混合噪声条件下的目标被动定位算法

为提高被动传感器观测噪声为含时变有色噪声、跳变噪声的混合噪声时容积卡尔曼滤波（CKF）算法的滤波精度和稳定性,提出一种自适应容积卡尔曼滤波（ACKF）算法。在ACKF算法中,在基本CKF算法基础上,采用观测重构、待定系数去相关方法,推导得到有色噪声条件下的容积卡尔曼滤波算法。针对时变有色噪声和跳变噪声导致滤波精度受损的问题,引入噪声方差在线修正及有害观测剔除的思想,进行了ACKF算法设计。仿真结果表明,与基本CKF算法相比,ACKF算法在x轴、y轴、z轴3个方向得到的被动定位精度分别提升了24.75％、32.57％和28.48％,具有更高的滤波稳定性和精度。     

基于粒子滤波的捷联成像导引头视线角速率估计

提出了一种基于粒子滤波的捷联成像导引头视线角速率的估计方法。由于捷联成像导引头状态方程和观测方程的强非线性特点以及观测量中较强的非高斯测量噪声,扩展卡尔曼滤波（EKF）方法不能完全满足滤波精度要求。与扩展卡尔曼滤波相比,粒子滤波（PF）是一种在非线性和非高斯情形下进行状态估计的强有力方法。采用粒子滤波对捷联成像导引头的视线角速率进行估计．仿真结果表明。粒子滤波方法可以有效地提高视线角速率的估计精度。     

基于容积卡尔曼滤波的辅助粒子滤波算法

针对非线性系统的状态估计精度较低的问题,提出基于容积卡尔曼滤波(CKF)的辅助粒子滤波(APF)算法—CAPF算法。该算法采用容积数值积分原则计算非线性函数的均值和方差,生成粒子滤波算法的重要性密度函数,获得所需的带权值粒子,进而计算粒子均值,获得系统状态的最小均方误差估计。CAPF算法由于使用最新的量测信息产生粒子,因而提高了对系统状态估计的逼近程度。仿真结果表明,CAPF算法具有更高的滤波精度,验证了算法的可行性和有效性。     

平方根容积卡尔曼滤波算法及其应用

针对使用扩展卡尔曼算法（extended Kalman filter,EKF）对复杂非线性状态估计时收敛速度慢、估计精度低的问题,提出一种平方根容积滤波算法（square root cubature Kalman filter,SRCKF）。SRCKF使用基于容积原则的数值积分方法直接计算非线性随机函数的均值和方差。该算法实现时只需计算函数值,避免了求导运算,降低了计算复杂度。且该算法传播了状态协方差的平方根,确保了协方差矩阵的对称性和半正定性,改进了数值精度和稳定性。把平方根容积卡尔曼滤波算法（SRCKF）应用到未知弹道系数的再入弹道目标的状态进行估计中。Monte Carlo数值仿真表明,平方根容积滤波算法大大降低了未知弹道系数的再入弹道目标的状态估计误差,提高估计精度,且运行速度较快。     

INS/GPS组合导航系统模糊卡尔曼滤波算法研究

载体在机动的情况下,系统会产生随机非高斯噪声,这些噪声的统计特性不易准确得到.若在组合导航系统中仅采用常规卡尔曼滤波算法,不能得到系统状态的最优估计值,甚至滤波器还有可能发散.文中设计了一种模糊推理系统,并将其与卡尔曼滤波算法相结合,在线修正系统量测噪声协方差阵.仿真结果表明,该模糊卡尔曼滤波算法能很好地对系统状态进行最优估计,同时能很好适应系统噪声的变化,提高了导航系统的精度.     

Sage-Husa自适应卡尔曼滤波算法在SINS初始对准中的应用研究

Sage-Husa自适应卡尔曼滤波算法是解决系统模型发生变化的捷联惯导系统初始对准的一种有效工具,但对未知的系统噪声方差阵和观测噪声方差阵进行同时估计将会造成滤波发散.本文将在选择最佳遗忘因子的基础上,选取仅对观测噪声方差阵和均值进行估计的改造Sage-Husa自适应卡尔曼滤波算法进行捷联惯导系统的初始对准.计算机仿真试验结果表明:该方法在收敛速度和精度上都有很大改进.     

Sage-Husa自适应卡尔曼滤波算法在SINS初始对准中的应用研究

Sage-Husa自适应卡尔曼滤波算法是解决系统模型发生变化的捷联惯导系统初始对准的一种有效工具，但对未知的系统噪声方差阵和观测噪声方差阵进行同时估计将会造成滤波发散。本文将在选择最佳遗忘因子的基础上，选取仅对观测噪声方差阵和均值进行估计的改造Sage-Husa自适应卡尔曼滤波算法进行捷联惯导系统的初始对准。计算机仿真试验结果表明：该方法在收敛速度和精度上都有很大改进。     

平方根容积卡尔曼滤波器

针对容积卡尔曼滤波器在递推过程中,计算量大、数值不稳定等问题,提出了平方根容积卡尔曼滤波器。该滤波器不仅增强了数值鲁棒性,确保了状态协方差矩阵的正定性,且在一定程度上提高了滤波精度。仿真结果表明,该滤波器的滤波精度与容积卡尔曼滤波相比提高了约10%,且均高于扩展卡尔曼滤波;随着状态维数的增加,该滤波器的估计性能越加优于扩展卡尔曼滤波器。因此对系统维数较高的场合,该滤波器是一种非常有效的非线性滤波算法。     

事件触发容积卡尔曼滤波及其在火控探测网络中的应用

为减小传感器网络中各探测单元和融合中心间的数据传输量,设计了基于双重判断准则的事件触发机制,以控制各探测单元到融合中心的数据传输。为得到比已有事件触发融合估计算法更高的估计精度,提出了一种基于所提事件触发机制和平方根容积卡尔曼滤波的非线性融合估计方法。仿真和试验结果表明：所提方法与基于周期传输机制的容积卡尔曼滤波相比,可减小数据传输量;与已有事件触发融合估计方法相比,可在数据传输量基本一致情况下获得更高的估计精度。     

不完全量测下基于信息一致性的分布式容积卡尔曼滤波算法

针对不完全量测条件下分布式火控系统中的非线性目标跟踪问题,为提高跟踪系统的估计精度并保证各探测单元估计结果的一致性,提出一种基于信息一致性的分布式容积卡尔曼滤波(ICDCKF)算法。针对非线性系统,给出不完全量测下的改进容积卡尔曼滤波。考虑到各探测单元间局部估计信息的相关性,该算法首次将协方差交叉方法应用于非线性一致性滤波算法,提高互协方差未知情形下分布式融合的估计精度。特别地,为确保算法的可行性,给出不完全量测情形下,ICDCKF算法估计结果收敛的条件,并从理论上严格证明在该条件下ICDCKF算法可以保证估计方差的有界性。ICDCKF算法应用于一类光电跟踪网络,与现有CKFI算法、CKF_CI算法、KCF_ Me算法对比分析表明：ICDCKF算法在保证各探测单元估计结果一致性的同时,大幅度提高了跟踪系统的估计精度。     

时变噪声统计估计的自适应UKF目标跟踪算法

针对目标跟踪中非线性滤波精度下降甚至发散的问题,提出了一种时变噪声统计估计的自适应无迹卡尔曼滤波(Unscented Kalman Filtering,UKF)算法.首先将系统模型和滤波算法修正为适于噪声非零均值时的情况,然后根据极大后验估计原理,推导出一种次优的时变噪声统计估计器,其系数通过指数加权的衰减因子计算得到,最后与传统UKF算法结合形成自适应的滤波算法.仿真结果表明,该算法保证了滤波收敛性,能够对目标进行有效跟踪,而且滤波精度显著提高.     

统计特性突变下的机器人同步定位与地图构建

针对未知环境中,机器人同步定位与地图构建( SLAM)时,系统的统计特性发生突变问题,提出了一种基于非线性交互式多模型(IMM)的SLAM算法。该算法的主要思想是：用多个非线性高斯模型近似非线性非高斯模型;每个模型都采用扩展卡尔曼滤波(EKF)对非线性系统线性化;在每一步采用IMM方法获得融合估计值;从而演化机器人的SLAM. Monte Carlo仿真结果表明,在过程噪声均方根误差、量测噪声均方根误差和两者噪声均方根误差都发生变化的情况下,与EKF-SLAM算法和快速SLAM算法相比,该算法具有更好的估计精度。     

卡尔曼滤波算法在多传感器融合技术中的应用

为了进一步提高测量精度,针对多传感器融合技术和非线性系统的连续-离散卡尔曼滤波算法的研究,提出了一种综合卡尔曼滤波和数据融合算法的优点相结合的估计技术和算法.仿真结果表明在使用连续-离散卡尔曼滤波方法估计的基础上,进一步采用加权融合算法,可以降低系统测量量的噪声干扰,并明显改善传感器测量参数的估计精度,其算法也是递推算法,可以满足实际应用中的实时性要求.     

基于神经网络和无迹卡尔曼滤波融合的天线罩误差斜率估计方法

为消除导引头天线罩引入的瞄准误差对制导系统稳定性和精度造成的负面影响，提出了一种基于神经网络和无迹卡尔曼滤波融合的天线罩误差斜率估计方法。考虑先验模型知识，分别建立导引头、自动驾驶仪、弹目相对运动系统和弹体动力学系统的动态模型，选取真实视线角、视角和天线罩误差斜率作为状态变量，根据视线角观测值建立测量模型。考虑到模型的不确定性，基于神经网络技术学习非线性滤波模型中的动力学方程，结合无迹卡尔曼滤波技术，根据所学习的代理模型和带噪声的系统量测，对天线罩误差斜率等状态进行实时在线估计。与传统采用非线性滤波技术的天线罩误差斜率估计方法相比，本方法基于数据驱动思想，减少了对精确动力学模型的依赖，能有效消除模型不确定性的影响。与单纯采用离线训练构造的神经网络相比，本方法结合贝叶斯滤波理论，对实时数据具有更强的适应性。经多次仿真实验，证实该方法能够有效控制预测误差，具有较高精度。     

基于粒子滤波的非线性目标跟踪算法研究

针对非线性非高斯的目标跟踪,传统的卡尔曼滤波和扩展卡尔曼滤波等算法将会出现滤波精度下降甚至发散的现象,提出了采用粒子滤波算法来解决非线性滤波问题;粒子滤波方法作为一种基于贝叶斯估计的非线性滤波算法,在处理非高斯非线性时变系统的参数估计和状态滤波问题方面有独到的优势,但是存在运算量大和实时性差的问题,因此提出了基于EKF的扩展粒子滤波;仿真结果表明：在强非线性非高斯环境下,PF算法的跟踪性能优于EKF算法,基于EKF的扩展粒子滤波能够取得较好的跟踪精度,并且能够有效的减少粒子滤波的运算量。     

低精度捷联惯性航姿系统姿态算法研究

针对纯惯导情况下的航姿系统,采用了一种模糊判别算法,实时判断系统的运动状态,根据系统的运动状态自适应调整卡尔曼滤波器的量测噪声方差阵,进而通过卡尔曼滤波算法估计姿态角误差。试验结果表明,该方法有效提高了系统的姿态精度。     

自适应滤波算法在捷联惯导初始对准中的应用研究

针对捷联惯导系统静基座自对准过程中常规卡尔曼滤波器估计精度低且易发散的问题,提出了一种复合自适应卡尔曼滤波算法．该算法采用衰减记忆法利用信息实时估计系统噪声方差阵,并基于模糊推理的自适应因子调节滤波增益阵和系统噪声阵．仿真验证了该自适应算法较常规卡尔曼滤波有更强的稳定性和更高的滤波估计精度．     

自适应卡尔曼滤波应用于空—空导弹传递对准研究

设计了一种应用于传递对准的自适应卡尔曼滤波的方法,它能够在线估计系统噪声的统计特性,从而提高了传递对准的速度和精度,仿真结果证明了该方法优于常规的卡尔曼滤波方法。     

基于自适应滤波技术的被动协同跟踪算法

为增强被动协同跟踪系统对复杂环境的适应性，提高跟踪精度和系统鲁棒性，提出了一种基于自适应滤波技术的目标跟踪算法。该算法通过基于Sage-Husa自适应噪声估计的无迹卡尔曼滤波对多站被动协同定位结果进行状态估计，并利用残差量的局部动态统计对噪声估计器进行改进，以提高噪声估计的准确性和稳定性。同时，引入协方差自相关量匹配判据来保证噪声方差阵的正定性，防止滤波发散。仿真结果表明，该方法可有效提高噪声估计精度，增强目标跟踪系统对环境的适应性，大幅提升跟踪性能。     

存在非高斯重尾分布噪声的纯方位目标跟踪算法

纯方位目标跟踪是目标跟踪研究中的热点问题,针对目标跟踪方程中的非高斯重尾分布噪声问题,提出了一种针对非高斯重尾分布噪声的卡尔曼滤波算法。该方法通过建立基于存在异常值的高斯分布的层次高斯模型来近似未知的非高斯重尾分布系统过程噪声和测量噪声,并使用变分贝叶斯推断来学习混合概率,解决混合概率不确定带来的滤波性能下降的问题,从而提高滤波的鲁棒性。同时针对纯方位目标跟踪模型的非线性,结合修正增益卡尔曼滤波来降低量测方程非线性的影响。数值仿真结果表明,相对于EKF、UKF和变分贝叶斯卡尔曼滤波PEKF-VB、VBEKF,新算法VBMGEKF估计精度分别提高了69.31%、58.08%、127.84%和9.36%,具备更好的鲁棒性与精度。