一种新的星载TDOA/FDOA/AOA联合定位算法

针对双星时频差定位体制在星下轨迹附近区域存在定位盲区的问题,提出一种单星二维干涉仪测向（AOA）与双星到达时差（TDOA）/到达频差（FDOA）联合定位方法。采用更精确的WGS_84地球模型,通过构造子空间基矢量恒等式以及地球表面约束获取联合观测的伪线性定位方程,实现了双星TDOA/FDOA/AOA联合高精度定位。在相同场景下将时频差定位算法和提出的联合定位算法进行比较,仿真结果表明该算法可缓解时频差定位盲区缺陷,星下轨迹附近区域的定位精度可至少提升两倍以上。     

利用外辐射源的TDOA和FDOA目标定位算法

针对单站外辐射源条件下的目标定位问题,提出了一种基于最大似然的时差-频差联合定位算法。首先根据时差和频差的观测方程,构建目标位置和速度的最大似然估计模型。然后采用牛顿迭代算法对最大似然估计模型求解,得到目标位置和速度估计。最后,推导了算法的克拉美罗界和理论误差,并证明了二者相等。仿真结果表明,算法定位精度高于两步加权最小二乘算法和约束总体最小二乘算法,在测量误差较高时仍能达到克拉美罗界。通过对系统几何精度因子图的分析,确定目标及外辐射源数量和位置也是影响定位精度的重要因素。     

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．     

UKF滤波器的强跟踪性研究

与EKF滤波器相比较，UKF滤波器和强跟踪滤波器各自具有不同的特点，在基于计算机视觉的运动人手跟踪系统中往往需要将这些不同的特点相结合，本文揭示了UKF滤波器与强跟踪滤波器之间的关系，研究表明，在线性系统中，UKF滤波器是强跟踪滤波器；在非线性系统中，在一定的条件下，UKF是强跟踪滤波器，本文给出了一个充分条件，最后给出了部分实验结果。     

基于UKF的高斯和滤波算法

介绍了扩展卡尔曼滤波算法和无迹变换（unscented transformation,UT）算法,并对扩展卡尔曼滤波算法（EKF）和无迹卡尔曼滤波算法（UKF）进行比较,阐明了UKF优于EKF。在此基础上,提出了一种基于Unscented变换（UT）的高斯和滤波算法,该算法首先通过合并准则得到适当个数的混合高斯模型,逼近系统中非高斯噪声的概率密度;然后,再通过UT算法进行滤波。最后分别对基于EKF和UKF的滤波方法进行实验,并对实验结果进行比较与分析,验证了算法的有效性和优良性。     

基于多普勒信息的UKF目标跟踪算法

在实际雷达信号应用中,当目标的状态方程和观测方程在不同坐标系下得到时, 对目标状态的估计不再是线性的而是非线性的.为了提高在非线性情况下对目标的跟踪精度,为提高实时性和统计精度,提出了一种基于多普勒信息的UKF(Unscented Kalman Filter)滤波算法,算法是在原有UKF算法所有信息的基础上,引入目标的多普勒信息即径向速度,推导出新的测量模型和相应的滤波算法.应用matlab软件对目标的跟踪轨迹进行仿真,结果表明,引入雷达多普勒测量信息的UKF算法比传统的UKF算法和EKF算法具有更高的估计精度.     

TDOA/AOA混合定位方案中的UKF算法

针对CDMA无线定位系统中的“听力”问题,在CDMA无线系统中建立到达时间差/到达角度(TDOA/AOA)混合定位方案模型。针对常用滤波算法的性能改善问题,提出无迹卡尔曼滤波(UKF)算法解算定位方程,并结合设定环境对算法进行Matlab仿真。与常用EKF算法的比较表明,在TDOA/AOA混合定位方案中,UKF算法具有更好的收敛性和精度。     

基于AUPF的TDOA几何定位跟踪算法研究

使用无源时差（TDOA）定位技术确定无人机等小型辐射源目标的位置是当前研究的热点,针对时差定位算法较为复杂的实际情况,推导了时差双曲线的几何解,并提出了一种基于自适应无迹粒子滤波（AUPF）技术的移动目标定位跟踪方法。通过仿真对该方法在不同场景的应用效果进行了验证,进一步比较分析了算法的定位精度。结果表明,基于自适应无迹粒子滤波的时差几何定位跟踪算法可以在多种情况下较好地拟合出目标真实运动轨迹,实现对运动目标的定位跟踪,同时拥有更低的定位误差和更高的轨迹包容度,使用该方法可以显著提高对非合作移动辐射源目标的位置估计性能。     

基于UKF的闪烁噪声机动目标跟踪

闪烁噪声下的机动目标跟踪是一个非线性非高斯系统滤波问题,传统的卡尔曼理论很难保证其跟踪精度.文中提出了一种基于UKF的闪烁噪声机动目标跟踪算法,首先对目标系统的状态方程进行无味变换,然后再进行滤波估计,以减小跟踪误差.UKF不需要求导,它能比EKF更好地迫近目标运动模型的非线性特性,具有更高的估计精度,计算量却与EKF同阶.在仿真实验中采用"协同转弯模型"作为机动目标的运动模型,雷达的量测方程也是非线性的,分别应用UKF和EKF跟踪闪烁噪声下的机动目标,结果表明,UKF能够较好地解决闪烁噪声下跟踪机动目标的难题,其跟踪精度要远远高于EKF.     

基于UKF滤波的测向定位算法及性能分析

基于传统的The Unscented Kalman Filter(UKF)滤波算法,提出了一种新的改良后的UKF滤波算法.该算法直接选用动态模型中的状态变量,并增加一个再抽样过程,使得计算量更小,实现更简单.将改良后的UKF滤波算法应用到单站无源定位的测向法中,得到优于The extended Kalman Filter(EKF)滤波的定位效果,大大提高了定位精度.计算机仿真实验表明,应用该改进后的UKF算法比以往EKF类算法在滤波性能上有明显的提高.但是由于测向法自身的局限性,即使应用改良后的UKF滤波,当方位角逐渐增大时,测向法的定位效果仍然会严重恶化.因此,所提出的新UKF算法适合在非线性估计等问题中广泛应用,但对于单站无源定位,则应探究更优越的定位算法来代替测向法.     

数字地图辅助的双星时差频差联合定位方法

针对双星时差、频差联合定位精度受高程误差影响较大问题,提出了一种数字地图辅助的定位方法。在推导出初始定位算法的基础上,引入三维数字地图以降低零高程假设导致的定位误差,并给出了该方法的定位误差的理论表达式,仿真结果表明了该方法的有效性。     

一种基于互模糊函数分段相干累加的TDOA/FDOA参数快速估计算法

针对传统互模糊函数算法对TDOA/FDOA参数估算运算量大的问题,提出了一种分段近似并相干累加的互模糊函数计算方法。该方法利用“相位校正项”对互模糊函数进行分段处理,并对分段后的互模糊函数采取近似,从而实现快速计算。相比传统的互模糊函数计算过程,该方法从分段和近似两个方面对计算速度进行提升。文章在相同采样条件下对传统算法和所提出快速算法进行了对比,仿真结果表明该算法能较大程度节省计算量,减少计算时间超过十倍。     

基于UKF区域交叉定位的WSNs Sink节点动态跟踪算法

为了提高无线传感器网络（ WSNs）使用寿命,对WSNs的目标跟踪方式进行研究,提出基于无迹Kalman滤波（ UKF）的WSNs Sink节点动态跟踪算法,以实现高效节能的资源管理和利用方式。首先利用UKF算法对目标节点的下一位置进行预测,然后通过四圆区域定位交叉定位算法对Sink节点的位置区域进行局部准确定位。实验结果表明：这种动态的Sink节点预测定位算法能够有效缩短数据发射传感器和Sink点之间的距离,减少跳数,从而实现负载均衡降低能耗的效果。     

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.     

跟踪机动目标的自适应记忆长度反向滤波算法

本文着重讨论了卡尔曼滤波在机动目标跟踪问题上的应用,提出了反向滤波、反向检测概念,并在此基础上给了一种新的机动目标跟踪算法,即自适应记忆长度反向滤波算法。另外,本文还给出了由速度误差稳态方差确定过程噪声方差的解析表达式。     

基于TDOA定位算法的模糊解消除方法

本文提出了一种消除TDOA定位算法模糊解的方法--循环主站法。该方法可以大大减少因为定位的模糊性、得不到合理解而重新进行定位测量的次数,这有利于节约系统资源,提高定位效率。仿真实验证明了该方法的有效性。     

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。     

基于联合特征的边缘粒子滤波目标跟踪算法研究

针对采用单一特征建立的动态空间模型与实际系统差距较大,从而使估计误差增加的问题,通过将系统的状态参数引入颜色特征模型中,与颜色特征参数一起构成系统状态空间向量,提出了一种联合颜色状态特征的优化目标跟踪算法.应用Rao-Blackwellization算法思想,由Kalman线性滤波方法解析处理线性的颜色特征转移和更新过程;而目标位置参数采用粒子滤波进行估计,提高了视频目标跟踪的精度和实时性.通过与其他相似算法的比较实验结果可以看出,算法在环境亮度发生变化、目标遮挡等情况下,仍能够保持较高的跟踪精度,既提高了跟踪系统的鲁棒性,又保证了算法的实时性,优于传统的单一特征视频跟踪算法.     

基于UKF的窗口自适应Mean-Shift算法

传统的Mean-Shift跟踪算法窗口固定,不能对尺度任意变化的目标进行有效跟踪.为此,提出一种多尺度理论与无味卡尔曼滤波器(UKF)相结合的视频跟踪改进算法.利用多尺度理论统计跟踪窗内的信息量,使用UKF对得到的信息量进行预测,通过修正后的信息量计算窗口变化比例系数,对尺度任意变化的目标进行跟踪.实验结果证明,该算法...