基于S-D分配的集中式多传感器不敏滤波算法

研究了非线性环境中的集中式多传感器多目标跟踪问题,提出了一种基于S-D分配的集中式多传感器不敏滤波算法。算法通过广义S-D分配技术实现每个传感器中的量测与目标的数据关联,求得所有可能互联中的最佳划分,然后按照顺序多传感器联合概率数据互联算法,依次处理最佳划分中各传感器源于同一目标的量测,在此基础上通过不敏卡尔曼滤波(UKF)解决非线性系统中的目标跟踪问题。最后给出了该算法与MSJPDA/EKF算法的仿真比较,结果表明该算法具有更高的稳定性和跟踪精度。     

纯测角无源定位跟踪算法研究

研究了纯测角无源定位跟踪技术的特点,建立了双传感器观测的纯测角修正增益扩展卡尔曼滤波算法（modified gain extended Kalman filter,MGEKF）。为克服MGEKF算法中非线性滤波效果差的缺点,进一步提出了基于测角量无迹变换的卡尔曼滤波算法（observing angle unscented transformed Kalmanfilter,OAUKF）。通过实验仿真分析,比较了目标在弱机动和强机动的条件下MGEKF算法和OAUKF算法的跟踪效果。结果表明,后者能无偏且更加有效地实现目标的跟踪。     

基于RK-UKF算法的再入目标质阻比估计

针对再入目标质阻比实时估计的问题,根据目标的三维再入运动模型及量测模型,提出了一种基于龙格-库塔（Runge-Kutta）积分的不敏卡尔曼滤波（UKF）算法（RK-UKF）的再入目标质阻比估计方法,给出了RK-UKF算法与扩展卡尔曼滤波（EKF）算法和不敏卡尔曼滤波算法的仿真比较.仿真结果表明,RK-UKF算法可实现对再入目标的高精度跟踪和其质阻比快速稳定的估计.     

基于优化无迹Kalman滤波的电网动态谐波估计

提出一种基于粒子群优化的无迹卡尔曼滤波(particle swarm optimized unscented Kalman filter,PSOUKF)的电网动态谐波估计方法,利用包含种群分类与动态学习因子的改进粒子群优化算法,优化无迹卡尔曼滤波算法(unscented Kalman filter,UKF)的状态噪声协方差和观测噪声协方差,使系统噪声对电网动态谐波估计结果的影响得到充分考虑,克服了传统UKF算法将这两种方差视为常数导致的动态谐波估计精度低的缺陷.仿真结果表明,PSOKUF算法比卡尔曼滤波(Kalman filter,KF)算法和传统的UKF算法更有效,在没有增加计算复杂度的情况下,能够提高动态谐波估计精度.     

EKF和UKF在非线性组合导航系统中的对比研究

采用组合导航系统在对目标的位置、航向进行测量时,其状态模型和观测模型中存在非线性问题,采用基于EKF和UKF的非线性滤波算法以改善传统Kalman滤波的估计精度,并保证算法收敛性.通过建立组合导航的状态方程和量测方程,分别采用EKF和UKF对状态方程中的非线性部分进行离散化,仿真实验结果表明,采用基于UKF的非线性导航算法能有效提高导航位置精度和系统稳定性.     

一种基于UKF的AUV移动声学网络协同导航方法

针对扩展卡尔曼滤波(EKF)在自主水下航行器(AUV)移动声学网络协同导航中,存在强非线性观测方程条件下线性化误差大、计算复杂等缺点,文章提出一种基于无迹卡尔曼滤波(UKF)的AUV移动声学网络协同导航方法.利用移动长基线原理和UKF方法,建立基于UKF的协同导航滤波算法,并通过仿真实验与传统的EKF协同导航算法进行对比.仿真结果表明,基于UKF的协同导航算法能明显减小导航定位误差,在导航精度上优于EKF方法,是AUV协同导航中一种更加简单有效的导航滤波方法.     

基于无迹粒子滤波的电网动态谐波估计

提出一种基于无迹粒子滤波(unscented particle filter,UPF)算法的电网动态谐波估计方法.通过无迹卡尔曼滤波算法得到电网动态谐波状态量的估计值和协方差,运用这些结果改进传统粒子滤波算法的重要密度函数,采用粒子滤波算法得到电网动态谐波的最优估计值.该方法克服了无迹卡尔曼滤波算法(unscented Kalman filter,UKF)对噪声要求为高斯分布的限制和传统粒子滤波(particle filter,PF)算法易退化的缺点,保留了UKF对非线性问题的较好处理和PF强抗干扰性能力.仿真结果表明,在高斯噪声和非高斯噪声情况下,UPF算法得到的电网动态谐波幅值、相位的估计值都更接近真实值.     

时间偏差校准分布式多传感器多目标跟踪算法

由于信号处理、量测采集延时等原因,导致多传感器系统中存在量测时间戳不准确,即量测时间偏差。针对量测存在时间偏差的分布式多传感器系统,提出一种时间偏差校准分布式多传感器多目标跟踪算法。在局部处理器,针对传感器量测存在虚警和漏检的情况,基于联合概率数据关联(JPDA)和扩展卡尔曼滤波(EKF)算法进行多目标跟踪,估计出存在时间偏差的局部航迹。在全局处理器,针对局部航迹时间偏差导致全局航迹精度下降的问题,首先,采用逆卡尔曼滤波基于局部航迹构造等效量测,针对匀速直线运动目标,推导出相对时间偏差伪量测方程并给出计算方法;然后,提出一种基于伪量测的相对时间偏差估计算法,采用递推最小二乘估计与卡尔曼滤波在空域及时域实现了相对时间偏差的联合估计;最后,设计一个时间偏差校准分布式多传感器多目标跟踪架构,联合进行时变时间偏差估计与补偿、"等效量测-全局航迹"关联和全局航迹更新。虚警和漏检下的多传感器多目标跟踪仿真结果表明:量测存在时间偏差情况下,所提算法可以有效提高融合后的全局航迹精度。     

基于扩展卡尔曼滤波的无人机航姿算法

针对小型无人机在大机动或连续飞行时姿态解算精度低的问题,提出了一种基于扩展卡尔曼滤波(Extended Kalman Filter, EKF)的航姿算法。该算法以机体系加速度分量与陀螺漂移作为待估状态量,建立了非线性滤波模型,在对传感器量测值预处理的基础上完成数据融合,获得了姿态角数据的准确输出,同时,根据外部运动加速度的大小不断调整噪声协方差以达到对EKF的自适应修正,从而抑制无人机航姿解算中磁干扰的影响。经三轴转台实验测试,姿态角的静态误差不超过0.5°,动态误差不超过2°,瞬变磁干扰误差不超过5°,该结果表明该算法能有效提高小型无人机的航姿解算精度。     

量测不确定的四元数约束CKF姿态估计

针对姿态估计系统在量测不确定和四元数约束下存在发散及估计精度差的缺陷,提出了一种基于不确定量测的四元数约束容积卡尔曼滤波算法(quaternion constrained cubature Kalman filter based on uncertain measurements,UCCKF).该算法克服了约束容积卡尔曼滤波算法的局限性,采用独立的伯努利随机变量来描述量测的不确定性,利用三阶球面-相径容积规则近似计算非线性函数的后验均值和协方差.并针对四元数规范化问题,采用两步投影理论来解决四元数约束限制.仿真结果表明,相比较于约束容积卡尔曼滤波(constrained cubature Kalman filter,CCKF)和无迹混合滤波(unscented mixture filter,UMF),提出的UCCKF算法在量测不确定情况下具有更好的收敛性和更高的估计精度,说明该算法对量测不确定下的非线性姿态估计系统是有效、可行的.     

基于改进的迭代容积卡尔曼滤波姿态估计

为了充分利用新的量测信息,提高姿态估计的精度,在分析现有迭代滤波策略存在问题的基础上,采用一种新的容积点迭代策略,将其与容积卡尔曼滤波算法相结合,提出了一种改进的迭代容积卡尔曼滤波(improved iterated cubature Kalman filter, IICKF)算法．该算法采用容积数值积分理论近似非线性函数的均值与方差,利用状态扩维理论来解决量测迭代中量测噪声与状态相关的问题,同时利用一种新的容积点迭代策略,即在量测迭代过程中直接采用容积点迭代,避免每步迭代都进行均方根计算来产生容积点,克服传统迭代策略是基于高斯近似产生采样点的局限,有效地降低扩维带来的计算量．仿真结果表明：该算法的估计精度高于乘性扩展卡尔曼滤波(multiplicative extended Kalman filter, MEKF)以及迭代容积卡尔曼滤波(iterated cubature Kalman filter, ICKF)算法,该算法的提出有助于提高姿态估计的精度．     

一种基于导向矢量约束的恒模盲波束形成算法

针对阵列信号波达角(direction of arrival,DOA)先验信息已知的情况,利用信号的恒模特性,在卡尔曼滤波(Kalman filter,KF)结构下,提出一种附加阵列导向矢量约束的自适应波束形成算法.对约束情况下的卡尔曼滤波目标函数运用拉格朗日乘子法,求得约束条件下的最优估计表达式,并将其推广到无迹卡尔曼滤波(unscented Kalman filter,UKF)算法中,通过约束迭代算法对阵列估计信号的导向角施加约束,实现约束UKF自适应波束形成算法的最优权值分配.仿真过程中,用所提算法与约束恒模迭代最小二乘算法和约束最小方差迭代最小二乘算法作对比,表明表明,该算法在收敛速度、信噪比、稳健性、跟踪性能方面具有较好的性能.     

基于Skinner-Ransac的移动机器人单目视觉SLAM

针对移动机器人单目视觉同时定位与地图创建(simultaneous location and mapping,SLAM)数据关联问题,提出一种Ransac抽样算法.该算法(Skinner-Ransac)基于Skinner操作条件反射原理,结合扩展卡尔曼滤波(extended Kalman filter,EKF)运动模型获得的先验信息,对图像匹配点抽样集合中的每个匹配点对赋予权值,并根据判断函数对其权值进行更新.最后,针对数据关联的效率要求提出新的迭代终止条件,以公开图像数据集作为图像采集样本.实验结果表明:Skinner-Ransac算法高效可靠,SLAM的位姿估计结果可以达到移动机器人自主导航的需求.     

不完全量测下基于信赖域滤波的目标运动参数估计

提出了一种将信赖域滤波应用于不完全量测下的目标运动参数估计的方法,利用工程实测航路数据,与转换量测卡尔曼滤波（CMKF）和无味滤波（UKF）进行了仿真比较。结果表明：基于信赖域滤波的算法优于采用CMKF、UKF的性能,且信赖域滤波计算量小于无味滤波,具有较好的实时性。     

低轨卫星紧组合导航UKF方法

针对紧组合导航系统状态方程及量测方程的非线性,以低轨卫星为应用对象开展了无迹卡尔曼滤波UKF方法研究．给出了惯性系下的系统模型及算法模型,其中姿态直接采用修正Rodrigues参数来表述以避免四元数归一化条件的限制,系统状态更新采用四阶Runge-Kutta法以适应卫星的高速运动;之后通过数学仿真与广义卡尔曼滤波EKF进行了比较分析．结果表明:UKF滤波对于姿态精度明显优于EKF,提高了一个数量级,对于速度、位置精度两者滤波效果相当,但对于运算时间UKF耗时较长．因此实际应用中可根据导航精度与运算时间需求决定是否采用UKF方法．     

基于平方根容积卡尔曼滤波的目标状态与传感器偏差扩维联合估计算法

针对传感器存在系统偏差条件下的三维目标跟踪问题,基于高斯求积规则与三阶球面-径向容积规则,设计了基于平方根容积卡尔曼滤波的目标状态与传感器系统偏差扩维联合估计算法(Augmented state squared-root cubature Kalman filter,ASSRCKF)。仿真分析表明,ASSRCKF不仅避免了扩维扩展卡尔曼滤波算法因模型线性化误差易导致滤波发散的问题,且克服了扩维不敏卡尔曼滤波算法在高维系统中数值不稳定的缺点,算法实时性好,能更加有效地解决带有系统误差的非线性状态估计问题。     

改进型UKF滤波算法的卫星姿态估计

针对矢量观测的三轴稳定卫星的姿态估计问题,提出了一种改进的UKF（unscented Kalman filter）滤波算法．它通过引入简化球形分布Sigma点UT变换（SSUT）,使得Sigma点的数量减少,从而在与UKF算法估计精度相当的情况下,计算量大大减少．同时,该算法依据姿态四元数与修正罗德里格参数之间的变换关系以及Sigma点的本质属性,保证了在姿态估计过程中四元数满足归一化约束,并且给出了过程噪声方差阵的选取方法．与扩展卡尔曼滤波（EKF）相比,无需计算Jacobian矩阵且具有更高的估计精度,并且对初始姿态误差更具有较好的鲁棒性．数值仿真表明该方法能很好地改善滤波效果,提高了估计精度,同时减小了计算量。     

一种高斯型非线性迭代更新滤波器

针对高斯型非线性滤波器在大初始偏差条件下性能下降、甚至发散的问题,提出了一种新的非线性滤波算法,即迭代更新扩展卡尔曼滤波器（iterated update extended Kalman filter,IU-EKF）。首先,该算法在EKF框架下,将传统的一步量测更新在伪时间上分为多步进行,采用部分增益将当前量测信息逐步地引入量测更新过程实现对状态的后验估计;其次,由于多步量测更新过程引入了每一步的过程噪声,因此将量测噪声与每一步更新后的状态估计误差之间的互协方差代入误差协方差矩阵,再利用此误差协方差矩阵的迹对标准卡尔曼增益矩阵求导并令结果为零,以导出噪声相关条件下的最优卡尔曼增益矩阵表达式;最后,根据后验量测残差自适应地调整迭代更新次数,在保证一定滤波精度的前提下,降低了算法的计算量。以2维目标跟踪问题为例,在大初始偏差条件下,通过仿真实验将本文算法分别与EKF、IEKF、UKF、CKF算法进行对比,并针对不同迭代次数对滤波精度的影响进行对比分析。仿真结果表明：本文算法较EKF大幅提高了滤波估计精度,且在大初始偏差条件下,本文算法性能优于现有经典高斯假设滤波器。同时,当迭代次数按1、2、5、10、20递增时,本文算法的滤波精度也随之提升,但提升幅度逐渐减缓。     

杂波环境下雷达组网的多目标聚类融合跟踪

多传感器多目标跟踪是信息融合技术在目标跟踪领域的应用范例,数据关联是其中的关键技术之一.对于杂波环境下的组网雷达多目标跟踪,讨论了粗、精关联相结合的数据关联方法.先用基于跟踪门限算法进行粗关联,排除部分杂波,再用模糊C-均值算法模糊聚类来实现关联.通过把多传感器跟踪问题转化为多个单传感器跟踪问题,更有效地实现关联,最后融合量测,滤波后得到目标的状态估计.用该算法对目标进行蒙特卡罗仿真,其比改进前的模糊C-均值关联算法和最近邻域算法在杂波环境下更能有效实现数据关联.     

基于离差差分滤波算法的再入目标状态估计

再入弹道目标的状态估计是个复杂的非线性滤波问题,使用扩展卡尔曼滤波算法（Extended Kalman Filter,EKF）,会引入较大的误差,甚至发散．为了提高估计精度,提出使用离差差分滤波算法（Divided Difference Filter,DDF）对再入弹道目标的状态进行估计．DDF算法使用二阶多维Stirling内插多项式近似非线性状态和测量方程获得状态和方差的估计．该算法只需要计算函数值,避免了求导运算,降低了计算复杂度．Monte Carlo数值仿真表明,离差差分滤波方法降低了再入目标的状态估计误差,提高了估计精度,且运行速度比无迹卡尔曼滤波方法（Unscendted Kalman Filter,UKF）要快的多．