基于量测预测联合估计的单站只测角跟踪

提出用于单站只测角系统的修正最佳线性无偏估计(BLUE)滤波器。针对BLUE 滤波器用于雷达目标跟踪时需要完备的非线性观测集合来构建转换量测及单站只测角系统只提供方位观测,无法直接应用普通BLUE滤波器跟踪目标的问题,构造了基于目标状态预测的预测斜距,并在分析预测斜距误差统计特性后,用斜距预测和方位观测组成转换量测,推导出可应用于单站只测角系统的BLUE滤波模型。所提改进算法在性能和运算量上有明显优势,有很好的应用潜力。     

集中式BLUE滤波器在组网雷达中的应用

为解决组网雷达对目标跟踪中的量测非线性问题,提出基于最佳线性无偏估计器(BLUE)准则的融合滤波方法。建立以融合中心为原点的组网雷达对目标定位的量测方程,推导出极坐标系与球坐标系下跟踪目标的BLUE滤波模型。理论分析表明,集中式BLUE滤波架构在估计单个雷达量测转换误差统计特性的同时,还估计出雷达间量测转换误差的统计特性。因此,跟踪精度和置信度较分布式BLUE滤波方法有显著提高,计算量较其他算法也有明显优势。不同场景下的仿真分析证明:该方法在不同状态噪声水平下的表现优异,是一种很有竞争力的跟踪算法。     

基于BLUE的雷达/红外异步融合算法研究

多传感器融合是提高态势感知能力的重要手段。为提高探测能力,将雷达和红外传感器组网,各传感器独立工作,在统一调度下,完成探测、跟踪、识别任务。研究该系统的雷达/红外数据融合算法,针对传感器异步探测特点,采用观测驱动的融合跟踪方法：雷达探测到目标时,采用基于状态预测的改进BLUE（Best Linear Unbiased Estimation）滤波,通过方位预测的辅助,减小测角误差非线性效应,提高跟踪性能;红外探测到目标时,基于方位预测和斜距观测,构造新的转换量测模型,实现基于不完备观测的修正BLUE滤波器。理论分析和仿真证明：所述雷达/红外数据融合方法,在不同传感器布局下都具备更优的综合性能,其设计思想可解决其他类似的多传感器融合问题,有较好的应用推广潜力。     

引入斜距和高程预测的BLUE跟踪方法

最佳线性无偏估计（BLUE:Best Linear Unbiased Estimation）算法用于目标跟踪时,受斜距、高程参量间的“共线”效应影响,对近程目标估计误差会增大甚至发散。针对此问题,在量测转换模型中引入斜距、高程预测,构建斜距、高程参量有偏估计,抑制“共线”效应。基于非线性参数误差最小准则推导斜距、高程估计的权值和偏置,建立基于非线性观测和状态预测融合估计的量测转换模型。基于该模型的BLUE算法能更精确的捕捉转换量测误差特性,以较小计算代价获得性能提升,数值仿真鲁棒性好,有很好应用前景。      

量测转换卡尔曼滤波在塔康导航中的应用

塔康导航系统是一种无线电测角测距系统,结合高程数据可以确定目标的三维位置。由于塔康导航的量测误差较大,导致其对目标位置的估计精度不高。为解决此问题,用基于量测转换的滤波跟踪技术实现非线性量测下的状态估计。针对塔康导航系统量测值的特点,首先在斜距值与高度所在平面内推导出量测转换的误差统计特性,并将其推广到三维空间,进而推导出塔康导航系统中的量测转换模型。基于所推导模型的卡尔曼滤波器用于塔康导航系统中的目标跟踪,取得良好的效果。与经典滤波算法的性能对比表明,由于严格基于量测值推导量测转换误差的统计特性,算法在滤波误差、置信度和计算量上优于其它算法,可在不同量测噪声水平下稳健滤波,有较好的全面性和鲁棒性。      

基于改进扩展卡尔曼滤波算法的空中目标跟踪

采用扩展卡尔曼滤波方法建立了雷达跟踪模型,对空中目标航迹进行滤波,为了减少雷达量测噪声的不稳定变化对系统跟踪性能的影响,对扩展卡尔曼滤波算法进行了改进,利用新息方差的计算来调整卡尔曼滤波器的增益。仿真结果表明,采用改进扩展卡尔曼滤波算法后,在雷达量测噪声发生大幅变化的情况下,经过滤波后的位置和速度误差仍然趋于稳定。表明该方法具有很好的滤波性能及跟踪精度,并可以提高空中目标航迹预测的精确性。     

一种用于雷达量测的滤波算法

在雷达跟踪系统中,广泛使用混合坐标系下扩展卡尔曼滤波器（EKF）和转换卡尔曼滤波器（CMKF）两种算法,但是当目标距离较远时,这两种滤波器由于量测方程非线性的影响,误差较大,甚至导致滤波发射。本文计算了传统EKF滤波器引入的线性化误差,并在此基础上提出一种新的滤波算法（NDRKF）。计算机仿具结果表明,该算法减小了线性化误差的影响,较明显地改善了滤波顺的性能。     

球坐标系下多普勒雷达目标跟踪滤波器

将仅仅考虑位置量测的三维去偏一致转换量测卡尔曼滤波算法进行推广,以解决包含多普勒量测且斜距和多普勒的量测误差相关的雷达目标跟踪问题。首先利用斜距和多普勒量测的乘积构造伪量测,以减小多普勒量测和目标运动状态之间的强非线性程度;然后利用嵌套条件方法得到了转换量测误差前两阶矩的一致性估计;最后根据转换量测是目标运动状态二次函数的特性,用二阶EKF最优地实现了非线性跟踪滤波。Monte-Carlo仿真结果表明采用新算法可以明显改善跟踪滤波器的性能。     

基于转换瑞利滤波器的红外目标跟踪算法

利用转换瑞利滤波器(SRF),研究了仅有角度量测的单站红外目标跟踪问题,推导了基于SRF的红外目标跟踪算法,并给出了具体步骤.该算法利用量测方程本身的非线性结构,仅在每次迭代时用"匹配"的正态分布近似代替方位量测的条件概率分布,减小了引入误差.仿真实验表明在红外目标跟踪领域,与以往EKF类的方法相比,该算法实现简单、计算量小、鲁棒性好且滤波精度较高,具有良好的实际应用价值.     

基于量测转换的交互多模型概率数据互联算法

针对雷达跟踪机动目标时,目标运动模型通常线性地建模在直角坐标系内,而量测数据由传感器获得的实际情况,提出了基于量测转换的交互多模型概率数据互联算法.推导了该算法中相关的滤波估计、滤波误差协方差和数据关联概率,并且提出了跟踪门的确定方法.仿真结果表明了新算法的可行性和有效性.     

一种基于预测值量测转换的卡尔曼滤波跟踪算法

在雷达目标跟踪中,系统量测信息通常在球坐标系下获得。为了采用经典卡尔曼滤波算法实现有效目标跟踪,通常采用量测转换方法将非线性量测信息转换到直角坐标系中。针对传统量测转换方法基于量测值计算转换误差统计特性而导致的估计结果有偏问题,提出了一种基于预测值的量测转换方法,并将其与卡尔曼滤波算法相结合,获得了一种基于预测值量测转换的卡尔曼滤波跟踪算法。仿真结果表明,与现有的基于量测转换的卡尔曼滤波算法相比,该算法能在不提高运算量的情况下有效改善目标跟踪效果,跟踪精度提升约20%。     

带多普勒量测的序贯SCKF雷达目标跟踪算法

为提高非线性观测条件下雷达目标的跟踪性能,将序贯处理方法引入均方根容积卡尔曼滤波( SCKF),提出一种带多普勒量测的序贯均方根容积卡尔曼滤波( SSCKF-D)雷达目标跟踪算法,该算法通过建立伪量测去除径向距离和径向速度量测误差方差之间的相关性。基于SCKF算法,按照量测精确度的高低顺序对方位角、俯仰角、径向距离和伪量测序贯处理。 Monte Carlo仿真表明,与SCKF和带多普勒量测的均方根容积卡尔曼滤波( SCKF-D)算法相比,SSCKF-D算法跟踪精度更高,较后者提高20%以上,收敛速度更快,更适用于空间目标跟踪。     

基于BLUE与PCRLB的快速雷达资源管理

为提高相控阵雷达资源管理的实时性,提出了一种基于最优线性无偏估计滤波(Best Linear Unbiased Estimation,BLUE)和后验克拉美罗界(Posterior Cramer-Rao Lower Bound,PCRLB)的快速雷达资源管理算法.首先,使用BLUE算法代替传统跟踪滤波算法,完成目标跟踪,并得到目标在直角坐标系下的状态估计;然后,快速计算得到PCRLB作为代价函数,形成雷达资源管理模型;最后,利用该模型对多目标进行波束和驻留时间的分配.仿真结果表明,该算法以BLUE方法进行跟踪滤波,避免了传统PCRLB计算中雅可比矩阵(Jacobian Matrix)的运算,在保持跟踪精度的同时大幅减少运算量;以两步资源管理算法完成对波束、驻留时间的联合管理,合理分配雷达资源.     

视线坐标系带多普勒观测的雷达目标跟踪

雷达观测量与目标状态呈非线性关系,使目标跟踪成为非线性滤波问题,目标状态估计精度与跟踪滤波算法复杂度成了一对不可调和的矛盾。提出了在视线坐标系中建立观测方程,将笛卡尔坐标系中的目标运动方程转换到视线坐标系中,使得雷达观测量尤其是多普勒速度观测与目标状态呈线性关系,并推导得到了该坐标系下的卡尔曼滤波算法,比较了与标准卡尔曼滤波算法的不同。仿真结果表明,该算法不仅能改善跟踪滤波效果,还明显降低了算法复杂度,节省了运算时间。     

强跟踪Unscented滤波器及其在无源跟踪中的应用

本文研究用递推算法实现只测量到达角和多普勒频移的无源双基地雷达的目标运动分析。基于Unscented卡尔曼滤波器和强跟踪滤波器,提出了一种新的强跟踪Unscented滤波器算法。新算法在无源双基地雷达目标跟踪的仿真实验中显示了高精度鲁棒滤波的性能。