基于粒子滤波的弹道目标跟踪

弹道目标再入段的运动受到空气阻力、重力等力的影响,具有明显的非线性特征.传统的卡尔曼滤波是线性、高斯问题的最优滤波器,但无法处理非线性的估计问题.扩展卡尔曼滤波利用泰勒级数展开把非线性方程线性化,是解决非线性估计问题的有效算法;而近些年来出现的粒子滤波以其解决非线性问题的卓越性能,得到了迅速发展.文章对弹道目标再入段的运动特征进行研究,建立了目标的状态空间模型,并应用扩展卡尔曼滤波和粒子滤波实现了对弹道目标的跟踪.通过比较仿真结果,证明粒子滤波比扩展卡尔曼滤波精度更高,对噪声的抑制能力更强,也更稳定.因而具有重大的研究意义.     

较差质量数据下的返回弹道计算及对落点影响的分析

针对某老式卫星返回时雷达跟踪数据曾发生的测量异常及质量较差等情况,为解决此类数据在返回弹道及落点计算中出现的实际困难以及给出应对措施,基于工程实际情况给出了三种不同建模类型下的弹道计算方法——当前统计解耦扩展卡尔曼滤波（EKF）、动力学建模无迹卡尔曼滤波（UKF）、多项式滑窗最小二乘估计算法,并应用该次质量较差的实际观测数据进行了算法应用效果分析与落点计算情况对比,对计算中的经验及教训进行了总结。研究结果表明,所给出的三种算法在面对较差质量数据时性能差异较大,在工程实际应用中可考虑将多种算法互为参考。研究结果及其经验教训对卫星返回弹道及落点的实时估计的工程实施有一定的参考价值。     

基于自适应扩展卡尔曼滤波的导弹制导信息估计

在机动目标的被动跟踪研究领域,导引头仅能量测到视线角速度或视线角信息,利用仅有的角度测量信息对制导信息进行估计,是导弹实现先进导引律精确命中机动目标的基础。本文针对机动目标的被动跟踪问题,选取"当前"统计模型作为机动目标模型,建立系统状态方程和量测方程,提出一种适应于大机动目标的自适应扩展卡尔曼滤波算法对制导信息进行估计。通过仿真实验可以看出,本文所提出的算法具有较好的滤波效果,对制导信息的估计误差满足系统精度要求。     

基于改进粒子滤波和自适应融合的目标跟踪

针对复杂环境下视频目标跟踪精确度低的问题,提 出了一种基于混合迭代无迹粒子滤波(HI-UPF)和关联系数自 适应融合的目标跟踪算法。首先采用统计线性回归的方法对无迹变换进行优化,提出了HI- UPF,不 仅提升了滤波精度,而且有效降低了算法的时间消耗;其次基于关联系数,采用一种自适应 融合方法,实现了加性 融合和乘性融合的自适应切换,并根据关联系数提出一种改进的自适应加性融合方法。仿真 实验表明,本文方法对 于复杂条件下的目标跟踪具有较高的精度和较强的鲁棒性。     

基于滑动窗口抗差自适应滤波的SINS/DVL组合导航算法

捷联惯性导航系统（SINS）/多普勒测速仪（DVL）组合导航时,需要考虑多普勒速度信息中出现的野值和噪声特性变化对导航精度的影响。针对上述问题,提出基于滑动窗口抗差自适应滤波的SINS/DVL 组合导航算法。首先建立状态变换漂移误差角系统误差模型,在速度误差方程中用重力常值项代替比力项,减少比力项引起的速度误差,提高模型的准确性。然后利用新息序列判别野值,若异常则采用滑动窗口数据修正错误新息,并使用带遗忘因子的自适应滤波在线估计量测噪声。实验结果证明,新的系统误差模型和滑动窗口抗差自适应滤波能有效减缓位置误差的累积。2 h 的SINS/DVL 组合导航中误差航程比优于1.05%,相比于传统卡尔曼滤波性能提升39.66%。