区间量测下基于无迹变换的伯努利粒子滤波算法

针对区间量测下目标的实时检测与跟踪问题,提出基于无迹变换的伯努利粒子滤波算法(Bernoulli- Upf).该算法在伯努利粒子滤波算法(Bernoulli-pf)的基础上融合无迹卡尔曼滤波(UKF),融合后的算法在预测步骤产生持续存活粒子时,充分考虑到当前时刻的量测,从而引导粒子向高似然区域移动,使得粒子分布更加接近真实状态的后验分布.仿真实验表明,Bernoulli-Upf算法的估计精度优于Bernoulli-pf算法.     

基于加性无迹卡尔曼滤波的雷达目标跟踪方法

提出一种基于加性无迹卡尔曼滤波的雷达目标跟踪方法。雷达跟踪系统为离散非线性系统,传统的解决方法是使用扩展卡尔曼滤波。无迹卡尔曼滤波用少量采样点表示随机变量的分布,通过非线性系统传播,能以三阶精度获得非线性变换的均值和方差的估计。用无迹卡尔曼滤波进行雷达目标跟踪。通过Monte Carlo仿真,验证了该滤波算法比传统的扩展卡尔曼滤波具有更高的滤波精度。     

基于序贯无迹卡尔曼滤波的雷达目标跟踪方法

提出一种基于序贯无迹卡尔曼滤波的雷达目标跟踪方法。雷达跟踪系统为离散非线性系统,传统的解决方法是使用扩展卡尔曼滤波。无迹卡尔曼滤波用少量采样点表示随机变量的分布,通过非线性系统传播,能以三阶精度获得非线性变换的均值和方差的估计。为了提高无迹卡尔曼滤波的精度,用序贯无迹卡尔曼滤波方法依次处理方位角、俯仰角和距离,来进行雷达目标跟踪。通过Monte Carlo仿真,验证了该滤波算法比传统的扩展卡尔曼滤波具有更高的滤波精度和更高的计算效率。     

卡尔曼滤波系统和量测噪声自适应估计的关联性

卡尔曼滤波是惯导系统(INS)/GPS组合导航的主要算法之一,Sage-Husa算法是在卡尔曼滤波基础上,为减少系统噪声和量测噪声的不确定性对误差估计的影响而采用的自适应估计方法.对Sage-Husa算法提出了4条改进措施;并通过在3种数据扰动情形下的仿真计算发现,只对一类噪声做自适应估计更容易产生较大的偏差,对系统噪声和量测噪声两类噪声同时做自适应估计,其效果要优于只对一类噪声做自适应估计,把此现象定义为卡尔曼滤波的系统和量测噪声自适应估计的关联性.这个结果不同于一些文献的观点.此项研究对自适应卡尔曼滤波在INS/GPS组合导航的工程化应用有较高的实用价值.     

基于转换量测容积卡尔曼滤波器带多普勒量测的目标跟踪算法

针对带多普勒量测的目标跟踪问题,提出一种基于转换量测容积卡尔曼滤波器的序贯滤波目标跟踪算法.对具有量测误差相关性的距离和多普勒量测进行解相关处理,构造出新的解相关量测方程,进而基于贝叶斯方法提出带多普勒量测的序贯处理算法的统一理论框架,实现对位置量测和多普勒量测的序贯滤波.在该理论框架下,提出基于转换量测容积卡尔曼滤波...     

基于修正加权矩阵的3维解耦无偏量测转换交互式多模型算法

为解决使用正规变换方法解耦高维耦合运动模型进行机动目标跟踪造成各坐标轴估计结果相互影响的问题,提出了一种改进的解耦方法.首先给出了基于卡尔曼滤波预测量的3维无偏量测补偿系数和转换量测方差表达式.然后在正规变换的基础上,详细给出了构造修正加权矩阵的改进解耦方法.最后结合交互式多模型算法进行了仿真实验,结果表明该方法能够在减少计算量的同时,消除各坐标轴向估计结果之间的相互影响,有利于交互式多模型算法的分析和使用.     

基于无偏估计的不敏卡尔曼滤波方法

传统不敏卡尔曼滤波方法(UKF)在对极-直角坐标变换中的误差进行分析时,采用了线性近似的简单方式。当量测方位误差较大时,无法准确估计出实际的直角坐标位置与误差协方差矩阵。针对该问题,本文提出了基于无偏估计的UKF(UKF-U),以抑制方位误差对估计结果的影响。仿真实验结果表明,本文方法可有效降低方位误差影响,提升目标跟踪的定位精度。     

基于和声差分进化的UKF改进算法

无迹卡尔曼滤波(UKF)被广泛应用于工程实际中,但传统UKF在滤波过程进行无迹变换(UT)时的待选参数为固定值,这会带来一定误差.为了获取最优的待选参数,提出基于和声差分进化(HSDE)的UKF改进算法,并在目标跟踪中对该算法进行应用.和声差分进化算法对待选参数kappa进行最优选择,跳出局部最优的现象还有很强的收敛性,通过改进可进一步提高UKF算法滤波精度.Matlab仿真结果表明,基于和声差分进化的UKF改进算法精度更高.     

双层无迹卡尔曼滤波

针对无迹卡尔曼滤波（Unscented Kalman fllter,UKF）在强非线性系统中估计效果差的问题,提出了双层无迹卡尔曼滤波（Double layer unscented Kalman filter,DLUKF）算法,该算法用带权值的采样点表征先验分布,而后用内层UKF算法对每个采样点进行更新,最后引入外层UKF算法的更新机制得到估计值和估计协方差.仿真结果表明,相比于传统算法,所提的DLUKF算法可以在较低计算负载下获得较高滤波估计精度.     

基于量测迭代更新集合卡尔曼滤波的机动目标跟踪算法

在机动目标跟踪中,用于模型辨识和状态估计的非线性滤波器的合理选择和优化是提升滤波精度的关键.融合量测迭代更新集合卡尔曼滤波和交互式多模型(interacting multiple models,IMM)方法,本文提出了基于量测迭代更新集合卡尔曼滤波的机动目标跟踪算法.通过迭代更新思想的引入构建了一种量测迭代更新下集合卡尔曼滤波的实现结构,并将其作为IMM的模型滤波器实现对于目标运动模式和状态的辨识与估计.针对算法结合过程中滤波精度和计算量的平衡,设计了用于输入交互环节的状态估计样本,同时简化输入交互环节和输出交互环节中滤波误差协方差矩阵的交互过程.理论分析和仿真结果验证了算法的可行性和有效性.     

基于UKF的超视距雷达跟踪算法研究

天波超视距雷达跟踪目标时电磁波是通过电离层的折射传播的,因而导致在地理坐标系下的量测方程中存在强非线性,而采用传统的EKF（Extended Kalman Filter）实现的跟踪算法,在非线性方程的线性化中舍去了含强非线性的二阶以上的高阶项,导致目标的跟踪精度较低;提出采用UKF（Unscented Kalman Filter）方法处理超视距雷达系统在跟踪算法中的强非线性问题.UKF算法有效降低了非线性方程中的舍入误差,可确保三阶以上的精度.仿真结果表明UKF滤波算法较EKF算法提高估计精度.     

基于粒子滤波的机动目标跟踪算法仿真研究

针对非线性多目标模型,应用粒子滤波算法,这种方法不受模型线性和Gauss假设的约束,是一种处理非线性非高斯动态系统状态递推估计的有效算法。在粒子滤波的基础上融合扩展卡尔曼滤波算法和无迹卡尔曼滤波算法。融合后的新算法在计算提议概率密度分布时,粒子的产生充分考虑当前时刻的量测,使得粒子的分布更加接近状态的后验概率分布,再用平滑算法处理滤波的结果。仿真结果表明,算法有较好的跟踪效果。     

一种基于改进UKF的3D人手跟踪算法

将手指作为基本处理对象,对UKF（unscented Kalman filter）算法进行改进,并利用它对当前手指各关节进行预测;以预测值作为初值,用局部搜索技术对误差较大的关节用改进的UKF算法重新进行预测,直到该手指在像平面上的投影轮廓和图像轮廓之间的距离图满足指定的精度为止．该算法以状态变量量测值的获取作为突破口,解决现有算法中跟踪精度过分依赖于3D人手模型精度的问题．实验结果表明,该算法具有较强的处理局部自遮挡问题能力,对3D人手模型的不精确性也具有更好的鲁棒性．     

自适应UKF算法在目标跟踪中的应用

针对目标跟踪中系统噪声统计特性未知导致滤波发散或者滤波精度不高的问题, 提出了一种自适应无迹卡尔曼滤波(Unscented Kalman filter, UKF)算法.该算法在滤波过程中,利用改进的Sage-Husa估 计器在线估计未知系统噪声的统计特性,并对滤波发散的情况进行判断和抑制, 有效提高了滤波的数值稳定性,减小了状态估计误差. 仿真实验结果表明,与标准UKF算法相比,自适应UKF算法明显改善了目标跟踪的精度和稳定性.     

带非线性约束的自适应高斯和卡尔曼滤波目标跟踪算法

无线传感网络中运动目标状态通常满足某种非线性状态约束,为了提高对传感网络中运动目标的跟踪精度,降低非高斯噪声对状态估计的影响,避免高斯项数在迭代过程中的冗余累积,提出一种带非线性约束的权值自适应高斯和卡尔曼滤波算法.算法在每个时刻计算目标当前状态的高斯子项集合,并对每个高斯子项分别以无迹卡尔曼滤波进行状态估计.设计了一种高斯子项权值自适应策略动态调节子项权值,以实现无约束状态下的全局估计.将目标的非线性状态约束引入滤波器结构中时,考虑将其看作一类无约束状态估计的约束投影问题,通过状态约束信息先验来修正运动目标的状态估计.仿真结果表明,该算法与目前的非线性约束卡尔曼滤波相比具有更高的跟踪精度.     

基于UKF的高动态GPS载波跟踪

在高动态环境下,传统的GPS载波跟踪环无法保证可靠的跟踪．本文提出一种改进的基于无迹卡尔曼滤波的高动态载波跟踪方法,采用频率快速牵引方法来保证滤波快速收敛,并加入了一种载波幅度的估计方法．利用美国喷气推进实验室高动态载体模型对环路的跟踪性能进行了测试．测试结果表明,该方法在高动态环境下不仅能快速牵入和锁定载波信号,而且在高达lOOg／s的加加速度作用过程中也能持续精确的跟踪．     

基于PF和UKF的水下目标运动估计方法研究

针对无人水下航行器（UUV）目标跟踪控制需求,分别提出了水下目标的粒子滤波（PF）和无迹卡尔曼滤波（UKF）运动估计方法,建立了目标运动参考坐标系,给出了坐标系之间转换基本方法;设计了建立了目标的典型运动模型和非线性随机运动模型,利用前视声呐实测实验数据,完成水下目标运动估计。通过与扩展卡尔曼滤波器（EKF）的目标运动估计对比仿真实验,验证了PF和UKF两种目标运动估计方法的有效性。     

基于UKF的两轮自平衡机器人姿态最优估计研究

针对扩展卡尔曼滤波器(EKF)设计困难并且容易发散的问题,提出基于采样卡尔曼滤波(UKF)的方法解决滤波器设计及收敛问题,并补偿低成本的惯性传感器陀螺仪和加速度计的误差,从而得到机器人姿态的最优估计．将滤波后的模型应用到两轮自平衡机器人系统,实验结果表明UKF参数设计简单,姿态估计误差小于EKF,方差估计优于EKF,估计精度、计算量基本与EKF相当．因此,UKF能够满足两轮自平衡机器人快速机动过程中的实时姿态估计要求．     

导弹跟踪中的卡尔曼与不敏卡尔曼滤波

卡尔曼滤波是在线性高斯情况下利用最小均方误差准则获得目标的动态估计,但在实际系统中,许多情况下观测数据与目标动态参数间的关系是非线性的。对于非线性滤波问题,至今尚未得到完善的解法。本文采用了两种方法来进行滤波:一种是将观测变量进行坐标系变化,使量测方程线性化,然后直接进行线性卡尔曼滤波;另一种方法是直接采用非线性滤波方法的不敏卡尔曼滤波。对仿真导弹轨迹的仿真结果显示,第一种方法在本系统中优于第二种方法。