基于H∞滤波技术的GPS动态定位研究

GPS动态定位的数据处理中广泛应用卡尔曼滤波,而卡尔曼滤波的应用要求动态模型(函数模型)和随机模型可靠和切合实际,但实际测量定位中难以保证观测对象的规则运动,因而容易出现模型误差.针对GPS动态定位的这一问题,文中探讨了在实际应用中存在模型误差时的H∞滤波及其改进型"当前"加速度模型的H∞滤波算法,与卡尔曼滤波相比,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.     

基于卡尔曼自适应滤波算法的机动目标仿真研究

卡尔曼滤波理论在目标跟踪中得到成功的应用,但是在目标各种运动状态下仅利用卡尔曼滤波很难具有良好的跟踪性能。介绍了几种自适应卡尔曼滤波算法,对基于"当前"统计模型的卡尔曼自适应滤波算法在目标跟踪领域进行仿真,验证了卡尔曼自适应滤波算法的可靠性。     

基于粒子滤波的机动目标跟踪

在单机动目标跟踪中,目标的机动情况是未知的,提出的算法用粒子滤波器求加速度的估计,由Kalman滤波得到加速度的重要性概率密度函数。仿真实验结果表明,该算法可较好地跟踪目标状态（包括加速度）的变化。     

基于粒子滤波的机动目标跟踪算法仿真研究

针对非线性多目标模型,应用粒子滤波算法,这种方法不受模型线性和Gauss假设的约束,是一种处理非线性非高斯动态系统状态递推估计的有效算法。在粒子滤波的基础上融合扩展卡尔曼滤波算法和无迹卡尔曼滤波算法。融合后的新算法在计算提议概率密度分布时,粒子的产生充分考虑当前时刻的量测,使得粒子的分布更加接近状态的后验概率分布,再用平滑算法处理滤波的结果。仿真结果表明,算法有较好的跟踪效果。     

基于非线性滤波算法的高动态GPS定位模型

运动载体上的GPS接收机在高动态环境下运行时,由于接收机与卫星的相对加速度和速度均过大,测得的伪距和多普勒频移均存在较大的误差,而现有的GPS定位模型动态建模较为简单,导致系统在高动态环境下定位精度很低.提出一种改进的GPS系统模型,将接收机加速度信息引入到系统状态变量中进行估计,测量模型和状态模型均随接收到的卫星颗数而动态改变,并使用了平淡卡尔曼滤波进行定位解算,结果证明,使GPS系统在高动态环境下仍能得出较高的定位精度,并有定位模型的有效性和较强的鲁棒性.     

基于车载GPS导航的非线性动态滤波算法

为了提高车载导航定位精度,根据全球定位系统（GPS）的特点,在分析线性滤波算法缺陷的基础上,建立了车载导航动态定位模型,并在通过准确获取后验概率密度函数的均值和方差经过非线性变换修正导航定位位置,给出了一种非线性动态滤波算法。仿真实验表明,与卡尔曼滤波相比,该方法能克服了滤波发散导致结果失真的问题,提高滤波的精度,解决线性滤波算法发散的缺陷。     

最大加速度未知的“当前”统计模型机动目标跟踪

分析了“当前”统计模型机动目标跟踪算法的性能对目标机动加速度最大值的依赖性,但是由于在实际中目标机动加速度的最大值往往是未知或不能准确已知的,所以为了克服“当前”统计模型的这一不足之处,采用协方差匹配和多级白噪声自适应滤波算法的思想,提出了一种“当前”统计模型在最大加速度未知情况下的机动目标跟踪新算法。对三种典型的机动目标运动形式进行了Monte-Carlo仿真研究,结果表明新算法对于解决机动目标跟踪问题非常有效。     

高动态GPS定位滤波算法的仿真研究

当前,GPS全球定位系统是相对完美的卫星定位系统,它的显著优点是全球性、全天候、实时定位,也可应用到多方面上,一般是应用在航天、航海等领域。尤其是最近几年来,GPS导航的应用更加多方面,它的发展前景也是无限好。在高动态GPS的定位数据中会有些许影响到定位的因素,然而将卡尔曼滤波方法应用到其中就可以大大降低该误差,从而提高精度,然而,在现实生活中得到对系统状态精确描述的内容是较为困难的。本论文对GPS的误差进行了分析,结果表明,提到的滤波算法对于高动态GPS定位很是适合。最后,在GPS/DR和GPS/INS组合导航定位系统中应用了卡尔曼滤波算法,并对其作了仿真分析和建模,得到了较为理想的结果。     

非线性动态滤波的迭代算法

阐述了标称状态的线性化方法和扩展的卡尔曼滤波公式及迭代卡尔曼滤波,探讨了非线性动态滤波的近似处理方法,围绕标称状态将非线性模型进行线性化,将标准的卡尔曼滤波扩展到非线性模型,得到扩展的卡尔曼滤波公式,研究了迭代滤波计算方法。扩展的卡尔曼滤波方法已经有效地用于非线性模型。     

机动目标跟踪的一种自适应“当前”模型

针对单个模型跟踪机动目标的性能不够理想、多模型方法最优模型集设计困难且算法较复杂的问题．基于“当前”模型，从目标与跟踪雷达的相对角运动出发，提出一种能适应多类飞行器的自适应跟踪单模型，并给出了优化估计目标与雷达的相对角运动及距离运动的算法．仿真结果表明．该自适应单模型跟踪性能稳定，远优于“当前”模型，对于强机动飞行的目标，其跟踪性能要优于交互多模型方法（IMM），而且其计算量要低于IMM．     

信息自适应过滤的效用指标优化方法

自适应过滤是文本检索会议(TREC)过滤任务的重要子任务,也最接近真实的环境。对评测指标的优化是自适应过滤任务中非常重要的研究方向。论文以TREC的评测指标为目标函数,对在阈值调整中的极大似然估计法和局部优化法进行了比较分析,提出了结合极大似然估计法的局部优化方法,克服了采用单一方法的缺点,实验结果表明这个方法对提高过滤性能是有效的。     

关于目标跟踪定位的仿真方法研究

研究雷达定位精度和准确性问题,为了解决在目标定位跟踪中由于目标机动引起的无迹卡尔曼滤波(UKF)误差大和滤波发散问题,提出了一种基于UKF和自适应神经网络-模糊推理系统(ANFIS)的新的目标跟踪定位方法.将自适应神经网络-模糊推理系统应用于目标跟踪系统,利用状态变量的预测误差和预测误差的变化率来自适应地调整卡尔曼滤波器的系统噪声协方差矩阵,实现了模糊推理、神经网络和UKF的有效结合,并应用于雷达目标定位跟踪系统进行仿真.仿真结果表明,方法比UKF有更好的跟踪性能,收敛快,对目标机动有更好的适应能力,为设计提供了依据.     

一种高斯渐进滤波框架下的目标跟踪方法

本文研究了一类存在量测信息缺失情况的目标跟踪问题,提出了一种高斯渐进框架下的目标跟踪方法以实现移动目标的跟踪.考虑可能存在的传感器故障或失效问题,采用假设检验方式以删选错误的量测信息.针对非线性滤波问题,量测信息的缺失将可能引起线性化误差、数值计算误差的增大,从而破坏目标跟踪估计器的稳定性和收敛性.为此,对渐进无迹卡尔曼滤波（Progressive unscented Kalman filter,PUKF）方法进行改进,使其更好地处理量测信息缺失引起的线性化误差、数值计算误差增大的问题.另外,通过对改进PUKF（Modified PUKF,MPUKF）方法的理论分析,证明其可保证渐进过程中的状态估计误差有界.最后,通过一个目标跟踪仿真实例表明,MPUKF方法比传统的IUKF方法和PUKF方法具有更高的跟踪精度.     

一种基于形态学滤波的雷达目标检测方法

雷达目标的检测是雷达应用的重点问题。而在对海雷达目标检测时,各种噪声会对雷达目标检测带来很大的影响。文章采用基于形态学滤波方面的方法,对如何减小噪声的影响作一定的探讨。     

动不平衡信号的滤波方法研究

摘要：通过对自动跟踪相关滤波、谐波小波滤波和零相移滤波的滤波原理分析,以及它们在LabVIEW开发系统下仿真结果的对比分析,得出自动跟踪相关滤波和谐波小波滤波是比较理想的动不平衡信号滤波方法;通过应用实验验证了自动跟踪相关滤波和谐波小波滤波的滤波性能。     

基于位置纠正和Kalman滤波算法的目标跟踪方法

本文基于判别尺度空间跟踪算法,将位置纠正方法和卡尔曼滤波算法应用于行人跟踪中.为解决行人因形变和环境变化导致的跟踪不准确的问题,本文充分利用fhog特征在行人跟踪上的优势,以判别尺度空间算法中的位置滤波器所计算的位置为中心,再次提取行人的fhog特征并将其与位置滤波器模板做相关运算,以此纠正行人位置.其次,利用卡尔曼滤波算法对纠正后的行人位置进行预测和再次纠正,最终在双重纠正的位置上训练新的位置滤波器模板.本文选取OTB-100中的行人数据集对该方法进行性能测试,实验结果表明,在原算法位置上,再次提取fhog特征进行相关运算能够纠正行人的位置,同时卡尔曼滤波对纠正位置进行预测和再次纠正,可使行人的定位精度再次提升.     

粒子滤波器在雷达目标跟踪中的运用

非线性估计领域的经典算法是扩展Kalman滤波(EKF).它采用了Taylor展开的线性变换来近似非线性模型,因而存在计算量大、实时性差、估计精度低等缺点.而粒子滤波采用一些带有权值的随机样本(粒子)来表示所需要的后验概率密度,而不是采用传统的线性变换,从而得到基于物理模型的近似最优数值解,具有精度高、收敛速度快等特点.本文对经典的方位、斜距量测跟踪问题进行了仿真.仿真结果表明,粒子滤波器的跟踪性能要优于EKF的性能.     

基于遗传算法的多目标定位技术

面对一般算法在多目标定位技术中难以求解的问题 ,利用遗传算法技术 ,给出了一个完整的多目标定位算法 ,包括空间数据的编码与祖先群体的生成、个体适应度的评价、个体的选择、交叉与变异等步骤 ,解决了该技术中一般算法复杂度为指数的问题     

空情目标的动态模糊决策方法研究

采用模糊数学中的模糊评价算法,并结合模糊决策方法对空情目标进行动态评价与决策,为空情目标的多目标、多因素评价与决策提供了科学的方法。     

High-Speed Dynamic Packet Filtering

One problem encountered while monitoring gigabit networks, is the need to filter only those packets that are interesting for a given task while ignoring the others. Popular packet filtering technologies enable users to specify complex filters but do not usually allow multiple filters to be specified. This paper describes the design and implementation of a new dynamic packet filtering solution that allows users to specify several IP filters simultaneously with almost no packet loss even on highly-loaded gigabit links. The advantage is that modern traffic monitoring applications such as P2P, IPTV, and VoIP, monitoring and lawful interception can dynamically set packet filters to efficiently discard packets into the operating system kernel according to traffic, calls, and users being monitored.