基于量测预测联合估计的单站只测角跟踪

提出用于单站只测角系统的修正最佳线性无偏估计(BLUE)滤波器。针对BLUE 滤波器用于雷达目标跟踪时需要完备的非线性观测集合来构建转换量测及单站只测角系统只提供方位观测,无法直接应用普通BLUE滤波器跟踪目标的问题,构造了基于目标状态预测的预测斜距,并在分析预测斜距误差统计特性后,用斜距预测和方位观测组成转换量测,推导出可应用于单站只测角系统的BLUE滤波模型。所提改进算法在性能和运算量上有明显优势,有很好的应用潜力。     

基于转换量测高斯化的三坐标雷达跟踪算法

最佳线性无偏估计（BLUE,Best Linear Unbiased Estimation）滤波用于雷达目标跟踪时,有计算量小,置信度高等优点.但是当互斜距测量误差较大时,BLUE滤波会产生非高斯转换量测,导致跟踪精度降低.为解决此问题,对其量测转换模型进行修正：通过引入方位预测,减小方位误差三角函数的非线性影响,得到准高斯分布的转换量测.分析视线坐标系下BLUE滤波的性能,推导引入方位预测的条件,给出改进算法工作流程.推导三坐标雷达下的滤波模型参数,提出转换量测高斯化水平的评估指标并仿真证明：改进算法的转换量测更逼近高斯分布,因此跟踪性能更好,而计算量只有轻微增加.本算法思想同样适用于其他非线性误差较大的场合,对解决类似问题有借鉴意义.     

集中式BLUE滤波器在组网雷达中的应用

为解决组网雷达对目标跟踪中的量测非线性问题,提出基于最佳线性无偏估计器(BLUE)准则的融合滤波方法。建立以融合中心为原点的组网雷达对目标定位的量测方程,推导出极坐标系与球坐标系下跟踪目标的BLUE滤波模型。理论分析表明,集中式BLUE滤波架构在估计单个雷达量测转换误差统计特性的同时,还估计出雷达间量测转换误差的统计特性。因此,跟踪精度和置信度较分布式BLUE滤波方法有显著提高,计算量较其他算法也有明显优势。不同场景下的仿真分析证明:该方法在不同状态噪声水平下的表现优异,是一种很有竞争力的跟踪算法。     

基于BLUE的雷达/红外异步融合算法研究

多传感器融合是提高态势感知能力的重要手段。为提高探测能力,将雷达和红外传感器组网,各传感器独立工作,在统一调度下,完成探测、跟踪、识别任务。研究该系统的雷达/红外数据融合算法,针对传感器异步探测特点,采用观测驱动的融合跟踪方法：雷达探测到目标时,采用基于状态预测的改进BLUE（Best Linear Unbiased Estimation）滤波,通过方位预测的辅助,减小测角误差非线性效应,提高跟踪性能;红外探测到目标时,基于方位预测和斜距观测,构造新的转换量测模型,实现基于不完备观测的修正BLUE滤波器。理论分析和仿真证明：所述雷达/红外数据融合方法,在不同传感器布局下都具备更优的综合性能,其设计思想可解决其他类似的多传感器融合问题,有较好的应用推广潜力。     

量测转换卡尔曼滤波在塔康导航中的应用

塔康导航系统是一种无线电测角测距系统,结合高程数据可以确定目标的三维位置。由于塔康导航的量测误差较大,导致其对目标位置的估计精度不高。为解决此问题,用基于量测转换的滤波跟踪技术实现非线性量测下的状态估计。针对塔康导航系统量测值的特点,首先在斜距值与高度所在平面内推导出量测转换的误差统计特性,并将其推广到三维空间,进而推导出塔康导航系统中的量测转换模型。基于所推导模型的卡尔曼滤波器用于塔康导航系统中的目标跟踪,取得良好的效果。与经典滤波算法的性能对比表明,由于严格基于量测值推导量测转换误差的统计特性,算法在滤波误差、置信度和计算量上优于其它算法,可在不同量测噪声水平下稳健滤波,有较好的全面性和鲁棒性。      

球坐标系下多普勒雷达目标跟踪滤波器

将仅仅考虑位置量测的三维去偏一致转换量测卡尔曼滤波算法进行推广,以解决包含多普勒量测且斜距和多普勒的量测误差相关的雷达目标跟踪问题。首先利用斜距和多普勒量测的乘积构造伪量测,以减小多普勒量测和目标运动状态之间的强非线性程度;然后利用嵌套条件方法得到了转换量测误差前两阶矩的一致性估计;最后根据转换量测是目标运动状态二次函数的特性,用二阶EKF最优地实现了非线性跟踪滤波。Monte-Carlo仿真结果表明采用新算法可以明显改善跟踪滤波器的性能。     

基于BEM的时变信道估计改进算法

针对参数未知、存在大多普勒频移的时变信道情况,介绍了与之相适应的BEM模型,分析了2种适用于估计BEM模型加权系数的算法,即LS算法和基于迭代的BLUE算法。LS算法简单快捷,其性能不如BLUE算法;BLUE算法因迭代初始值精度不高,在低信噪比时同样存在估计性能差的缺点。提出一种基于BEM模型的时变信道参数估计改进算法,将LS的估计结果作为BLUE的初始迭代值估计BEM模型系数,从而得到更精确的时变信道参数。在典型的时变信道下,以OFDM传输系统为例,对传统BLUE算法和改进后的BLUE算法进行了对比仿真分析。分析结果表明,在低信噪比条件下,相同迭代次数时,改进后的BLUE算法优于传统BLUE算法。     

基于CKF的系统误差与目标状态联合估计算法

针对量测信息中系统误差对目标状态估计精度造成 的不利影响,提出了一种基于容积卡尔曼滤波(CKF)的系统 误差与状态联合估计(JE-CKF)算法。在算法实现中,首先采用状态向量维数扩展方法建立 非线性滤波框架下的系统误差配 准模型,其次根据系统误差配准模型对量测信息中的系统误差进行估计,进而通过对CKF实 现中量测预测值 的修正,改善量测残差中系统误差对滤波精度的影响。理论分析和仿真结果验证了算法的可 行性和有效性。     

一种基于预测值量测转换的卡尔曼滤波跟踪算法

在雷达目标跟踪中,系统量测信息通常在球坐标系下获得。为了采用经典卡尔曼滤波算法实现有效目标跟踪,通常采用量测转换方法将非线性量测信息转换到直角坐标系中。针对传统量测转换方法基于量测值计算转换误差统计特性而导致的估计结果有偏问题,提出了一种基于预测值的量测转换方法,并将其与卡尔曼滤波算法相结合,获得了一种基于预测值量测转换的卡尔曼滤波跟踪算法。仿真结果表明,与现有的基于量测转换的卡尔曼滤波算法相比,该算法能在不提高运算量的情况下有效改善目标跟踪效果,跟踪精度提升约20%。     

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.     

一种改进的机载多普勒雷达目标跟踪算法

针对传统的基于多普勒雷达量测转换的目标跟踪算法只适用于静止雷达的问题,将该算法推广至机载多普勒雷达。在每个递推周期里,首先将机载导航数据转换到东北天坐标系中;然后,将距离量测转换成东北天系下的位置伪量测,由此完成对目标的位置滤波;最后,联合目标位置滤波值及多普勒量测对目标进行运动状态滤波,由此得到目标的位置最终估计值。仿真实验结果表明,改进后算法的跟踪精度优于传统的多普勒雷达目标跟踪算法。     

目标跟踪的转换量测卡尔曼滤波算法性能分析

各种转换量测算法均是基于不同假设条件下对最优解的近似,不同的应用环境可能造成算法完全迥异的性能表现,因此有必要对各种不同的转换量测算法进行统一的分析和比较。文中讨论分析了几种典型的转换量测算法,并通过仿真分析比较了它们在不同环境下的跟踪性能,可信性和运算复杂度。最佳线性无偏估计算法的平均归一化估计误差平方约等于1,是最小均方误差意义下的理论最优估计,其跟踪性能最优。     

基于BLUE与PCRLB的快速雷达资源管理

为提高相控阵雷达资源管理的实时性,提出了一种基于最优线性无偏估计滤波(Best Linear Unbiased Estimation,BLUE)和后验克拉美罗界(Posterior Cramer-Rao Lower Bound,PCRLB)的快速雷达资源管理算法.首先,使用BLUE算法代替传统跟踪滤波算法,完成目标跟踪,并得到目标在直角坐标系下的状态估计;然后,快速计算得到PCRLB作为代价函数,形成雷达资源管理模型;最后,利用该模型对多目标进行波束和驻留时间的分配.仿真结果表明,该算法以BLUE方法进行跟踪滤波,避免了传统PCRLB计算中雅可比矩阵(Jacobian Matrix)的运算,在保持跟踪精度的同时大幅减少运算量;以两步资源管理算法完成对波束、驻留时间的联合管理,合理分配雷达资源.     

视线坐标系带多普勒观测的雷达目标跟踪

雷达观测量与目标状态呈非线性关系,使目标跟踪成为非线性滤波问题,目标状态估计精度与跟踪滤波算法复杂度成了一对不可调和的矛盾。提出了在视线坐标系中建立观测方程,将笛卡尔坐标系中的目标运动方程转换到视线坐标系中,使得雷达观测量尤其是多普勒速度观测与目标状态呈线性关系,并推导得到了该坐标系下的卡尔曼滤波算法,比较了与标准卡尔曼滤波算法的不同。仿真结果表明,该算法不仅能改善跟踪滤波效果,还明显降低了算法复杂度,节省了运算时间。