改进的强跟踪UKF在组合导航中的应用研究

针对强跟踪UKF算法与组合导航紧耦合系统模型不匹配、滤波性能不完善及滤波过程中迭代不稳定等问题,提出一种改进的强跟踪UKF滤波算法,根据强跟踪正交性原理,改进渐消矩阵的求解方法,减少滤波周期中的冗余计算,并重构UKF与强跟踪的结合方式,解决UKF与紧耦合模型不匹配的问题,有效提高强跟踪UKF滤波实际应用中的稳定性.将算...     

改进UKF算法在天波超视距雷达中的应用

针对传统的无损卡尔曼滤波(UKF)算法在对天波超视距雷达进行目标跟踪的过程中存在滤波发散和初始收敛速度慢等问题,提出一种改进的UKF算法。通过引进调节因子对状态矢量和观测矢量的协方差作实时调整,以达到提高滤波结果中状态信息与观测信息的正确率和雷达跟踪系统性能的目的。仿真结果表明,该算法在处理目标跟踪问题时,既可有效抑制UKF算法的发散,又可提高跟踪系统的收敛速度。     

基于SVD 的改进抗差UKF 算法及在组合导航中的应用

针对GPS/INS组合导航中因观测异常导致系统状态先验信息矩阵失去对称正定性,及传统等价权函数抗差算法易遇到病态矩阵,引起滤波性能下降的问题,提出一种基于奇异值分解的改进抗差UKF算法。该算法克服了先验协方差矩阵负定性变化,通过判断矩阵病态性实现智能选取抗差策略。最后利用车载实测数据进行验证,所得结果表明, SVD-UKF导航解精度稍优于EKF算法,改进的抗差策略能够极大减弱单独、连续以及混合的观测异常对导航解的影响,提高了导航解精度和可靠性。     

改进型平方根无迹卡尔曼滤波及其在无轴承永磁同步电机无速度传感器运行中的应用

平方根无迹卡尔曼滤波(SRUKF)解决了标准无迹卡尔曼滤波(UKF)中由于误差协方差阵负定而引起的滤波发散问题, 保证了算法的数值稳定性, 但仍存在对模型参数变化的鲁棒性差、收敛速度慢及对突变状态的跟踪能力低等缺陷. 因此, 本文提出一种改进SRUKF滤波, 通过引入时变渐消因子和弱化因子, 实时修正滤波增益矩阵和误差协方差平方根矩阵, 实现残差序列正交, 确保SRUKF滤波保持对目标实际状态的准确跟踪. 将该算法在无轴承永磁同步电机无速度传感器矢量控制系统中进行仿真研究. 结果表明: 改进SRUKF非线性近似精度、数值稳定性及滤波精度更高, 在系统状态突变或负载扰动时, 鲁棒性更强, 能够有效实现转速及转子角度的准确估计, 确保转子稳定悬浮运行.     

基于改进强跟踪无迹卡尔曼滤波的正交频分复用频偏跟踪和估计算法

针对高速运动环境下多普勒效应导致的载波频偏,建立了正交频分复用(OFDM)动态状态空间模型,提出了基于改进的强跟踪无迹卡尔曼滤波(STUKF)的频偏跟踪和估计算法。该算法将强跟踪滤波思想跟UKF相结合,通过在计算量测预测协方差和互协方差时引入渐消因子,在调整前一时刻频偏估计误差协方差的同时又控制过程噪声协方差,实时调整增益矩阵,增强了对时变频偏的跟踪能力,提高了估计精度。最后分别在非时变和时变频偏模型下对所提算法进行了仿真验证。仿真结果表明,与UKF频偏估计算法相比,所提算法在时变频偏中具有更好的跟踪和估计性能,在相同误码率(BER)下信噪比(SNR)大约有1dB的提升。     

迭代平方根UKF

针对无迹卡尔曼滤波器（UKF）测量更新方法的不足,提出了一种对UKF 进行迭代测量更新的 方法,用于提高非线性系统状态估计的近似精度．利用平方根UKF 算法确保了迭代UKF 的数值稳定性．理论 分析与实验结果表明,迭代平方根UKF 算法不仅具有无需计算雅可比矩阵的优点,而且具有较高的非线性近 似精度、较强的数值稳定性和较高的运算效率;在相同数量级运算时间的条件下,其估计性能明显优于扩展 卡尔曼滤波器（extended Kalman filter,EKF）、UKF 和迭代UKF 等非线性滤波器．     

传感器故障条件下的自适应UKF 算法

针对目标跟踪中传感器故障导致滤波发散或者滤波精度不高的问题, 提出一种自适应无迹卡尔曼滤波(UKF) 算法. 该算法在滤波过程中, 根据自适应估计原理引入自适应矩阵因子, 实时调整系统状态向量和量测新息向量的协方差, 以满足无迹卡尔曼滤波算法的最优性条件, 并采取措施对滤波发散的情况进行判断和抑制. 与传统UKF和已有自适应UKF算法相比, 该自适应UKF算法显著提高了滤波精度和数值稳定性, 且具有应对传感器故障的自适应能力. 仿真实验结果表明了所提出算法的有效性.

     

修正的UKF滤波时差定位算法

为了降低到达时问差(TDOA)测距在非视距(NLOS)传播环境中的误差,提出了在强跟踪无迹卡尔曼滤波(UKF)基础上改进的算法.在状态发生突变时,给预测协方差矩阵加入次优渐消因子;对NLOS误差进行正负判断,利用整体偏移法修改滤波增益,但估计协方差矩阵不做改进,以免出现不收敛.实验结果表明:该算法不仅能有效地抑制突变带来的影响,也能高效地消除NLOS误差,提高了NLOS传播的到达时间差定位精度.     

基于强跟踪UKF 的自适应SLAM 算法

针对无迹卡尔曼滤波（UKF）缺乏在线自适应调整能力,导致系统状态估计精度较低的问题,提出了 一种将强跟踪滤波器（STF）与UKF 相结合的SLAM 算法．该算法对于UKF 中每个采样点采用STF 进行更新,获 得优化滤波增益,抑制噪声对系统状态估计的影响,使系统状态估计迅速收敛到真实值附近．仿真实验对比了当前 几种SLAM 算法在不同噪声环境下的性能,实验表明,基于强跟踪UKF 的自适应SLAM 算法具有更好的鲁棒性和 自适应性．     

基于迭代UKF的主动段弹道跟踪算法研究

卫星在角度测量信息下对弹道导弹主动段的跟踪面临可观测性弱、初始误差大等问题，寻找一种快速稳健的跟踪算法尤为重要。引入一种稳健而有效的迭代UKF滤波算法（IUKF），它通过对UKF算法进行修正，改善了对状态滤波值和协方差的估计。通过Monte Carlo仿真与其他算法进行比较，表明新算法收敛速度更快、收敛精度更高，是解决主动段跟踪问题的一种更为有效的算法。     

迭代测量更新CDKF的粒子滤波方法

为了提高中心差分卡尔曼粒子滤波（CDKFPF）算法跟踪时的估计精度,提出了一种基于迭代测量更新CDKF的粒子滤波（ICDKFPF）新算法。该算法利用迭代中心差分卡尔曼滤波的最大后验概率估计产生粒子滤波的重要性密度函数,并用Levenberg-Marquardt方法对状态协方差进行修正,使粒子的观测信息得到充分有效的利用,更加符合真实状态的后验概率分布。仿真结果表明,所提出算法的估计性能要明显优于标准的粒子滤波（PF）和中心差分卡尔曼粒子滤波（CDKFPF）。     

基于概率模型的实时修正IMM目标跟踪算法

针对传统的IMM算法采用固定测量噪声协方差矩阵和Markov转移概率矩阵导致模型切换缓慢,跟踪精度下降的问题,提出了一种具有模型概率实时修正的IMM机动目标跟踪算法。该算法在监控区域上建立无线电指纹库,利用支持向量回归算法训练得到观测模型。引入模糊神经网络,在模型交互输出阶段自适应地调整测量误差协方差矩阵。根据IMM子模型中连续时间点之间的模型概率的比值,对Markov转移概率进行修正。仿真结果表明,提出的方法在实时性、跟踪精度方面具有良好的性能。     

H∞鲁棒自适应CKF算法在组合导航中的应用

针对组合导航系统状态模型及噪声统计特性不确定的情况下,标准容积卡尔曼滤波（Cubature Kalman Filter,CKF）算法鲁棒性差,导致滤波精度下降甚至出现滤波发散的问题,提出一种H∞鲁棒自适应CKF算法。该算法基于标准的三阶CKF算法理论框架,在观测方程为线性的条件下,对其量测更新进行了简化,并引入数值稳定性较强的奇异值分解（Singular Value Decomposition,SVD）对系统状态协方差阵进行分解迭代,改善了计算的数值稳定性;在系统状态协方差阵更新过程中引入H∞ 滤波思想,并基于矩阵不等式的理论,对其约束条件[γ]进行了自适应选取,进一步改善了滤波的稳定性,提高了系统的鲁棒性。将该算法用于GNSS/INS组合导航的数值仿真实验,结果验证了该算法的有效性和优越性。     

新的分布交互式多模型广义概率数据关联算法

为有效解决密集杂波环境下分布式多传感器多机动目标跟踪问题,提出了一种基于改进D-S证据组合规则的分布交互式多模型多传感器广义概率数据关联（DIMM-MSGPDA-IDS）算法。该算法首先对各局部节点均应用单传感器的IMM-GPDA算法跟踪多机动目标,并将其各模型的状态估计、协方差估计、模型概率、组合新息及其协方差矩阵等滤波结果送至融合中心;在航迹关联判决结束后,融合中心根据各模型对应似然函数的大小融合不同传感器关于同一目标的模型状态估计及其协方差矩阵,并提出利用三维（3-D）证据进行直接融合的改进D-S算法对来源于同一目标的不同传感器的各模型概率进行有效融合,然后依此概率来更新各目标的状态估计并反馈至各局部节点,使之获得更为精确的状态预测;最后,将该算法与基于D-S证据组合规则的分布交互式多模型多传感器联合概率数据关联（DIMM-MSJPDA-DS）算法进行仿真对比分析。理论分析和仿真结果表明,该算法能够很好地对强机动目标进行跟踪,且其计算量相对较小,是一种有效的分布交互式多模型多传感器多机动目标跟踪算法。     

改进压缩特征的实时压缩跟踪算法

提出了一种改进的实时压缩跟踪算法（RCT）。该算法基于实时压缩跟踪算法,构造出一个改进的随机测量矩阵,使降维后得到的压缩特征包含的灰度特征信息和纹理特征信息比例相等。RCT算法首先将图像序列的特征用改进的随机测量矩阵转化为低维度特征,再用朴素贝叶斯分类器对低维特征进行目标和背景的分类,从而实现对目标的跟踪。将原始算法（CT）、一种改进算法（BCT）和该文创新的改进算法（RCT）进行对比,实验表明：RCT算法保持了原始算法的实时性,并且在各实验图像序列中跟踪目标的鲁棒性最好。     

分布式粒子滤波算法在目标跟踪中的应用

针对无线传感器网络中目标跟踪的精度与网络能耗这一对矛盾,提出了一种改进的分布式粒子滤波算法。通过调整滤波器的似然分布保持粒子的多样性,同时将无线传感器网络中的跟踪机制进行改进,采用根据跟踪精度自适应调整动态簇内工作的传感器节点的数目。仿真结果表明:提出的改进算法在提高跟踪性能的同时减少了能量损耗,延长了网络的使用寿命。     

时延MPC自主车辆协同控制算法与仿真

协同自适应巡航控制（CACC）系统中车辆纵向运动的上下位分层控制器结构,上位控制器采用状态空间模型预测控制算法,利用期望距离以及车辆与环境的实时信息决策出被控车辆运动的期望加速度。下位控制器根据期望加速度,求解发动机节气门开度或制动压力。车辆的执行器时延会对系统的稳定性产生很大的影响。根据动态矩阵控制算法对纯滞后对象的补偿作用,提出一种改进的模型预测控制算法,并与PID控制算法（下位控制器）相结合形成自主车辆纵向运动的上下位分层控制器,以补偿车辆的执行器时延带来的影响。通过SIMULINK/CARSIM联合仿真平台对所设计的算法进行了仿真研究,仿真结果表明所设计算法减小了CACC系统车辆在跟随过程中的速度跟踪误差以及间距误差,提高了系统的稳定性法。     

用于弹道目标跟踪的新的非线性滤波算法

针对再入阶段弹道目标的跟踪问题,提出一种新的自适应滤波算法,即强跟踪有限差分扩展卡尔曼滤波（STFDEKF）算法,用于非线性系统的目标跟踪。该方法使用Sterling内插公式进行多项式的近似,从而实现对非线性函数的近似,避免了非线性函数的求导运算;并且算法中引入强跟踪的因子来修正先验的协方差矩阵。新算法改进了跟踪精度,扩大了应用范围,增强了滤波收敛性。仿真实验将新算法与扩展卡尔曼滤波器（EKF）、有限差分扩展卡尔曼滤波器（FDEKF）进行了比较,结果表明,STFDEKF在跟踪精度和滤波可靠性上均优于EKF和FDEKF,但其计算复杂性更大。得出结论,STFDEKF是个很有效的非线性滤波算法。     

基于功率控制的多节点协同目标跟踪算法

为适应资源有限的无线传感器网络节点的目标跟踪需求,并在保证跟踪性能的同时降低算法复杂度,提出一种功率控制和多节点协调(PC&MC)目标跟踪算法.借鉴Rao-Blackwellized技术,实现多节点协同作业以保证对动态目标的跟踪精度,采用基于连续/离散混合模型的准高斯粒子滤波器完成对目标的跟踪,在跟踪过程中使用功率控制...     

α稳定分布噪声下的空间时频DOA估计

当信号中存在α稳定分布噪声时,传统空间时频多重信号分类(STF-MUSIC)算法的空间波达方向(DOA)估计性能会降低甚至失效。为此,利用分数低阶矩(FLOM)代替二阶协方差矩阵,定义分数低阶矩空间时频分布矩阵(FLOM-STFDM)。对FLOM-STFDM进行特征分解,得到适用于稳定分布噪声环境的空间时频TF-FLOM-MUSIC算法,分析该算法的信噪比及误差估计,并给出算法实现步骤。仿真结果表明,TF-FLOM-MUSIC算法可有效降低DOA估计的均方误差,提高估计的分辨率和平滑性。