迭代集合卡尔曼滤波方法的性能比较研究

针对数据同化过程中模型的非线性问题,通过分析对比得出了一种适合强非线性系统的迭代集合Kalman滤波(IEnKF)。在Lorenz\|63模型的框架内,比较分析集合Kalman滤波(EnKF)、迭代集合Kalman滤波(IEnKF)和迭代扩展卡Kalman滤波(IEKF)在集合数、观测误差方差、放大因子和模型步长不同时同化性能差异,由此探讨这3种方法的优劣。研究结果表明:随着集合数的增加,3种算法的同化性能都得到了一定的改善;放大因子的增大,使其同化性能变差且EnKF呈现出多重波峰波谷的现象;3种方法的均方误差(RMSE）随观测误差方差和模型步长的增大而增大,其同化精度都变差;而IEnKF同化性能最优,更具有鲁棒性。     

基于深度前馈神经网络的多基地外辐射源雷达高精度目标跟踪（英文）

在雷达系统中,目标跟踪误差主要来自运动模型和非线性量测。在评估跟踪算法时,其跟踪精度是主要衡量准则。为提高跟踪精度,本文将跟踪问题表述为从量测到目标状态的回归模型,提出一种基于改进深度前馈神经网络（MDFNN）的跟踪算法。所提MDFNN跟踪算法引入一种滤波层来描述输入量测序列的时序关系,并分析了最优量测序列长度。仿真和实测的外辐射源雷达数据测试表明,在所考虑的场景下,所提算法跟踪精度优于基于扩展卡尔曼滤波器（EKF）、无迹卡尔曼滤波器（UKF）和递归神经网络（RNN）的跟踪方法。     

小集合数条件下的数据同化策略研究

基于集合的数据同化方法近年来得到广泛的重视和研究,已经逐步实验在业务大气数据同化系统中来替代变分类方法。集合Kalman滤波方法高度依赖于集合的大小,集合数过小会带来欠采样,协方差低估,滤波发散和远距离的虚假相关等问题。局地化技术可以有效改善小集合带来的相关问题。在Lorenz-96模型的基础上,研究有无局地化的效果差异,探讨小集合条件下的局地化技术的优劣性;提出一种基于功率谱密度（PSD）判断集合数据同化效果的办法。实验证明：在有限集合数下,采用Kalman增益值和PSD可以评价同化效果,结合局地化技术,可以获得效率更高的同化算法。