基于参数解耦的变分贝叶斯自适应卡尔曼滤波

针对噪声协方差矩阵失配情况下的状态估计问题,本文基于变分贝叶斯框架,提出了一种适用于过程噪声协方差矩阵和测量噪声协方差矩阵均未知条件下的参数解耦的变分贝叶斯自适应卡尔曼滤波算法。所提算法选取预测误差协方差矩阵作为变分优化变量,并引入了其马尔可夫演化模型,构造了参数解耦的变分推断模型。同时,采用固定点迭代优化实现状态、预测误差协方差矩阵和测量噪声协方差矩阵的联合后验概率分布求解,并设计了算法的收敛性判断准则。仿真结果验证了算法的有效性。     

强跟踪变分贝叶斯自适应卡尔曼滤波算法

针对线性高斯状态空间模型中的噪声统计特性时变时,变分贝叶斯自适应卡尔曼滤波效果会受影响的问题,提出了基于强跟踪原理的改进算法。该算法选择测量噪声模型为逆Wishart分布,将系统状态与时变的测量噪声协方差作为待估参数,利用变分贝叶斯方法对二者迭代递推估计。测量噪声协方差的最优估计结果再作为时变参数引入到基于强跟踪原理的次优渐消因子中,以提高其对状态预测协方差的修正精度。仿真结果表明,改进算法在噪声时变的线性高斯系统中能自适应地跟踪测量噪声协方差,有效克服过程噪声协方差时变的影响,估计结果的收敛速度和精度有很大改善。     

时变有色观测噪声下基于变分贝叶斯学习的自适应卡尔曼滤波

针对卡尔曼滤波中观测噪声是有色的且随时间变化这一情形,该文提出基于变分贝叶斯学习的自适应卡尔曼滤波算法。该算法先利用差分法,将时变噪声模型当中的有色观测噪声进行白化处理,从而使模型转换成了过程噪声与观测噪声相关的白噪声模型。考虑噪声相关条件下的卡尔曼滤波,并使之与变分贝叶斯学习结合,将白噪声方差与系统状态变量一起作为参数进行联合的递推估计。仿真结果表明,该自适应算法对时变的噪声具有较好的跟踪效果,相对经典卡尔曼滤波有着较高的滤波精度,最终得到时变有色观测噪声下的状态估计。     

改进的平方根容积卡尔曼滤波及其在POS中的应用

为解决扩展卡尔曼滤波在处理复杂非线性状态估计时,存在收敛速度慢、估计精度低及数值稳定性差等问题,引入一种改进的平方根容积卡尔曼滤波算法(A-SRCKF)。该算法在容积卡尔曼滤波基础上引入矩阵QR分解、Cholesky分解因数更新等技术,避免了矩阵分解、求逆及求导等复杂运算,极大降低了计算复杂度;并针对系统时变及统计特性未知情况下量测噪声协方差阵难以获取问题,通过引入自适应噪声估计器并结合小波卡尔曼滤波思想,构造出加权量测噪声协方差阵,提高了数值精度及稳定性。将A-SRCKF应用于机载定姿定位系统中,仿真结果表明:该算法有效地提升了估计精度,并且运行速度较快。     

基于稀疏重构的机载雷达KA-STAP杂波抑制算法

机载雷达非均匀杂波环境下的空时自适应处理（STAP）算法会因杂波协方差矩阵估计不准导致其杂波抑制性能下降。传统知识辅助 STAP (KA-STAP)算法性能依赖于先验知识的准确程度以及配准精度,先验信息的失配可能会导致算法性能恶化。本文提出一种基于稀疏恢复技术构造杂波加噪声协方差矩阵的KA-STAP算法。该算法不依赖于先验信息,首先利用稀疏贝叶斯学习技术通过少量回波样本估计出稳健的辅助协方差矩阵,然后结合采样协方差矩阵进行空时处理。在小样本非均匀杂波场景下,该算法的输出性能优于传统KA-STAP算法。仿真结果表明了本文方法的有效性。     

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。     

迭代自适应收缩加权融合的波束形成方法

自适应数字波束形成是通过对阵列接收数据进行加权处理来获得最大的输出信干噪比,对采样协方差矩阵的依赖性较大。针对小样本条件下采样协方差矩阵求逆算法性能下降问题,提出迭代自适应加权融合样本协方差矩阵与先验协方差矩阵的波束形成算法。在估计协方差矩阵时,依据最小均方误差准则计算加权系数,并采用迭代自适应的方式更新先验协方差矩阵。仿真结果表明,所提方法能显著提高小样本条件下的协方差矩阵估计精度,能获得更大的输出信干噪比。      

脉冲噪声环境下基于矩阵差分的远近场混合源定位

为了提高脉冲噪声环境下基于二阶协方差矩阵差分（COV-MD）的远近场混合源定位算法的估计性能,本文提出了基于分数低阶协方差矩阵差分（FLOC-MD）和基于压缩变换协方差矩阵差分（CTC-MD）的远近场混合源定位算法。所提出的算法首先利用一维MUSIC谱峰搜索获得远场源信号的方位角估计,然后利用矩阵差分法实现远近场信号源的分离得到扩展的近场源分数低阶协方差矩阵（或压缩变换协方差矩阵）,最后在利用类旋转不变方法（ESPRIT-Like）估计得到的近场源方位角的基础上,再次利用一维MUSIC谱峰搜索获得近场源距离的估计。计算机仿真结果表明:CTC-MD算法和FLOC-MD算法在强脉冲和低信噪比情况下的估计性能都要明显优于COV-MD算法和其他基于二阶统计量的远近场混合源定位算法,同时CTC-MD算法的性能要好于FLOC-MD算法并且不依赖于脉冲噪声的先验信息。      

一种运动干扰稳健滤波方法

传统的阵列干扰抑制算法假设天线阵列与干扰之间相对静止,完成干扰抑制,当阵列与干扰之间存在相对运动时,存在协方差矩阵估计快拍数不足的问题,从而导致阵列滤波性能下降。针对上述运动干扰稳健滤波问题,提出了一种算法对现有零陷展宽技术抗运动干扰方法进行改进。一方面,将零陷展宽技术与导数约束方法相结合,用得到的新协方差矩阵求自适应权值;另一方面,为了提高自适应波束形成对噪声和误差的稳健性,引入了对角加载技术,加载量通过寻找协方差矩阵的特征值曲线拐点得到,有效避免了加载量过大导致的干扰信号被淹没以及加载量过小导致噪声分量引起性能损失的问题。该算法对零陷展宽系数选取依赖性较低,且对角加载量不需要设置固定的经验值,有利于稳健运动干扰滤波,适用于实际工程中先验信息不足条件下的自适应阵列抗运动干扰情况。     

基于自适应的增广状态-交互式多模型的机动目标跟踪算法

现有的增广状态-交互式多模型算法存在着依赖于量测噪声协方差矩阵这一先验信息的问题。当先验信息未知或不准确时,算法的跟踪性能将会下降。针对上述问题,该文提出一种自适应的变分贝叶斯增广状态-交互式多模型算法VB-AS-IMM。首先,针对增广状态的跳变马尔科夫系统,该文给出了联合估计增广状态和量测噪声协方差矩阵的变分贝叶斯推断概率模型。其次,通过理论推导证明了该概率模型是非共轭的。最后,通过引入一种“信息反馈+后处理”方案,提出联合后验密度的次优求解方法。所提算法能够在线估计未知的量测噪声协方差矩阵,具有更强的鲁棒性和适应性。仿真结果验证了算法的有效性。