基于无味卡尔曼滤波的多平台多传感器配准算法

提出了一种有效的多传感器偏差估计算法。在该算法中．首先给出了多传感器的数据空间配准几何坐标转换算法,然后将目标的运动模型和传感器的偏差组合在同一个状态方程中．目标的状态和传感器的偏差由选定的采样点来近似．在每个更新过程中,采样点随着状态方程的传播并随着非线性方程变化．得到目标的运动状态和传感器偏差的均值．避免了对非线性方程的线性化．具有较高的计算精度。仿真结果表明：该方法能同时有效地估计目标的运动状态和传感器的偏差。     

基于无味卡尔曼滤波的空对海BTO-TMA问题的研究

探讨了TMA（目标运动分析）中基本的非线性估计问题，介绍了基于无味变换（Unscented Transformation—UT）的无味卡尔曼滤波（Unscemed Kalman Filtering—UKF）算法的设计思想与具体实现，特别针对空对海单站只测方位与到达时间TMA（BTO—TMA）问题应用UKF和EKF（扩展卡尔曼滤波）进行了对照研究，建立了问题的离散非线性滤波估计模型，设计了典型的应用场景，给出了初值有偏和无偏两种情形下的Monte Carlo仿真运行结果；表明UKF在该应用背景下是切实可行的，具有更高的估计精度和更强的收敛特性。     

移动机器人的卡尔曼滤波定位算法改进与仿真

针对传统卡尔曼滤波算法和扩展卡尔曼滤波算法应用于移动机器人定位系统时出现的误差值较大和算法发散现象,在定位算法中引入修正因子对状态估计方程进行优化.分析传统卡尔曼滤波和扩展卡尔曼滤波的定位算法原理,研究运动过程中驱动力和摩擦力对移动机器人的影响,引入修正因子改进卡尔曼滤波算法,并对传统卡尔曼滤波算法、扩展卡尔曼滤波算法和改进算法做仿真对比和研究.仿真结果表明:修正因子对传统卡尔曼滤波算法和扩展卡尔曼滤波算法都具有改进效果,能提高定位精度.     

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。     

用于卫星制导弹药落点预测的卡尔曼滤波算法

为即时地准确地预测弹丸落点,文中建立了基于质心弹道模型的卡尔曼滤波状态方程,利用衰减记忆法扩展卡尔曼滤波递推算法估计方程中的未知参数和风偏因素,并利用其估计参数外推出外弹道落点。利用某型号迫弹卫星虚拟导引装置的测量数据进行验算,其未知系数迅速收敛至真值,同时实现了对风偏的准确拟合。研究发现其卡尔曼滤波算法对弹丸落点预测具有精度高、运算速度快等优点,适宜于工程应用。     

无味卡尔曼滤波算法分析及其应用仿真研究

无人水下航行器(UUV)进入匹配区时捷联惯导系统(SINS)已积累了一定的误差,采用适当的信息融合策略对误差进行估计和补偿,可提高后续航行精度。通常认为,当系统噪声与量测噪声为加性时,是否将噪声扩展为状态量并不影响无味卡尔曼滤波(UKF)算法性能。针对这种观点,利用变尺度对称集无味变换,在复杂加性噪声模型下,推导并证明了两者的差异,说明了上述观点的不全面性。通过建立水下地形匹配辅助导航系统非线性误差模型,基于扩展状态UKF算法设计了误差估计滤波器,仿真研究其估计效果,并与非扩展状态UKF算法进行对比研究。结果表明,状态扩展有利于提高UKF算法性能,从而证明了理论分析的正确性。     

用于卫星制导弹药落点预测的卡尔曼滤波算法

为即时的准确的预测弹丸落点,文中建立了基于质心弹道模型的卡尔曼滤波状态方程,利用衰减记忆法扩展卡尔曼滤波递推算法估计方程中的未知参数和风偏因素,并利用其估计参数外推出外弹道落点。利用某型号迫弹卫星虚拟导引装置的测量数据进行验算,其未知系数迅速收敛至真值,同时实现了对风偏的准确拟合。研究发现其卡尔曼滤波算法对弹丸落点预测具有精度高、运算速度快等优点,适宜于工程应用。     

空空导弹卡尔曼滤波和几种导引律的研究

建立了空空导弹攻击飞机目标的简化数学模型,在这个模型的基础上,列出系统的状态方程,测量方程,推导出最佳导引律和卡尔曼滤波算法,并进行了数学仿真,得到了满意的结果。     

扩展卡尔曼滤波在无人机航迹控制系统中的应用研究

针对无人机航迹自动控制系统的精度问题,提出了一种基于扩展卡尔曼滤波技术的改善无人机航迹自动控制系统的方法。对地面测量系统测得的数据进行扩展卡尔曼滤波处理可以减小因测距和测角误差对无人机航迹自动控制系统的影响,得到无人机状态的最佳估计。仿真结果表明,扩展卡尔曼滤波技术能够有效提高无人机航迹控制系统的控制精度。     

一种基于圆阵测量的扩展卡尔曼滤波算法

为提高被动声定位系统的定位精度,本文提出了一种基于圆阵测量的扩展卡尔曼滤波算法,该算法首先对时延测量值进行预处理,以预处理直接作为卡尔曼滤波器测量方程的输入量,并利用台劳级数对非线性测量方程进行线性化。数值计算和仿真结果表明,该算法是较好的滤波、跟踪效果。     

基于平方根卡尔曼滤波的粒子滤波算法

在普通粒子滤波器中,基于先验概率的重要性密度不能容纳最新测量信息,导致跟踪精度难以提高。针对该问题,给出一种基于平方根卡尔曼滤波(SRUKF)的新型粒子滤波算法(SRUPF)。该算法以普通粒子滤波器(PF)为基础,运用SRUKF生成重要性密度。与运用先验知识生成重要性密度的普通粒子滤波器不同,SRUPF的重要性密度中包含了最新的观测信息,从而能够更好地逼迫状态变量的分布规律。此外,由于SRUPF在计算重要性密度时不需要在每一个迭代步骤都对状态协方差阵进行分解,因而SRUPF比PF具有更好的数值稳定性。在非线性测角跟踪问题中的应用表明:SRUPF滤波器的跟踪精度优于PF和SRUKF。     

UKF滤波算法在弹箭落点估计中的应用

依据部分弹道的弹道轨迹测量数据,准确预报弹道落点,是弹道修正弹药智能化的关键技术.综合考虑滤波精度和算法复杂度,文中采用质点弹道模型和无迹卡尔曼滤波(unscented Kalman filter)方法,建立了弹道滤波模型和外推弹道模型.通过对雷达测量数据的处理结果表明,UKF弹道滤波模型和质点外推模型有较高的精度.     

基于七维状态向量反向无迹卡尔曼滤波的弹道外推算法

针对弹道模型误差、参数估计误差以及外推距离过长导致定位精度低的问题,建立了基于七维状 态向量的反向无迹卡尔曼滤波外推算法。为精确建立状态模型,该算法将弹道系数作为状态参量,纳入滤波过程。采用无迹卡尔曼滤波算法,以提高非线性估计精度。此外,由于正向滤波外推距离长,模型误差积累大,该算法采用反向滤波处理,将雷达测得的首点作为滤波终点,通过4阶龙格-库塔方程外推炮位。仿真结果表明,该算法定位精度相较原算法提高约50%.     

基于UKF的曲线模型自适应跟踪算法

针对传统曲线跟踪模型中的切向加速度不能自适应调节这一缺点,在标准曲线模型的基础上,提出了一种新的自适应跟踪算法。将转弯角速率和切向加速度都看作是目标的状态变量,用不敏卡尔曼滤波算法对扩维后的状态变量进行估计。这种处理方式不仅较好地解决了原来算法中存在的强非线性问题,同时也增强了算法的鲁棒性。理论分析和仿真实验都表明,该算法适应性较强,跟踪精度较高,可以直接应用于工程实践。     

基于改进无迹卡尔曼滤波的弹道射程修正算法研究

以全球定位系统（GPS）作为弹载测量系统的弹道射程修正弹,存在GPS动态数据易受测量噪声与系统噪声污染或在高过载环境中发生定位丢失、数据异常等问题。为了降低弹道数据测量误差,并减小对射程修正时刻预测的误差,提出了基于牛顿插值法的改进无迹卡尔曼滤波(UKF)算法,以重新估计具有粗大误差的测量数据,从而降低异常测量值和定位失锁情况对滤波效果的影响,提高UKF算法对测量数据误差的敏感程度。仿真与试验结果表明：改进的UKF算法作为预处理过程融合至射程修正算法中,当系统离散化步长与GPS数据更新周期相等时,可最大化地预处理算法效果;改进后的修正算法可有效地降低GPS数据造成的修正误差;预处理算法中数据样本容量的选择与修正时刻以及GPS更新周期相关,不受算法效果约束。     

机动目标跟踪的自适应卡尔曼滤波算法实现

为真实反映目标机动范围与强度的变化,引入了机动目标的“当前”统计模型,提出了一种基于该模型的自适应卡尔曼滤波算法．仿真结果表明,能有效改善在机动目标跟踪中传统的卡尔曼滤波可能出现的发散情况,提高了跟踪的准确性和稳定性．     

联邦式扩展卡尔曼粒子滤波算法

为了使联邦滤波器能有效处理非高斯、非线性系统的状态估计问题,提出将扩展卡尔曼粒子滤波引入联邦滤波结构中,得到一种新的联邦式扩展卡尔曼粒子滤波算法。使用扩展卡尔曼粒子滤波对联邦滤波子系统的多源数据进行处理,从而摆脱了经典卡尔曼滤波的限制,拓宽了联邦滤波器的实际应用范围。将联邦式扩展卡尔曼粒子滤波算法应用于非线性滤波器的一个标准验证模型进行了仿真实验,结果表明该算法是有效性的。     

融合渐消无迹粒子滤波与高斯重采样的FastSLAM 算法

摘要：为解决快速同步定位与地图构建算法因粒子退化导致SLAM(simultaneous location and mapping)估计精度 不佳的问题,提出一种融合渐消自适应无迹粒子滤波与高斯分布重采样的FastSLAM 算法。通过融合渐消滤波和无 迹粒子滤波,产生一种自适应提议分布,利用高斯分布对高权重粒子进行分散得到新粒子。建立机器人运动模型和 观测模型,并在仿真环境中进行性能验证。仿真结果表明：该算法能有效地缓解粒子退化,增加系统稳定性,提高 SLAM 估计精度。