机载有源无源传感器稳健融合方法

在机载有源无源情报融合处理中,很多条件很难满足中心式滤波的要求,比如一般情况下过程噪声是不正确的,或者不知道的.给出了几种稳健的Kalman滤波,这些方法主要针对运动方程或者观测方程中噪声信息未知或者噪声信息不准确的情况下,对数据进行融合.如果只是过程的信息未知,提出的自适应滤波,即是用观测信息对运动方程的噪声进行实时估计;如果运动方程和观测方程的噪声不准确,则可以采用H∞滤波进行噪声误差方差估计.     

基于粒子滤波的静音检测与声源跟踪算法

基于粒子滤波的跟踪算法是解决说话人跟踪问题的一种常用方法.结合了静音检测技术的声源跟踪算法,在静音期间,主要靠声源动态方程来估计目标的位置,可有效地减小误差.传统的噪声环境中的静音检测算法计算量较大,不利于实时跟踪.该文利用声源跟踪中的粒子滤波算法实现静音检测,算法用每帧信号的粒子状态观测值方差来检测静音,简便而可靠.仿真结果表明,该算法能有效地减小静音期间的跟踪误差,且计算量不增加.     

基于扩展H_∞滤波自适应误差配准算法

提出了基于扩展的H∞滤波和地心坐标系的自适应多传感器误差配准方法,该方法采用地心坐标系来消除地球曲率对配准算法的影响,采用扩展的H∞滤波来消除状态模型和量测模型噪声方差的不准确对配准算法的影响,该方法能够解决多传感器异步数据的误差配准问题,并且状态方程和量测方程的噪声可以是非高斯的,并采用修正的基于BLUE的量测转换方法对修正后的传感器的量测进行滤波.仿真试验表明,该算法能有效地估计时变的传感器误差,即使在运动方程和量测方程的噪声方差不准确的情况下,也能得到满意的配准结果.     

机动目标跟踪的HIMM算法研究

交互多模型算法(IMM)的子滤波器都是基于Kalman滤波的,它要求知道精确的噪声统计特性,然而在许多情况下噪声信号的统计特性是未知的,只能得到噪声信号的近似模型,这在一定程度上降低了IMM算法的跟踪精度.基于以上问题,将H∞滤波算法应用于IMM算法的滤波过程.H∞滤波对干扰信号的统计特性不作任何假设,与Kalman滤波相比,H∞滤波器对噪声形式的不确定性不太敏感,鲁棒性好.在跟踪过程中还引入了一种数值稳健的模型概率计算方法,能有效防止计算过程中出现数值溢出现象,提高了算法的可靠性.最后通过仿真实验,证明了算法的有效性.     

H2/H∞混合滤波在GPS/DR组合导航中的应用研究Ⅱ

纯卡尔曼滤波在系统或观测噪声不符合假设前提下,滤波将出现发散,而纯H∞滤波虽然稳健,但是精度不高,所以,比较常用的方式是两种滤波形式相结合的H2/H∞混合滤波.本文提出了一种不需对噪声作过多建模,对两种滤波的增益矩阵进行加权求和的混合滤波形式,基于该形式,推导了加权系数的求法,并基于该算法,应用在GPS/DR组合导航中,进一步,为了简化计算,提高运算效率,提出了更符合工程应用的稳态H2/H∞滤波方法,仿真结果表明,H2/H∞混合滤波即具有卡尔曼滤波的同等精度,又具有H∞滤波的滤波稳健性,综合时间耗费、滤波精度、滤波稳健性三个指标,稳态H2/H∞滤波更符合工程应用.     

基于分层采样粒子滤波的麦克风阵列说话人跟踪方法

针对噪声与混响环境下的说话人跟踪问题,本文提出了一种基于粒子滤波的麦克风阵列声源定位与跟踪方法.该方法在粒子滤波框架下,将无混响影响的语音建立信号作为观测信息,通过计算麦克风阵列波束形成器的输出能量来构建似然函数,同时考虑语音信号不同频率成分在声源定位中的作用,利用分层采样方法提高粒子的采样效率.实验结果表明,本文方法提高了说话人声源跟踪系统的抗噪声与抗混响能力.     

H2/H∞混合滤波在GPS/DR组合导航中的应用研究Ⅰ

纯卡尔曼滤波在系统或观测噪声不符合假设前提下,滤波将出现发散,而纯H∞滤波虽然稳健,但是精度不高,所以,比较常用的方式是两种滤波形式相结合的H2/H∞混合滤波.本文提出了一种不需对噪声作过多建模,对两种滤波的增益矩阵进行加权求和的混合滤波形式,基于该形式,推导了加权系数的求法,并基于该算法,应用在GPS/DR组合导航中,进一步,为了简化计算,提高运算效率,提出了更符合工程应用的稳态H2/H∞滤波方法,仿真结果表明,H2/H∞混合滤波即具有卡尔曼滤波的同等精度,又具有H∞滤波的滤波稳健性,综合时间耗费、滤波精度、滤波稳健性三个指标,稳态H2/H∞滤波更符合工程应用.     

基于迭代中心差分卡尔曼滤波的说话人跟踪方法

利用状态空间方法对说话人进行语音跟踪时,观测方程的非线性会影响说话人位置的估计精度。该文将迭代滤波理论与中心差分卡尔曼滤波技术相结合,提出迭代的中心差分卡尔曼滤波方法,并应用于说话人跟踪系统。仿真实验结果表明,该文所提出的方法减少了系统线性化误差,增强了滤波算法的鲁棒性,提高了说话人跟踪精度。     

道路条件下车辆跟踪的鲁棒H∞滤波算法

为提高对车辆目标的跟踪效果,本文提出了一种带道路约束条件的鲁棒H∞滤波算法。注意到车辆在行驶过程中会受到道路的约束,从而利用以道路抽象出的直线方程作为滤波的约束条件,建立带道路约束的动态系统模型,并推导出约束条件下的鲁棒H∞滤波方程。实验仿真结果表明,本文所提出的带约束条件的H∞滤波算法比不带约束的H∞滤波算法以及同等条件下的卡尔曼滤波算法具有更好的滤波性能和更高的跟踪精确度。     

H_∞滤波及其在INS/CNS组合导航系统中的应用

在惯导/星光(INS/CNS)组合导航中,由于集中卡尔曼滤波存在对系统模型和噪声统计特性依赖性等缺点,将H∞滤波方法理论应用其中。给出了H∞滤波的滤波方程,定性讨论了kalman滤波和H∞滤波的关系,通过在INS/CNS组合导航系统中的实际应用进一步从精度和鲁棒性对两种滤波算法进行了比较。仿真结果表明,当噪声为有色噪声或统计特性不确定时,H∞滤波优于kalman滤波,说明了该算法的有效性和可行性。     

基于数值积分卡尔曼-概率假设密度滤波的多说话人跟踪方法

针对多说话人跟踪的非线性系统模型,提出了一种基于数值积分卡尔曼-概率假设密度滤波的多说话人跟踪方法。该方法采用麦克风阵列的时间延迟估计作为观测数据,利用具有三次代数精度的球面-径向数值积分准则计算非线性系统贝叶斯滤波器中的多维积分,通过数值积分卡尔曼滤波和概率假设密度滤波对后验多说话人状态的一阶统计量进行估计,并通过递推更新得到说话人状态信息,实现非线性高斯系统的多说话人跟踪。该方法无需求解非线性系统函数的雅克比矩阵,且计算量较小。仿真实验分析了检测概率、虚警点数目、采样周期、信噪比以及混响时间变化时跟踪算法的性能。实验结果表明,该方法降低了系统模型非线性对滤波算法的影响,增强了跟踪算法的鲁棒性,提高了说话人状态和数目的估计精度。      

基于粒子滤波的交互式多模型说话人跟踪方法

 本文提出一种基于采样交互的多模型粒子滤波方法,实现了对随意运动说话人的有效跟踪。该方法根据说话人跟踪问题的特点,用马尔可夫跳变系统描述说话人的动态特性,用粒子滤波方法估计说话人的位置。在说话人跟踪过程中,通过调整滤波粒子的采样区域,完成交互式多模型方法中的输入交互,这不仅实现了各子滤波器中粒子数目的任意设定,避免了模型转换过程中的性能退化现象,而且取消了对模型后验概率密度函数的高斯分布假定,增强了说话人跟踪系统的鲁棒性。计算机仿真实验结果验证了本文方法的有效性。     

基于H∞滤波器的红外小目标运动预测和跟踪方法

根据H∞滤波理论,提出了基于H∞滤波预测技术的红外图像小目标运动预测和跟踪方法,为了降低模型阶数以加快图像处理速度,滤波过程被分解在水平和垂直两个方向上分别进行,即将滤波器分解为x、y方向上两个子滤波器．H∞滤波器是一种基于最优化最坏情况下的滤波技术,它对噪声源的要求不高,能较好地应用在复杂场景下的目标运动预测与跟踪．实验证实了在噪声源不能确定或是未知的情况下,它比Kalman滤波器对红外小目标的运动预测更加准确并具有更好抗扰动性．     

H∞滤波在GPS动态定位中的应用

针对GPS动态定位时模型误差增大的问题,提出了一种基于H∞滤波的GPS动态定位.该方法利用H∞滤波器的鲁棒性以减小由于"当前"加速模型产生误差.实例验证表明该方法在GPS动态定位时效果较好.与通常的基于"当前"加速度模型的卡尔曼滤波相比,原理易于理解,在实际中也很容易实现,减少了计算量且提高了滤波精度.     

空间扩展目标对准误差图像的高分辨复原

大气湍流、光子噪声和光学跟踪系统对准误差严重降低了空间目标观测图像的分辨率.根据最大似然估计原理,建立了提高目标图像分辨率的多帧盲反卷积算法,用共轭梯度优化方法从目标记录图像估计出原始目标函数和点扩散函数.运用低通平滑滤波技术在算法迭代过程中逐步完成对噪声的抑制.模拟实验数据和实际图像的复原结果表明,论文建立的盲反卷积算法有效地克服了大气湍流、光子噪声和光学系统对准误差,提高了目标图像的分辨率,复原目标图像的分辨率达到了光学衍射极限的水平.     

机载光电跟瞄平台稳定控制系统H_∞滤波器设计

针对三自由度光电跟瞄平台系统状态不可完全观测的特点,进行可观测结构分解。对可观测部分设计H∞滤波器,并结合状态反馈H∞稳定控制对所设计的H∞滤波器进行仿真研究。结果表明,在噪声统计特性存在不确定性的条件下,H∞滤波器能很好地观测系统的状态,并且达到较好的滤波效果,具有一定的鲁棒性。     

基于H_∞滤波的协同探测去偏融合算法研究

采用协同探测技术能有效改善目标跟踪精度。传统的协同探测融合算法利用在极坐标系下获得的量测进行滤波融合,转换到笛卡尔坐标系时会引入耦合误差,且不能抑制未知统计特性的系统延时误差,降低跟踪精度。本文采用集中式融合方法,首先对多平台量测数据进行去偏处理和时间对准,转换至笛卡尔坐标系,使测量噪声变为已知参数的高斯分布;然后将去偏转换的测量值与修正后的测量协方差矩阵输入融合中心;利用H∞滤波对误差统计特性不敏感的优点构建融合算法,有效克服多运动平台系统延时误差波动影响,提升融合精度。仿真实验结果表明该算法能有效提高协同探测融合精度。     

扩展卡尔曼滤波在目标跟踪中的应用研究

扩展卡尔曼滤波在非平稳矢量信号和噪声环境下具有广泛的应用,针对机动目标运动模型的特点,采用基于扩展卡尔曼滤波的算法对运动目标进行跟踪处理,该算法首先建立了运动目标的状态模型和观测模型,然后对观测数据进行滤波和误差估计处理,最后通过计算机的蒙特卡洛仿真得到了滤波轨迹和运动目标的距离和角度误差,仿真结果表明,扩展卡尔曼滤波算法具有很好的目标跟踪性能.     

非高斯噪声下的机动目标跟踪

本文讨论了被动传感器在随机干扰条件下进行机动目标跟踪的方法，其观测量包含非高斯噪声，也可能包含影响观测值的随机干扰。与基于Ｋａｌｍａｎ滤波的常见方法不同，采用动态规划算法进行多假设检验，从而估计目标的状态。仿真试验表明本文方法能有效地处理非高斯噪声情况下的目标跟踪问题，而基于Ｋａｌｍａｎ滤波的跟踪方法，比如ＥＫＦ则效果较差。     

一种扩展H∞粒子滤波方法

重要性函数的选择是粒子滤波算法的核心,本文提出一种基于扩展H∞滤波(EHF)产生重要性函数的扩展H∞粒子滤波(EHPF)算法,由于EHF滤波算法鲁棒性强、滤波精度高,且该滤波算法考虑了最新的观测数据,因此由其产生的重要性函数更接近于系统状态的真实后验概率分布.理论分析和仿真结果表明扩展H∞粒子滤波算法的滤波性能明显优于标准粒子滤波算法,扩展卡尔曼滤波算法和扩展卡尔曼粒子滤波算法,与不敏粒子滤波算法滤波精度相当,但计算复杂度要低于不敏粒子滤波算法,是一种有效的粒子滤波算法.