动目标精确定位自适应滤波算法研究

对于动目标的精确定位,常见的是应用数据融合技术来进行处理,文章应用自适应算法来处理目标的尤其是动目标的位置定位问题,应用基于加权最小二乘估计和卡尔曼滤波理论,建立目标运动的统计数学模型,在此基础上建立一种应用于目标位置定位的卡尔曼滤波算法,并给出了仿真曲线结果。     

多模自适应递推最小二乘滤波在机动目标跟踪中的应用

针对火控系统设计中卡尔曼滤波器存在的不足,在机动目标跟踪中应用最小二乘滤波方法.基于最小二乘法基本原理,推导递推格式最小二乘滤波公式系,详细论述其工程实现方法,并通过模拟航路仿真及实装动飞进行试验验证.结果表明:该方法的多模自适应递推最小二乘滤波能满足某火控系统相关要求,对类似系统具有一定的工程参考意义.     

递推最小二乘算法在新型无源探测系统中的应用

探讨了递推最小二乘算法在新型无源探测系统中的应用,这种算法是基于最小二乘算法提出的一种算法.用该算法联合自适应卡尔曼滤波算法对飞行目标定位,提高了实时性,减少了运算量.多次计算机仿真结果验证了算法的实时性和可靠性,精度较高.     

基于UKF的主动段弹道跟踪算法

利用预警卫星视线(LOS)测量对弹道导弹目标的跟踪问题是空间预警系统的关键技术.提出了基于弹体旋转的主动段动力学运动方程,解析表达了导弹推力加速度值和导弹在重力作用下姿态的变化特性.引入一种新的滤波估计算法UKF,通过特别选取一些样点,给出随机变量经过非线性变化后的均值和方差,得到滤波器基于非线性方程的更新,避免了非线性方程的线性化.通过Monte-Carlo仿真,与其它算法比较,说明该算法具有更好的适应能力,跟踪性能更好,适用于空间预警系统.     

自适应衰减记忆UKF算法在三维水下目标跟踪中的应用

针对传统算法在解决纯方位目标跟踪时存在有偏、收敛速度慢或发散等不足,无迹卡尔曼滤波（UKF）虽然改善了系统线性化误差,但并没有明显解决卡尔曼滤波器容易发散的问题。在扩展卡尔曼滤波和UKF算法的基础上,提出了一种自适应衰减记忆UKF算（AFMUKF）,并将其应用于三维水下目标跟踪系统中。AFMUKF算法通过引进衰减因子加强对当前测量数据的利用,减小历史数据对滤波的影响,通过自适应因子控制状态模型扰动对滤波解的影响。理论分析和仿真结果表明,AFMUKF算法在纯方位目标跟踪中的滤波精度、稳定性和收敛时间都优于UKF算法。     

时变噪声统计估计的自适应UKF目标跟踪算法

针对目标跟踪中非线性滤波精度下降甚至发散的问题,提出了一种时变噪声统计估计的自适应无迹卡尔曼滤波(Unscented Kalman Filtering,UKF)算法.首先将系统模型和滤波算法修正为适于噪声非零均值时的情况,然后根据极大后验估计原理,推导出一种次优的时变噪声统计估计器,其系数通过指数加权的衰减因子计算得到,最后与传统UKF算法结合形成自适应的滤波算法.仿真结果表明,该算法保证了滤波收敛性,能够对目标进行有效跟踪,而且滤波精度显著提高.     

基于自适应无迹卡尔曼滤波算法的多股螺旋弹簧动态响应模型参数辨识和分析

针对传统方法在辨识多股螺旋弹簧（以下简称多股簧）非线性响应模型参数时效率较低、精度较差的问题,提出带噪声统计估计器的自适应无迹卡尔曼滤波(AUKF)算法。该算法通过对多股簧试验数据中的量测(过程)噪声进行递推和估计,能够确保非线性模型参数辨识的收敛性;结合多股簧动态试验对该算法进行检验。研究结果表明：即使在量测噪声级别较高的情况下,AUKF算法也可以准确地求出多股簧的动力学模型参数;在预测多股簧动态响应过程中,若预测振幅和参数辨识所用振幅相差太大则会导致较大的预测误差;当加载速度变化时,多股簧动力学模型中的迟滞部分参数基本不变,但0阶非线性刚度系数和非线性放大因子变化较大。     

GPS单点定位动态滤波算法研究

将卡尔曼最优估计理论应用于GPS导航定位系统,它主要针对高动态用户设计了一种基于卡尔曼最优估计理论的定位算法．采用卡尔曼滤波技术来提高动态GPS导航定位精度和动态性能;对最小二乘法和卡尔曼滤波法的定位系统进行了仿真,并对定位误差和测速误差作了比较分析。结果表明。与最小二乘法相比,动态卡尔曼滤波算法能得到较好的滤波效果．定位精度有了明显提高。     

一种改进滤波算法及其在目标跟踪中的应用研究

针对无迹卡尔曼滤波算法在滤波迭代过程中可能存在状态协方差矩阵非正定情况,导致跟踪误差较大甚至滤波易发散等问题,对无迹卡尔曼滤波算法进行了改进设计。在滤波迭代过程中对状态协方差矩阵进行QR分解和Cholesky分解,通过分解后的协方差平方根矩阵来进行滤波迭代,从而保证状态协方差矩阵的正定性,并利用加权最小二乘法进行量测数据同步融合。为验证改进算法的有效性,设计了雷达红外联合跟踪系统数据融合仿真测试实验,并与传统无迹卡尔曼滤波算法进行了比较。仿真实验结果表明：改进算法能够有效抑制跟踪误差、提升目标跟踪系统的鲁棒性,可应用于防空武器系统多传感器航迹信息融合系统设计。     

一种基于弹道模型的机动目标跟踪算法

针对当前目标跟踪算法中跟踪模型与现代反舰导弹实际运动不匹配而影响跟踪精度的问题,根据反舰导弹的弹道特点,通过分析导弹受力情况和运动状态的关系,提出了一种基于弹道模型的机动目标跟踪算法,并针对高速跃升俯冲运动,分别与基于CV、CA模型的目标跟踪算法作了性能比较.仿真结果表明,该算法在原理上是正确可行的,可显著提高对高速强机动目标的跟踪性能.     

用于实时弹道滤波的Sage-Husa改进算法

为了解决实时弹道测量数据滤波过程中量测噪声统计特性未知且时变的实际问题,对Sage-Husa算法进行了多种改进,提出了改进的Sage-Husa自适应卡尔曼滤波（improved Sage-Husa adaptive Kalman filter,ISHAKF）算法。该算法将量测噪声协方差估计矩阵变换为半正定矩阵和正定矩阵之和的形式,保证了量测噪声协方差估计矩阵的正定性,消除了量测噪声协方差估计矩阵非正定导致滤波异常的缺陷。设计了一种自适应遗忘因子,提升了滤波收敛速度,解决了量测噪声统计特性突变时Sage-Husa算法收敛较慢的问题。对卡尔曼增益矩阵进行了抗差改进,增强了算法的鲁棒性,削弱了野值对滤波效果的影响。分别对正定性改进、遗忘因子改进和抗差改进进行了对比仿真实验,对比结果验证了Sage-Husa算法改进的正确性和有效性。通过ISHAKF算法的实例应用,证明了该算法在实时弹道滤波上,具有更高的实时性、自适应性和抗差性,滤波效果提升明显。     

状态自适应无迹卡尔曼滤波算法及其在水下机动目标跟踪中的应用

为了满足水下对抗对机动目标实时跟踪和目标航速、航向准确估计的要求,针对观测量为距离和方位的机动目标跟踪,对传统无迹卡尔曼滤波（UKF）跟踪算法进行了改善。提出根据UKF算法预测值和观测值残差的概率分布自适应调整目标状态噪声方法,使得UKF跟踪算法能够根据目标运动状态及时调整状态方程,在目标机动时减小对预测值的依赖,在目标非机动时增大对预测值的依赖。这种在线实时估计系统噪声状态的跟踪方法更加适用于机动目标的跟踪。数值仿真结果表明：该算法不仅在目标机动时具有良好的跟踪效果,而且在目标非机动时具有准确的估计性能。通过声纳信息综合处理系统验证了状态自适应UKF跟踪算法的性能。     

基于改进粒子滤波的静电目标跟踪算法

针对静电探测的数学模型结构复杂、强非线性以及实验测量数据存在极大不确定性的特点和传统粒子滤波(PF)算法存在的缺陷,提出了一种改进的粒子滤波(UPF)算法。该算法以无迹卡尔曼滤波(UKF)算法生成替代分布并从中采样,理论分析与仿真结果均表明,UPF算法能够提高静电探测系统目标跟踪的稳定性和精确性,解决了传统PF算法中以转换先验密度函数作为替代分布所引发的各种问题,具有较高的实用价值和广泛的应用前景。     

机动频率自适应的机动目标模糊跟踪算法

分析了基于＂当前＂统计模型的跟踪算法中,机动频率对滤波算法的影响.提出一种模糊自适应跟踪算法,该算法根据量测新息及其变化率通过模糊推理机制调整＂当前＂统计模型中的机动频率,以适应不同的目标机动模式.针对直角坐标系下量测模型为非线性方程,采用转换坐标卡尔曼滤波对目标状态进行估计.仿真结果表明：该算法无论跟踪机动目标还是非机动目标,其精度都要优于常规的基于＂当前＂统计模型的跟踪算法.     

一种处理机动目标的自适应Kalman滤波算法

针对卡尔曼滤波的缺点,提出了一种卡尔滤波的改进算法,然后将其应用到机动目标跟踪中,并用实例对该法进行了仿真,结果表明,该方法简单实用,效果很好.     

两站对运动目标无源定位算法研究

提出的算法是利用两个观测站测得的信息,应用三角交叉定位法,对运动目标辐射源位置的估计算法进行了研究.该算法在处理测量数据时,不是采用传统上对目标位置进行估计的方法,而是直接对目标的每一次位置的估计偏差进行估计和滤波,以达到定位跟踪的目的.具体运用加权最小二乘估计,为提高估计精度,将估计的结果送入卡尔曼滤波器进一步进行处理,经过一定次数的迭代处理,可以实现对目标快速的定位和跟踪,给出了算法结构框图及仿真结果.     

基于转换坐标卡尔曼滤波算法的目标跟踪

在三维空间中推导转换坐标卡尔曼滤波算法.先设一传感器位于坐标原点,导出目标测量方程及三维传感器测量误差方差.再假设目标相对于传感器的斜距、俯仰角及方位角在一定位置,根据公式求得三者关系,然后将传感器对目标的测量值转换到直角坐标系,得到传感器的斜距误差俯仰角误差和方位角误差均相互独立,均值为零.最后经转换,得到测量和真实值间的误差.仿真表明,该算法收敛迅速,精度较高,具有良好的跟踪性能.     

基于自适应滤波的惯性+多模卫星组合导航算法研究

惯性+多模卫星组合导航系统通常采用定常参数的加权最小二乘算法进行多传感器信息融合,若加权系数与实际噪声统计特性不吻合,将会对组合导航精度产生不利影响.为解决该问题,提出一种基于自适应滤波的改进信息融合算法,对惯性及卫星导航数据应用自适应Kalman滤波以估计惯性导航误差,对滤波输出进行基于加权最小二乘法的多模信息融合,并根据滤波误差方差阵的解算结果对加权系数进行实时调整以优化估计精度.仿真结果表明该算法能够在一定程度上提高组合导航系统的精度和对不同随机噪声的适应能力.     

基于自适应滤波技术的被动协同跟踪算法

为增强被动协同跟踪系统对复杂环境的适应性，提高跟踪精度和系统鲁棒性，提出了一种基于自适应滤波技术的目标跟踪算法。该算法通过基于Sage-Husa自适应噪声估计的无迹卡尔曼滤波对多站被动协同定位结果进行状态估计，并利用残差量的局部动态统计对噪声估计器进行改进，以提高噪声估计的准确性和稳定性。同时，引入协方差自相关量匹配判据来保证噪声方差阵的正定性，防止滤波发散。仿真结果表明，该方法可有效提高噪声估计精度，增强目标跟踪系统对环境的适应性，大幅提升跟踪性能。     

机动目标跟踪的自适应卡尔曼滤波算法实现

为真实反映目标机动范围与强度的变化,引入了机动目标的“当前”统计模型,提出了一种基于该模型的自适应卡尔曼滤波算法．仿真结果表明,能有效改善在机动目标跟踪中传统的卡尔曼滤波可能出现的发散情况,提高了跟踪的准确性和稳定性．