高斯和高阶无迹卡尔曼滤波算法

为了提高非线性变换的近似精度,提出了一种高阶无迹变换（High order Unscented Transform,HUT）机制,利用HUT确定采样点并进行数值积分去近似状态的后验概率密度函数,建立了高阶无迹卡尔曼滤波（High-order Unscented Kalman Filter,HUKF）算法.进一步的为了解决非线性、非高斯系统的状态估计问题,将HUKF与高斯和滤波（Gaussian Sum Filter,GSF）相结合,提出了一种高斯和高阶无迹卡尔曼滤波算法（Gaussian Sum High order Unscented Kalman filter,GS-HUKF）,该算法的核心思想是利用一组高斯分布的和去近似状态的后验概率密度,同时针对每一个高斯分布采用高阶无迹卡尔曼滤波算法进行估计.数值仿真实验结果表明,提出的HUT机制与普通的无迹变换（Unscented Transform,UT）相比,具有更高的近似精度;提出的GS-HUKF与传统的GSF以及高斯和粒子滤波器（Gaussian Sum Particle Filter,GS-PF）相比,兼容了二者的优点,即具有计算复杂度低和估计精度高的特性.     

基于高斯和均方根容积卡尔曼滤波的姿态角辅助目标跟踪算法

根据目标2维运动速度与姿态角的关系,该文提出一种姿态角辅助目标跟踪算法。在目标运动学基础上建立状态向量中包含姿态角的跟踪模型,实现姿态角对目标跟踪的辅助;针对基于模板匹配姿态角量测的噪声为非高斯情况,将均方根容积卡尔曼滤波引入到高斯和滤波框架下,提出新的高斯和均方根容积卡尔曼滤波算法,提高非线性非高斯处理能力,同时结合目标运动中姿态角的变化规律,建立姿态角分量不同的跟踪模型,通过模型切换实现机动姿态角的滤波。算法对姿态角量测进行滤波,同时实现了姿态角信息与位置信息的有效融合。仿真结果验证了该算法的有效性和正确性。     

非高斯噪声下的信号检测算法与性能分析

为改善非高斯背景噪声下的信号检测性能,提出了采用非线性阈值系统的信号检测算法.该算法首先利用阈值系统对接收信号进行预处理,其次采用最小平均错误概率准则对预处理后的信号进行检测,最后推导了所提检测算法的误码率解析表达式并给出仿真验证.理论分析和仿真结果表明:在高斯背景噪声下,线性最佳检测算法的检测性能优于所提检测算法;在非高斯背景噪声下,所提检测算法的检测性能较线性最佳检测算法有显著提升.     

基于扩展卡尔曼滤波的非视距误差消除算法

在蜂窝网无线定位中,到达时间(TOA)或到达时间差(TDOA)中的非视距(NLOS)误差会导致移动台的位置估计出现较大偏差.为了减轻NLOS误差的影响,提出了一种基于扩展卡尔曼滤波(EKF)的非视距误差消除算法.算法通过引入一个NLOS转换因子改进EKF的迭代过程,消除NLOS误差对定位估计的影响.计算机仿真结果表明,在NLOS环境下定位精度的提高是显著的.     

基于高斯和的二阶扩展卡尔曼滤波算法

传统的扩展卡尔曼滤波算法在传感器的信号监测和处理中,存在着动态环境校准困难和信号突变收敛速度慢的问题。针对该问题,结合二阶泰勒展开式和高斯和,提出了基于高斯和的二阶扩展卡尔曼滤波算法。该算法首先将初始状态、过程和量测噪声一起近似为高斯和,接着利用二阶扩展卡尔曼滤波算法中的状态预测和状态更新方程对每个高斯项进行预测和更新。为了避免高斯项的过度冗余,采用了剪枝的思想。文中通过仿真实验证明了算法的有效性,实验表明,该算法不但能提高信号突变的收敛速度0.1μs,而且能在动态环境中提高滤波估计的准确度和可靠性。     

鲁棒的高斯和容积卡尔曼滤波红外目标跟踪算法

为提高恶劣测量环境下单站红外搜索与跟踪系统的跟踪性能,提出了一种鲁棒的高斯和容积卡尔曼滤波算法.首先,为改善滤波初值模糊问题,在容积卡尔曼滤波框架下将滤波器分为若干不同初值的子滤波器,利用似然函数逐步减小初值偏差较大的子滤波器权值;其次构建非线性程度判别量,在高非线性情况下将预测密度沿最大特征向量方向进行分割,提高滤波精度;最后利用等价权函数改善新息协方差,减小异常误差对滤波准确性和稳定性造成的影响.实验结果表明,不存在异常误差时,所提算法跟踪结果优于传统算法;存在异常误差时,传统滤波方法的精度明显降低,而所提算法依然能够得到准确可靠的跟踪结果.     

非高斯噪声下的滤波算法跟踪低空目标

雷达跟踪低空目标 ,由于多径效应的影响 ,在俯仰角测量上会近似周期地出现方差很大的尖峰误差 ,这时应用卡尔曼滤波算法会导致较大的跟踪误差。文中近似地建立了多径条件下观测噪声的非高斯模型 ,并应用非高斯噪声下的滤波算法跟踪低空目标 ,通过计算机仿真得到了满意的结果     

非高斯海杂波背景最优相干检测性能分析

非高斯海杂波背景下雷达目标检测一直是研究的重点。海杂波分布参数形式的多样化使得检测器对杂波平均功率的恒虚警特性无法保证,因此文中对描述非高斯海杂波的K分布、广义Pareto分布和逆高斯纹理复合高斯分布的参数形式进行了规范化,得到了规范化后的三种杂波分布对应的最优相干检测器。理论分析和实验验证了三个自适应检测器分别对杂波平均功率、目标多普勒频率和散斑协方差矩阵具有恒虚警特性。仿真实验表明:散斑协方差矩阵估计方法和辅助数据的数量均影响着自适应检测器的检测概率和虚警概率。     

基于改进高斯核函数的雷达高分辨距离像目标识别算法研究

针对支持向量机的核函数选择问题,在保形变换方法的基础上,分析了确定数据分布特征的重要性,给出了判断数据呈高斯分布的方法。利用支持向量机的高斯核函数,提出一种基于改进的高斯核函数雷达目标高分辨距离像的研究方法。该方法对SVM的高斯核函数进行改进,并进行核函数选择。通过改进的高斯核函数与多项式核函数进行比较,在Matlab环境下采用两种方法对高分辨距离像进行仿真,仿真方法验证并改进了高斯核函数的有效性。     

基于EM算法的非高斯噪声参数估计

EM算法是一种从＂不完全数据＂中求解模型参数的极大似然估计的方法,在非高斯噪声的参数估计问题中是一种比较优秀的算法。非高斯噪声的参数估计问题的主要困难是充分统计量是不存在的,这意味着从观测空间到估计空间的映射依赖于这里试图估计的参数。在未知噪声概率密度的情况下,EM算法可以更准确地对非高斯噪声参数进行估计,估计方差接近C-R下界。     

单雷达航迹滤波与卡尔曼滤波算法

单雷达数据处理在民航空管自动化系统中起到基础性的作用,其航迹质量直接关系着自动化系统的准确性和可靠性。航迹状态滤波是单雷达数据处理中的难点,是实现平滑、稳定航迹的关键。本文以航迹状态滤波算法为切入点,介绍了广泛应用于自动化系统中的卡尔曼滤波算法。     

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。     

三坐标卡尔曼滤波及外推算法

主要介绍边扫描边跟踪(TWS)体制雷达中经常使用的卡尔曼滤波原理和卡尔曼一步预测算法,并推导了三坐标卡尔曼滤波与外推公式.     

一种新型自适应卡尔曼滤波算法

主要完成卡尔曼滤波在准连续波雷达数据处理(距离和速度)中算法应用研究,实现一种新型自适应卡尔曼滤波算法.通过计算机仿真,该算法能够适应不同的机动目标,并对测量数据中的有色噪声有较强的抑制作用,满足实时要求,提高雷达测量精度.     

一种快速Kalman滤波算法实现及效果评估

该文介绍了一种新的快速Kalman滤波算法实现方法。对于某些不能够采取离线计算的滤波过程来说,它可以在保证一定精度的同时极大地提高计算速度和减少计算占用资源。文中以仿真实验的跟踪数据做出了对比仿真。     

Kalman滤波算法在被动跟踪中的应用

研究卡尔曼滤波算法在被动跟踪系统中的应用。采用滤波与控制相分离的方法,设计卡尔曼滤波器,推导了相应的扩展卡尔曼滤波公式,并利用获取的实测数据,对卡尔曼滤波算法进行了性能仿真。结果表明,滤波算法滤波效果明显,平均耗时约1.5ms,可以用于被动跟踪系统中信号的实时处理。     

Kalman 滤波方法在雷达视频脉冲信号分选中的分析与应用

论述使用Kalman滤波方法对雷达视频脉冲列进行分析和去交错,分析了Kalman滤波方法中随机抖动噪声和测量系统中的噪声对滤波结果的影响,并对结果进行了计算机仿真,同时给出了一种应用方法。     

新型自适应Kalman滤波算法及其应用

为防止滤波发散和提高系统的实时性,提出了一种新的自适应Kalman滤波算法.该算法利用滤波异常判据获得一个滤波状态因子,通过滤波状态因子确定量测噪声协方差阵的值,在线调整噪声的统计特性实现自适应滤波.将该算法应用到惯导/双星组合导航系统中,并和常规Kalman滤波和简化的Sage-Husa自适应滤波算法进行仿真比较.仿真结果表明,在滤波精度与简化Sage-Husa自适应滤波相当的情况下,新算法简化了运算,提高了实时性.     

区间卡尔曼滤波算法在参数估计中的应用

卡尔曼滤波算法除了用于动态系统的状态估计外,还可以用于动态系统参数的在线估计．特别是时变参数的估计。传统卡尔曼滤波算法在系统参数不确切已知或随时间变化时将无法直接应用。在区间分析的基础上,通过将不确定系统建成区间模型,在其他假设条件与标准卡尔曼滤波相同的前提下,分析了一种处理系统参数不确定性的区间卡尔曼滤波算法,并对其在参数估计方面的应用进行了探讨。