基于角度约束采样的单站无源定位混合粒子滤波算法

为实现固定单站对运动辐射源的快速定位,该文给出了一种基于角度约束采样的混合粒子滤波算法。该算法从EKF(Extended Kalman Filter)滤波得到建议分布,利用角度测量对状态变量的约束关系从建议分布产生所需粒子,可以减少粒子滤波用于高维情况时所需的粒子数目,改善滤波性能,降低运算成本。结合利用多普勒变化率和角度测量的单站定位方法,与EKF,UKF(Unscented Kalman Filter)以及一般混合粒子滤波算法的仿真比较表明,该算法在滤波收敛速度、跟踪精度以及稳定性方面优于其它算法,估计误差更接近Cramer-Rao下界。     

基于UT的混合粒子滤波单站无源定位算法

为利用无源固定单站对运动辐射源快速定位,将粒子滤波和UT(unscented transformation)应用于单站无源定位,给出了一种基于UT的角度约束采样混合粒子滤波无源定位算法,该算法从UKF滤波得到建议分布,从该建议分布采样时引入角度测量对状态变量的约束,可以减少粒子滤波用于高维情况时所需的粒子数目,改善滤波性能.与EKF、UKF(unscented kalman filter)以及基于EKF的混合粒子滤波算法的仿真比较表明,本文算法在滤波收敛速度、跟踪精度以及稳定性方面优于其它算法,估计误差可以接近Cramer-Rao下界.     

基于中心差分的机动辐射源单站被动跟踪算法

针对机动辐射源的单站被动跟踪问题,结合中心差分滤波(central difference filter)方法,该文提出了一种基于中心差分的交互多模型(IMM)机动目标跟踪算法,无需计算基于EKF(Extended Kalman Filter)方法所需的Jacobian矩阵,易于实现。将传统IMM算法中协方差的传递改造为平方根滤波形式,数值稳定性更好。将该算法应用到联合利用径向加速度和角度信息的单站定位系统,与基于EKF的IMM算法和基于UT(Unscented Transformation)的IMM算法仿真比较表明,该文算法和基于UT的IMM算法性能相当,比基于EKF的算法具有更高的跟踪精度。     

一种新型混合并行粒子滤波频率估计方法

针对高动态、低信噪比环境下的载波频率信号跟踪问题,提出一种新的混合并行粒子滤波算法（ Multi-ple Extend Kalman Filter Independent Metropolis Hastings ,M-E-IMH）。该算法具有并行运算结构,实时性较基本粒子滤波有较大的提高。该算法直接利用同相支路（In-phase,I）和正交支路（Quadrature,Q）作为观测量,避免了传统方法中的鉴别器引入而引起的信噪比损耗。在高斯和非高斯环境下,与现有的载波跟踪方法如扩展卡尔曼滤波器（ EKF ）,粒子滤波器（ PF）,卡尔曼滤波器（ KF）等仿真对比表明,该方法在低信噪比下具有更高的跟踪精度。     

NLOS环境下基于TOA/AOA的单基站目标跟踪

现有的单基站定位技术由于非视距（Non-Line-of-Sight,NLOS）误差的存在,导致定位性能急剧下降。针对这一问题,提出了一种基于单基站的改进扩展卡尔曼滤波（Extended Kalman Filter,EKF）算法。该算法在扩展卡尔曼滤波器中引入阈值去判断是否丢弃测量值,通过对卡尔曼增益的处理来提高对NLOS误差的滤除能力,最后利用扩展卡尔曼滤波器的跟踪性能对移动目标进行定位跟踪。仿真结果表明,所提算法的定位精度优于传统的EKF、无迹卡尔曼滤波器（Unscented Kalman Filter,UKF）等算法,且对抑制NLOS误差具有良好的效果。     

EKF、PF在目标跟踪中的研究

介绍两种目标跟踪算法—扩展卡尔曼滤波器（Extended Kalman Filter,EKF）、粒子滤波器（Particle filter,PF）。EKF利用泰勒级数方法,将非线性问题转化到线性空间,再利用卡尔曼滤波器进行滤波,并达到一阶估计精度。PF是一种采用蒙特卡罗采样的贝叶斯滤波方法,它将复杂的目标状态分布表示为一组加权值,通过寻找在粒子滤波分布中最大权值的粒子来确定目标最可能所处的状态分布,已成为复杂环境下进行目标跟踪的最好的方法。文中通过仿真实验,对二者的性能进行了仿真比较,结果证明在复杂的非高斯非线性环境中,PF的性能明显优于EKF,但计算复杂,耗时长。     

一种基于EPF滤波的三维单站无源定位算法研究

利用频率变化率、方位角及俯仰角信息,提出一种对固定辐射源的三维单站无源定位算法。该方法通过质点运动学原理,得出目标辐射源的位置,之后采用EPF滤波算法进行处理,对粗略定位结果进行修正和平滑,逐步估计出目标的位置。EPF（ExtendedParticleFilter）滤波是将EKF（ExtendedKalmanFilter）算法作为重要性函数的一种粒子滤波方法。仿真结果表明,基于EPF滤波的单站无源定位算法比传统的EKF滤波算法收敛更快、更稳定,滤波效果更好,定位精度更高,这对无源定位跟踪算法精度的提高和实际应用有很大的意义。     

基于强跟踪容积卡尔曼滤波的单站无源跟踪算法北大核心CSCD

系统模型和滤波算法是机动目标单站无源定位跟踪要解决的核心问题。文中采用截断正态概率模型和一种新型的滤波算法--容积卡尔曼滤波,对机动目标进行单站无源定位跟踪。针对目标突发机动的情况,借鉴强跟踪滤波器的思想,在滤波过程中引入时变渐消因子,提出了一种强跟踪容积卡尔曼滤波算法(Strong Tracking Cubature Kalman Filter,STCKF)。该算法利用容积数值积分原则直接计算非线性随机函数的均值和方差,实现简单,估计精度高,并通过渐消因子自适应在线调节增益矩阵,增强了系统对突发机动的跟踪能力。结合空频域单站无源定位模型进行仿真实验表明,STCKF算法在对一般机动目标进行跟踪时,性能与CKF算法相当,并优于传统的EKF算法。当目标突变大机动时,STCKF算法的滤波性能要高于EKF以及CKF算法。     

基于非视距误差直接估计的定位跟踪算法

在蜂窝无线定位中,由于非视距（non-line-of-sight, NLOS）误差是影响定位精度的主要因素之一,所以如何减轻NLOS误差影响成为当前无线定位研究的热点。本文针对NLOS环境下的定位跟踪问题,提出一种基于扩展卡尔曼滤波（extended Kalman filter ,EKF)的定位跟踪算法。该算法首先在最小二乘准测下推导出估计测量值中NLOS误差的直接计算公式,然后使用约束加权最小二乘（constrained weighted least squares, CWLS）方法计算出每一个测量值中所含的NLOS误差,最后利用NLOS误差估计值去修正EKF滤波,以便适应NLOS环境下的定位跟踪,并获取高的定位精度。这种方式不依赖于特定的NLOS误差分布,也无需视距（line-of-sight, LOS）和非视距识别。数值结果表明该算法相比较于经典EKF算法和基于NLOS迭代的EKF算法可以快速有效地抑制定位误差,并且可以在极为恶劣的NLOS环境下满足FCC的定位要求。另外,复杂性实验表明该算法可适用于实时跟踪。      

基于后向平滑容积卡尔曼滤波的单站无源定位算法

单站无源定位跟踪是一个典型的非线性滤波问题,由于测量精度不高、初始误差较大等原因容易导致滤波算法定位精度低、收敛速度慢。本文将一种新型的滤波算法——容积卡尔曼滤波（cubature Kalman filter,CKF）应用于单站无源定位领域,并将后向平滑滤波思想与CKF算法相结合,提出了一种后向平滑容积卡尔曼滤波算法（backward-smoothing CKF,BSCKF）。该算法使用容积数值积分原则直接计算非线性随机函数的均值和方差,并采用后向平滑值进行递归滤波,具有更优非线性估计性能。仿真实验表明,与EKF、UKF和CKF算法相比,BSCKF算法定位精度更高、收敛速度更快。      

采样滤波算法在单站无源定位中的应用

讨论了用采样的方法近似非线性分布来解决无源定位中的非线性问题,提出了一种简单的正则粒子滤波,克服了标准粒子滤波用于单站无源定位中出现的粒子贫乏现象,将粒子滤波成功应用到无源定位中,计算机仿真表明该算法的定位精度较Unscented卡尔曼滤波（UKF）有一定的提高。     

复合K噪声下机动目标跟踪自适应UPF算法

针对复合K噪声下机动目标跟踪系统具有强非线性非高斯的特点,提出了一种自适应无迹粒子滤波(Adaptive Unscented Particle Filter,AUPF)算法.该算法建立在常加速模型及其改进滤波算法基础上,并将无迹卡尔曼滤波(Unscented Kalman Filter,UKF)与强跟踪滤波(Strong Tracking Filter,STF)算法相结合作为提议分布,提高了系统跟踪一般机动和阶跃机动的能力.在给出复合K噪声模型的基础上,利用AUPF算法对几种典型机动目标进行了计算机仿真,并同无迹粒子滤波(Unscented Particle Filter,UPF)算法进行了比较.仿真结果表明,复合K噪声下AUPF算法能更有效地对各种机动目标进行跟踪,具有较高的跟踪精度.     

一种改进的EKPF算法在固定单站无源定位中的应用

本文针对EKPF算法在固定单站无源定位目标跟踪的应用中运算量大、实时性差的问题,通过对部分粒子进行EKF采样,将EKPF算法进行改进,改进的EKPF算法不仅有效降低了运算量,同时增加了粒子的多样性,使粒子集更能体现概率密度函数的真实分布。Matlab仿真表明,与传统的EKPF算法相比,改进算法在保证滤波性能基本不变的前提下,算法运算量大幅下降。     

基于扩展卡尔曼滤波的单星无源定位法

提出了一种基于EKF（Extended Kalman Filter）单星对地面无线电辐射源的定位方法．该方法能够解决基于干涉仪测向的定位处理中存在的模糊问题，从而可通过增加测向基线长度提高测向的定位精度。     

基于粒子滤波的机载单站无源跟踪算法

针对空中观测平台对远距离海面慢速运动目标定位跟踪这一非线性估计问题,介绍了专门处理非线性估计问题的粒子滤波算法,将粒子滤波算法(Particle Filter,PF)应用于机载单站无源定位跟踪问题,有效提高了对慢速运动目标的单站无源定位跟踪性能,解决了传统的扩展卡尔曼滤波算法在非线性估计时存在收敛速度慢的问题。通过与扩展卡尔曼滤波算法的仿真比较表明,粒子滤波算法可实现对慢速运动目标的高精度定位跟踪,且性能优于扩展卡尔曼滤波算法。     

基于扩展卡尔曼滤波算法的飞行器姿态测量系统

针对常规卡尔曼滤波算法在飞行器姿态测量系统中存在局限性,采用扩展卡尔曼滤波算法(Extended Kalman Filter,以下简称EKF)作为飞行器的姿态测量算法,使用欧拉角描述姿态建立飞行器姿态测量模型,将陀螺的连续测量值作为飞行器的短期姿态,同时用GPS的测量值作为飞行器的长期姿态校正信息.通过数学仿真证明在一定条件下该滤波器有较高的滤波精度,能够更加准确的得到姿态测量值.     

UKF滤波在农业车载北斗导航系统中的应用

我国自主研制的北斗卫星导航系统已开始应用于农业机械自动导航。针对广泛研究的无源北斗定位系统,由于定位接收机本身误差、环境噪声以及人为干扰等因素的影响,而导致相应的量测序列出现某些粗大的错误数据,使得导航定位不精确。用无迹卡尔曼滤波算法UKF(Unscented Kalman Filter)实现农业车载导航系统的非线性状态估计,避免了EKF方法的线性化近似过程及其引入的线性化截断误差,提高了算法的收敛速度和载体的定位精度。文中针对基于BD导航定位的喷雾机,对车载BD系统进行当前统计建模,用EKF和UKF方法分别进行了滤波仿真。仿真结果表明:在车载导航状态估计中,UKF滤波方法优于EKF滤波方法,定位精度可以达到1米左右。     

基于EKF和PF的多机器人协同定位技术

无论对于单机器人还是多机器人系统,定位能力是其完成各项任务的前提条件。针对常用定位技术难以满足移动机器人群体协同定位精度高、实时性强等要求,提出了一种基于扩展卡尔曼滤波（EKF）和粒子滤波（PF）的混合定位技术。首先,对机器人进行运动建模,然后分别讨论基于扩展卡尔曼滤波和粒子滤波的机器人协同定位的基本原理、优缺点,在此基础上提出基于扩展卡尔曼滤波和粒子滤波相结合的协同定位方法。结果表明,该算法在满足一定条件下可有效解决定位精度与运算量之间的矛盾,可实现在初始条件未知或存在较大误差情况下多机器人快速、精确地协同定位。     

基于粒子滤波的蜂窝网移动台单站跟踪

仅使用单个基站测量信息对蜂窝网移动台进行定位跟踪实现简单并具有较高的可定位概率,但面临的挑战是如何提高定位精度。粒子滤波是基于贝叶斯推论的一种蒙特卡洛方法,特别适用于非线性非高斯信号处理。该文提出了基于粒子滤波的单站跟踪算法。仿真结果表明与快拍式定位方法相比,这种滤波算法大大提高了单站定位的精度;与扩展卡尔曼滤波相比,粒子滤波收敛速度快,性能稳健。     

高斯和高阶无迹卡尔曼滤波算法

为了提高非线性变换的近似精度,提出了一种高阶无迹变换（High order Unscented Transform,HUT）机制,利用HUT确定采样点并进行数值积分去近似状态的后验概率密度函数,建立了高阶无迹卡尔曼滤波（High-order Unscented Kalman Filter,HUKF）算法.进一步的为了解决非线性、非高斯系统的状态估计问题,将HUKF与高斯和滤波（Gaussian Sum Filter,GSF）相结合,提出了一种高斯和高阶无迹卡尔曼滤波算法（Gaussian Sum High order Unscented Kalman filter,GS-HUKF）,该算法的核心思想是利用一组高斯分布的和去近似状态的后验概率密度,同时针对每一个高斯分布采用高阶无迹卡尔曼滤波算法进行估计.数值仿真实验结果表明,提出的HUT机制与普通的无迹变换（Unscented Transform,UT）相比,具有更高的近似精度;提出的GS-HUKF与传统的GSF以及高斯和粒子滤波器（Gaussian Sum Particle Filter,GS-PF）相比,兼容了二者的优点,即具有计算复杂度低和估计精度高的特性.