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。     

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。     

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。     

基于高斯粒子滤波的空-海BDO-TMA的研究

探讨了目标运动分析中基本的非线性估计问题。介绍了粒子滤波的基本思想和免重采样高斯PF（GPF）算法的基本原理．特别针对空-海单站只测方位-多普勒TMA（BDO-TMA）问题应用GPF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MonteCarlo仿真运行结果；表明GPF具有更高的估计精度、更好的收敛特性和滤波一致性。     

弹载相控阵雷达视线重构研究

针对弹载相控阵惯性视线重构问题,提出了基于相对运动状态估计的视线角/角速率重构方法,与传统方法相比,文中提出的方法在稳定坐标系下建立导弹-目标运动状态动力学模型和雷达导引头观测模型,无需对导引头测量的角信息使用微分网络,避免了测量噪声的放大。在分析系统可观测性的基础上,采用UKF滤波算法进行状态估计,根据估计值重构视线角速率。仿真结果表明,该方法对机动目标的重构角误差<0.5°,角速率误差<3°/s。     

基于混合退火粒子的捷联惯导动基座传递对准

为解决非线性、非高斯条件下动基座传递对准中采用卡尔曼滤波误差较大且可能发散的问题,引入了混合退火粒子滤波.在滤波算法中,用状态参数分解和退火因子来产生重要性概率密度函数,进行重要性抽样,再进行重采样,得到系统状态的后验均值估计.仿真结果表明,这种混合退火粒子滤波与扩展卡尔曼滤波相比,精度提高了2倍,时间减少了10s.     

灵巧子弹捷联成像导引头视线转率估计方法

视线转率是灵巧子弹实现脉冲比例导引必须获得的重要信息.为估计捷联成像导引头视线转率,通过联立角速度合成方程和视线坐标系下导引头运动方程,构造了耦合的状态方程.对无法直接测得的弹目距离和接近速度进行合理近似,结合自适应滤波算法实现了在只有弹体系测量信息情况下对视线转率的估计,与传统方法相比不需要测量弹体姿态.仿真结果表明该方法可以在简控体制下有效获得视线转率并能够产生正确的制导信号.     

观测噪声方差变化条件下系统状态估计方法

针对观测噪声方差时变情况下,非线性系统状态估计精度不高的问题,提出了一种改进的容积卡尔曼滤波方法。该方法首先采用变分贝叶斯滤波对系统的状态和观测噪声进行在线实时估计,保证了最新观测信息对参量的修正作用;接着,将估计的结果引入到传统容积卡尔曼滤波框架内实现非线性系统状态的迭代估计。仿真结果表明,该方法较好地改善了噪声统计特性时变情况下的估计精度,有效扩展了容积卡尔曼滤波在非线性系统状态估计方法中的应用范围。     

基于辅助模型的改进粒子滤波算法

针对非线性、非高斯系统的目标跟踪精度不太高这一问题,提出一种改进Sigma粒子滤波算法(MSP-PF)。该算法是由主模型产生第一个粒子,剩余的粒子则由辅助模型和平方根无迹卡尔曼滤波(SRUKF)来递归生成,辅助模型使粒子的观测信息得到充分有效地利用,解决了粒子滤波算法所面临的粒子退化和匮乏问题。仿真表明,提出的改进Sigma粒子滤波算法(MSPPF)的估计性能要明显优于粒子滤波(PF)、无迹粒子滤波(UPF)、Sigma粒子滤波算法(SPPF)。     

基于混合卡尔曼滤波的磁偶极子目标跟踪

针对经典粒子滤波(PF)对磁偶极子跟踪高维模型估计时存在的"维数灾"问题,提出一种基于混合卡尔曼滤波(MKF)的方法进行求解。该方法通过导出磁偶极子跟踪的条件线性高斯模型,利用混合卡尔曼滤波算法,将状态变量分离为线性部分和非线性部分;利用卡尔曼滤波和粒子滤波进行耦合处理,克服了经典粒子滤波直接用于磁偶极子跟踪出现的精度不高和滤波发散问题。通过仿真实验将该方法与基于PF的磁偶极子目标跟踪方法进行了对比,结果表明算法精度较高,且性能稳定。     

基于粒子滤波的混沌系统参数估计和滤波方法

混沌系统的参数估计是混沌系统控制和同步的前提。鉴于混沌系统具有初值敏感性、不能长期预测等特点,提出了一种基于粒子滤波(PF)的混沌系统参数估计和滤波方法,并将其用于Lorenz混沌系统的参数估计和滤波,在叠加噪声情况下对混沌系统进行仿真分析。结果表明,文中提出的滤波方法在估计偏差方面优于基于扩展卡尔曼滤波（EKF）的混沌系统参数估计和滤波方法,对混沌系统的参数估计和滤波是一种有效的方法。     

目标跟踪中两种非线性滤波算法的对比研究

在处理目标跟踪等动态系统实时估计问题中,通常采用EKF作为状态估计方法提高估计精度.由于EKF进行非线性估计存在一些缺陷,将系统进行线性化近似存在估计误差,从而影响目标跟踪的精度.为了获得更高的估计精度,介绍了两种新的非线性滤波算法,即unscented卡尔曼滤波算法和粒子滤波算法.分析了UKF和PF算法的原理和算法实现,对两种算法的适应性进行了比较.通过目标跟踪仿真实验,表明粒子滤波算法估计精度比UKF算法高,但是计算量却相对较大.     

Passive Target Tracking in Non-cooperative Radar System Based on Particle Filtering

We propose a target tracking method based on particle filtering（PF） to solve the nonlinear non-Gaussian targettracking problem in the bistatic radar systems using external radiation sources. Traditional nonlinear state estimation method is extended Kalman filtering （EKF）, which is to do the first level Taylor series extension. It will cause an inaccuracy or even a scatter estimation result on condition that there is either a highly nonlinear target or a large noise square-error. Besides, Kalman filtering is the optimal resolution under a Gaussian noise assumption, and is not suitable to the nonGaussian condition. PF is a sort of statistic filtering based on Monte Carlo simulation that is using some random samples （particles） to simulate the posterior probability density of system random variables. This method can be used in any nonlinear random system. It can be concluded through simulation that PF can achieve higher accuracy than the traditional EKF.     

非高斯环境下基于GPF算法的目标跟踪

介绍了高斯粒子滤波器(GPF)的基本思想和具体算法的实现步骤,并讨论了此算法在机动目标转弯模型跟踪中的应用,在闪烁噪声下比较了高斯粒子滤波器、粒子滤波器(PF)和扩展卡尔曼滤波器(EKF)的跟踪性能差异。仿真结果表明,GPF有效地改善了目标跟踪的效果,相比PF在精度和计算复杂度方面均有了明显改善。     

基于改进的粒子群优化扩展卡尔曼滤波算法的锂电池模型参数辨识与荷电状态估计

为解决锂电池荷电状态（SOC）难以精确估计的问题,提出了基于改进的粒子群优化扩展卡尔曼滤波（IPSO-EKF）算法预测电池SOC。为减小参数非线性特性影响,重新构建了EKF算法电池状态空间方程,以辨识出的电池模型参数为基础,获得SOC最优估计。采用IPSO算法优化EKF算法噪声方差矩阵,解决系统状态误差协方差矩阵和测量噪声协方差矩阵最优解获取难题,进一步提高SOC的估计精度。计算结果表明：IPSO-EKF算法能够精确地辨识电池模型参数和SOC值,并能够很好地修正状态变量初始误差。     

基于边沿化粒子滤波的GPS单点定位算法

针对强干扰情况下GPS定位精度低、鲁棒性差的问题,文中利用多普勒观测值改进了传统的伪距单点定位模型,并将该模型与边沿化粒子滤波技术有效的结合,通过状态模型划分,避免了模型线性化误差.理论分析与实验结果表明,该方法能够有效克服传统粒子滤波计算量大的缺点,显著提高强干扰环境下接收机的定位精度和鲁棒性.     

一种基于UKF的MEMS／GPS组合导航算法

针对微电子机械（MEMS）／全球定位（GPS）组合导航系统中,强非线性引起的扩展卡尔曼滤波（EKF）~-航精度不高、滤波性能不稳定、收敛速度慢等问题,研究了MEMS／GPS组合导航系统无迹卡尔曼滤波（UKF）算法,避免了EKF繁重的求导计算。本文对2种滤波方法进行了仿真比较,结果表明,用UKF的组合导航系统的误差收敛速度比EKF快,精度也比EKF高,UKF算法更适合于MEMS／GPS组合导航。     

基于无迹卡尔曼滤波的单站混合定位跟踪算法

针对移动台的单站跟踪问题,以"到达时间和与到达时间差(TSOA/TDOA)"新型混合定位技术作为基础,提出一种基于"到达时间和与到达时间差"混合被动单站定位模型的无迹卡尔曼滤波跟踪算法。该算法以观测到的有噪信息为基础,引入"到达时间和与到达时间差"观测模式,使用受随机加速影响的匀速运动状态作为跟踪算法的状态模型,将无迹卡尔曼滤波(UKF)算法应用在移动台的定位跟踪上,实现了对移动台的位移和速度的同步跟踪。仿真结果表明:无迹卡尔曼滤波算法应用移动台跟踪系统是有效的;与扩展卡尔曼滤波相比,其跟踪算法的滤波精度、稳定性更优。     

非平稳非高斯测量噪声条件下改进差分粒子滤波算法研究

针对非平稳非高斯测量噪声(NSNGN)条件下差分粒子滤波(DDPF)算法状态估计精度低、易发散的问题,提出了一种改进DDPF(IDDPF)算法. IDDPF算法采用高斯混合密度函数近似估计测量噪声,替代传统算法中测量噪声的高斯密度函数近似估计,采用似然函数的对数最大化法求解高斯混合密度函数模型参数,并将该模型应用于粒子权值计算,避免了高斯密度函数近似估计噪声模型所易于导致的粒子退化问题;通过建立水下目标纯方位角跟踪系统模型,将IDDPF算法应用于闪烁测量噪声条件下水下目标纯方位角跟踪问题的求解。50次Monte Carlo对比仿真实验结果表明：在NSNGN条件下IDDPF算法具有跟踪响应快、估计精度高、鲁棒性较好等优点。