基于IMM-SCKF-STF的机动目标跟踪算法

在处理非线性机动目标跟踪问题时,传统的非线性滤波估计算法跟踪误差大且容易引起滤波发散.针对上述问题,研究将强跟踪平方根容积卡尔曼滤波(SCKF-STF)和交互多模型(IMM)算法相结合,提出一种新型的交互多模型强跟踪平方根容积卡尔曼滤波(IMM-SCKF-STF)跟踪算法.该算法在SCKF基础上引入强跟踪渐消因子,使其不仅拥有应对机动目标状态突变的强跟踪能力,同时还具备交互多模型算法的优良机动目标跟踪性能.因此,新算法在机动目标跟踪方面将获得更高的非线性滤波估计精度,且算法的稳定性和应对状态突变的跟踪鲁棒性能获得显著提高.最后,通过两个仿真例子验证了此算法的有效性与优越性.     

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。     

自适应SCKF在机动目标跟踪中的应用

目标跟踪系统的数学模型或统计特性的不确定性,往往会导致机动目标跟踪精度降低甚至跟踪发散。在综合平方根求容积卡尔曼滤波算法和改进的Sage-Husa估计器的基础上,提出一种自适应求容积平方根卡尔曼滤波算法。该算法通过实时估计未知系统噪声,抑制由于噪声统计特性未知时变而导致的滤波误差,从而实现机动目标的自适应跟踪。仿真结果表明,在系统噪声未知时变,且与先验系统噪声存在一定差异时,自适应平方根求容积卡尔曼滤波器能有效地改进标准平方根求容积卡尔曼滤波器的跟踪精度和跟踪稳定性。     

基于SCKF算法的空间机动目标跟踪研究

针对空间机动目标快速跟踪问题,建立了考虑J2项摄动和目标在线机动的系统状态模型和天基仅测角观测模型,通过对比研究采用了一种平方根容积卡尔曼滤波方法进行目标跟踪。针对空间目标共面机动和异面机动等不同机动方式,研究了SCKF算法在不同机动方式下的跟踪性能。仿真结果表明,在机动能力相同的情况下,轨道面内的机动较轨道异面机动更容易使滤波器发散;通过4种机动方式比较研究,SCKF滤波器对轨道坐标系中横向机动最为敏感,而沿探测器与目标的视线方向机动最易被再次稳定跟踪。     

基于强跟踪的平方根不敏卡尔曼滤波器

针对不敏卡尔曼滤波器在递推过程中的数值不稳定性以及系统发生突变时跟踪效果不佳的问题,提出一种新的机动目标自适应跟踪算法——基于强跟踪的平方根不敏卡尔曼滤波器(STF-SRUKF)。该算法一方面基于平方根滤波的思想,在递推过程中采用协方差矩阵的平方根代替协方差矩阵本身,以保证数值计算的稳定性;另一方面,基于强跟踪滤波的思想,在递推过程中引入时变渐消因子,实时调节增益矩阵,以增强目标运动发生突变时的跟踪能力。仿真结果表明,STF-SRUKF算法对于突发机动的目标运动模型具有良好的跟踪效果,而且具有较好的稳定性。     

弹载BDS/SINS深组合自适应CKF滤波方法研究

针对弹道导弹高动态、非线性的特点,引入了基于三阶球面-径向容积准则的非线性容积卡尔曼滤波(CKF)算法。此外,针对其特点,研究了发射惯性系下BDS/SINS深组合导航下的自适应容积卡尔曼滤波(ACKF)算法。该算法根据Sage滤波开窗法的思想和渐消的思想,通过引入多重次优渐消因子到CKF滤波器中,自适应地在线调整CKF滤波器的观测误差协方差阵,在提高滤波精度的同时实现对快速变化的状态进行强有力的跟踪。实验结果表明:多重次优渐消因子的引入使得CKF滤波器可以更多地利用系统的先验信息,ACKF滤波器对快速变化的状态具有更强的跟踪,系统误差在较短的时间内收敛,提高了组合导航系统的动态性能。     

基于CKF的自适应网格交互式多模型

针对非线性系统中的目标跟踪问题,在机动转弯模型的基础上提出容积卡尔曼滤波(CKF)与自适应网格(AG)思想相结合的变结构多模型(VSMM)算法,即基于CKF的自适应网格交互式多模型算法(CKF-AGIMM)。该算法将CKF作为滤波器,利用网格中心和网格最小间距的调整对转弯模型集进行自适应变化以有效跟踪目标。与基于容积卡尔曼滤波的交互式多模型算法(IMMCKF)进行了仿真对比。实验结果表明,在未增加运行时间的情况下,该算法相比于IMMCKF算法有更高的跟踪精度与稳定性。     

五阶容积卡尔曼滤波算法及其应用

容积卡尔曼滤波(CKF)是一种新型的非线性滤波方法,可获得优于扩展卡尔曼滤波(EKF)和无迹卡尔曼滤波(UKF)的滤波精度和滤波效率.但是,传统的CKF基于三阶容积准则而提出,因此滤波精度受到限制,为进一步提高CKF滤波性能,文中将容积准则由三阶扩展到五阶,采用两种不同容积点集选择方案,提出一种新型的五阶CKF算法.该算法可有效改善传统CKF在精度方面的理论局限,并有效改善一般五阶CKF计算量大的问题.机动目标跟踪仿真结果表明了新方法的有效性和可行性.     

强跟踪自适应平方根容积卡尔曼滤波算法

针对强跟踪滤波器（STF）的理论局限性及不良测量导致的滤波性能下降问题,提出了一种强跟踪自适应平方根容积卡尔曼滤波（SRCKF）算法。利用新息协方差匹配原理,建立对不良测量具有鲁棒性的自适应SRCKF 。基于STF的理论框架,采用自适应SRCKF代替扩展卡尔曼滤波构建强跟踪自适应SRCKF 。该算法兼具STF与自适应SR-CKF的优点,在系统同时存在模型不确定性及不良测量时具有良好的滤波性能。仿真验证了所建算法的有效性。     

机动目标无源跟踪IMM-MKF算法

为提高运动多站对机动目标的无源跟踪性能,提出了一种新的基于交互式多模型-边缘化卡尔曼滤波(IMM-MKF)的机动目标跟踪算法。该算法将交互式多模型(IMM)结构和边缘化卡尔曼滤波(MKF)结合,利用MKF算法对每个模型进行滤波,对滤波结果进行交互作用来得到跟踪结果。以只测角机动目标跟踪为例对所提算法进行仿真分析,仿真结果表明,相对于采用扩展卡尔曼滤波(EKF)、不敏卡尔曼滤波(UKF)及容积卡尔曼滤波(CKF)算法的典型交互式多模型算法,所提算法具有更好的跟踪性能。     

基于波形调度的机动目标跟踪算法

针对机动目标的跟踪问题,提出一种结合自适应匀速（Constant Acceleration,CA）模型和波形调度的平方根容积卡尔曼滤波（Square-Root Cubature Kalman Filter,SCKF）算法.在CA模型的基础上,通过构建Jerk分量与速度、加速度的近似关系,使得状态过程噪声与滤波器输出的状态协方差矩阵相联系,以实现模型的自适应调整.另外,利用分数阶傅里叶变换（Fractional Fourier Transform,FrFT）旋转发射波形的模糊函数,使得量测误差椭圆与滤波算法中的状态预测误差椭圆正交,得到最优的发射波形,以从数据处理和信号处理两方面共同提升系统的跟踪性能.仿真结果表明,相比于基于改进当前统计（current statistical,CS）模型的无迹卡尔曼滤波（Unscented Kalman Filter,UKF）算法、基于CS模型的SCKF算法、基于CA模型的SCKF算法和交互式多模型（IMM）SCKF算法,所提算法结构简单且跟踪精度更高.     

抗差SRCKF滤波在惯性导航初始对准中的应用

针对惯性导航系统大失准角初始对准问题,文中建立了一种基于捷联惯导系统的非线性误差模型,并采用标准容积卡尔曼滤波(CKF)进行数据融合。在系统模型噪声不确定情况下,标准的CKF可能会出现发散的问题,为解决其发散的问题,采用抗差平方根容积卡尔曼滤波(抗差SRCKF)算法进行滤波,抗差SRCKF算法能够保证数值计算稳定性和消除粗差对CKF滤波器的影响,从而抑制滤波的发散,进一步提高滤波器的稳定性。最后,在静基座下对惯性导航系统大失准角初始对准进行仿真。结论表明,随着失准角的增大,在观测量中存在一次或多次粗差时,相较于KF、EKF和SRCKF算法,抗差SRCKF算法具有较好的鲁棒性,估计结果不受观测量粗差的影响。     

基于IMMCKF的机动目标跟踪算法

针对非线性机动目标跟踪中滤波器易发散、跟踪精度低等问题,将容积卡尔曼滤波器(CKF)引入到交互式多模型算法(IMM)中,设计了交互式多模型容积卡尔曼滤波算法(IMMCKF)。该算法采用Markov过程描述多个目标模型间的切换,利用CKF滤波器对每个模型进行滤波,将各滤波器状态输出的概率加权融合作为IMMCKF的输出。仿真结果表明,与IMMUKF算法相比,IMMCKF算法跟踪精度更高,模型切换速度更快,计算量更小,该算法具有重要的工程应用价值。     

自适应SICKF及在目标跟踪中的应用

针对容积卡尔曼滤波（CKF) 估计精度在系统状态或参数突变时下降的问题,结合均方根嵌入式容积卡尔曼滤波(SICKF)和强跟踪滤波(STF)思想,提出了一种自适应SICKF(ASICKF)方法。在SICKF获得高估计精度的同时引入STF条件,根据系统输出残差获得自适应渐消因子,将其引入系统输出协方差均方根阵和互协方差阵中对滤波增益进行实时修正,强迫系统输出残差序列始终正交,从而使SICKF算法具备强跟踪能力。为验证所提ASICKF算法性能,利用数值仿真将其应用于存在突变情况的目标跟踪问题中。仿真结果表明,ASICKF在系统状态突变时仍能保持较高的估计精度,算法稳定性和适应能力较好。     

机动目标单站无源定位中的测量更新CKF-IMM算法

机动目标单站无源定位是一个典型的非线性滤波问题,将一种新型的滤波算法——容积卡尔曼滤波(CKF)应用于IMM算法之中.为进一步提高定位跟踪精度,提出了一种测量更新CKF-IMM算法.该算法利用马尔科夫过程控制子模型间的切换,并采用CKF算法对各模型进行滤波,然后将每个滤波器的输出状态进行概率加权求和,最后对融合状态再进行一次非线性测量更新.结合空频域单站无源定位模型进行仿真实验表明,与传统的EKF-IMM和UKF-IMM算法相比,CKF-IMM算法的估计误差更小、定位精度更高;而测量更新CKF-IMM算法较CKF-IMM算法可进一步提高定位跟踪精度.     

鲁棒四元数平方根容积卡尔曼滤波算法

针对姿态估计领域中,当系统观测噪声不完全服从于高斯分布或观测量中含有野值时,传统的四元数卡尔曼滤波算法会降阶,使滤波估计性能降低等问题,提出了一种鲁棒化的四元数平方根容积卡尔曼滤波算法。通过研究引入M估计的Huber鲁棒化滤波框架,对四元数平方根容积卡尔曼滤波算法的量测更新进行修正,增强滤波估计的鲁棒性。以SINS/GPS位置松组合为应用研究背景,在不同仿真环境下,对比验证所提出算法对于姿态、速度和位置估计效果,试验结果表明,所提出算法具有更好滤波鲁棒性和稳定性。     

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。      

自适应平方根球型无迹卡尔曼滤波算法

针对传统无迹卡尔曼滤波器存在跟踪精度低、数值稳定性差、鲁棒性弱等缺点, 提出了一种基于球型无迹变换的自适应平方根UKF滤波算法（Adaptive Square Root UKF Filtering Algorithm Based on Spherical Unscented Transform, ASRS-UKF）。该算法在标准的平方根UKF算法上,首先改用了球型无迹变换对权系数以及sigma点进行计算选取;其次改进了平方根UKF中平方根矩阵的分解方法;同时在预测误差协方差矩阵中引入了自适应衰减因子。最后,通过将该算法同平方根UKF以及强跟踪UKF算法进行仿真对比,结果表明,ASRS-UKF算法在减少计算量、加快计算速度的同时还提高了滤波精度和稳定性,而且对于系统模型匹配不佳的情况下,仍具有良好的跟踪性能。     

空基多平台对空中机动目标的被动跟踪定位算法

针对空中机动目标的被动定位跟踪问题,提出了一种先用静态估计理论对空中目标进行最小二乘估计,再采用基于“当前”统计模型的自适应滤波算法进行滤波处理的方法,取得了比最小二乘估计与卡尔曼滤波相结合的算法更好的效果。仿真结果表明,在跟踪非机动目标时,该算法和最小二乘估计与卡尔曼滤波结合的办法相当;在跟踪机动目标时,该算法的误差明显小于原算法。