数构成子滤波器的交互式多模型滤波算法中进行交互式多模型滤波.与自适应半交互式多模型算法进行对比的仿真验证了该算法有效地减少了子滤波器的数量,同时在一定程度上也提高了跟踪的精度.     

自适应卡尔曼滤波的最新进展

对自适应卡尔曼滤波最新发展的几个分支进行了讨论：相关自适应卡尔曼滤波、多模型自适应卡尔曼滤波、基于信息的自适应卡尔曼滤波、神经网络自适应卡尔曼滤波、模糊逻辑自适应卡尔曼滤波,并对它们主要解决的问题及优缺点进行了分析.提出了一种神经网络自适应卡尔曼滤波器,以及自适应卡尔曼滤波器的发展方向.     

MVEKF算法在无源定位中的应用

文中针对新型无源探测系统的要求,提出了多普勒频率变化率和MVEKF相结合的定位算法,并进行了数学建模和仿真分析,结果表明这种算法将在新型无源探测系统中具有很好的应用前景.     

卡尔曼滤波的集结法降阶设计与应用

卡尔曼滤波器的计算负担与其阶数的三次方成比例。在组合导航系统中，导弹等大型系统的高阶数将给导航计算机带来沉重的负担。与采用状态解耦和删除部分状态变量以减少卡尔曼滤波计算量的方法相比．采用集结法进行卡尔曼滤波降阶设计具有应用条件相对简单、可以进行精度损失的评估与补偿的优点。文中采用集结法进行了弹道导弹INS／GNSS／CNS组合导航系统卡尔曼滤波的降阶设计．得到被称为“满意的集结”的简化模型．并完成了仿真运算。     

Kalman滤波在雷达系统中的应用

分析了卡尔曼滤波的原理及方法,给出卡尔曼滤波技术主要解决的典型模型,对卡尔曼滤波自适应技术进行了探讨,将其应用到某型制导雷达目标航迹预测中,将外推航迹与校飞试验航迹数据进行拟合分析,误差很好的落在允许范围内.     

卡尔曼滤波算法在多传感器融合技术中的应用

为了进一步提高测量精度,针对多传感器融合技术和非线性系统的连续-离散卡尔曼滤波算法的研究,提出了一种综合卡尔曼滤波和数据融合算法的优点相结合的估计技术和算法.仿真结果表明在使用连续-离散卡尔曼滤波方法估计的基础上,进一步采用加权融合算法,可以降低系统测量量的噪声干扰,并明显改善传感器测量参数的估计精度,其算法也是递推算法,可以满足实际应用中的实时性要求.     

平方根容积卡尔曼滤波算法及其应用

针对使用扩展卡尔曼算法（extended Kalman filter,EKF）对复杂非线性状态估计时收敛速度慢、估计精度低的问题,提出一种平方根容积滤波算法（square root cubature Kalman filter,SRCKF）。SRCKF使用基于容积原则的数值积分方法直接计算非线性随机函数的均值和方差。该算法实现时只需计算函数值,避免了求导运算,降低了计算复杂度。且该算法传播了状态协方差的平方根,确保了协方差矩阵的对称性和半正定性,改进了数值精度和稳定性。把平方根容积卡尔曼滤波算法（SRCKF）应用到未知弹道系数的再入弹道目标的状态进行估计中。Monte Carlo数值仿真表明,平方根容积滤波算法大大降低了未知弹道系数的再入弹道目标的状态估计误差,提高估计精度,且运行速度较快。     

基于迭代平方根UKF的SLAM算法

针对载体在大范围、多路标特征环境下,应用于SLAM的无迹卡尔曼滤波(unscented Kalman filter,UKF)所产生的Sigma点会逐渐偏离真实状态估计值的问题,提出了迭代测量更新的UKF-SLAM算法。当获得某一时刻观测值后,使用经过更新的状态估计值和协方差重新产生Sigma采样点,并进行UT变换,计算滤波参数。仿真结果表明,与平方根UKF-SLAM算法相比,能将载体状态估计误差在x轴和y轴分别降低约19%和21%,使载体状态估计值更接近真实值,并加快SLAM收敛速度。     

基于CA模型的转换坐标卡尔曼滤波

文中根据雷达对空间中的匀加速运动目标的跟踪要求．在三维空间中采用了转换坐标卡尔曼滤波算法（CMKFA）,通过理论推导证明了当状态方程和测量方程满足一定条件时,转换坐标卡尔曼滤波算法是去偏转换测量值的线性无偏最小方差估计算法。在转换坐标卡尔曼滤波跟踪算法中．球坐标系下互相独立的观测噪声变换到直角坐标系下时将变成相关噪声,在解出此相关噪声的方差后即可按标准的卡尔曼滤波算法对目标进行跟踪．仿真结果显示．该算法收敛迅速,精度可以满足雷达对空间机动目标的跟踪要求。     

基于卡尔曼滤波的无源雷达目标跟踪分析

提出了一种基于卡尔曼滤波的无源雷达目标跟踪方法.利用无源雷达所测得的运动目标的二维不全信息, 根据卡尔曼滤波迭代估算出目标的位置.简要对无源雷达组网中的信息转换和航迹融合问题进行了讨论.对目标的仿真结果表明, 该算法具有良好的跟踪性能.     

基于卡尔曼滤波的陀螺仪阵列技术研究

多个相同型号的陀螺仪测量轴相互平行,测量同一个角速度信号所组成的阵列叫做陀螺阵列。通过研究陀螺阵列提高惯性测量精度的信息处理算法,建立单个微机电（MEMS）陀螺仪的两种不同漂移模型,利用Allan方差对漂移系数进行辨识,将辨识出的随机漂移系数应用于卡尔曼滤波。通过卡尔曼滤波将陀螺阵列的信息融合为一个较高精度的输出,证明了卡尔曼滤波的稳定性。通过实验对比了不同建模方法的优劣,并且验证了基于卡尔曼滤波的信息融合方法可以有效提高MEMS陀螺仪的精度。