基于递推近似最小一乘的多传感器系统偏差稳健估计算法

对于多传感器多目标跟踪问题,系统偏差对航迹融合精度有较大影响,因此在信息融合系统中,首先要对各传感器的系统偏差进行估计,而在含错误关联和观测野值的复杂环境下,传统系统偏差估计方法的性能会严重退化.对此,提出一种具有递推形式的近似最小一乘稳健估计算法,以减少异常噪声对偏差估计的不利影响.使用平方根平滑逼近函数替代最小一乘法的目标函数,基于牛顿方向及其秩1修正推导出该方法的递推求解框架.基于条件数分析,证明所提出算法的数值稳定性好于Huber方法.通过两个仿真算例,将所提出算法与已有其他算法进行对比验证.仿真结果表明,在含错误关联和观测野值的条件下,所提出算法可以改善偏差估计精度,并且明显好于已有的其他算法.     

基于鲁棒容积卡尔曼滤波的自适应目标跟踪算法

目标跟踪系统的观测野值将大大降低滤波算法对目标状态的估计精度.为了解决这个问题,提出了一种基于鲁棒容积卡尔曼滤波的自适应目标跟踪算法.借鉴Huber等价权函数的思想,构造了基于平方根平滑逼近函数的修正因子以抑制观测野值的影响,并结合容积卡尔曼滤波器求解框架推导出该算法.区别于Huber方法对观测残差的每个维度分别进行处理,提出的算法能够对观测残差进行综合评判.理论分析证明所提算法具有更好的数值稳定性.仿真实验表明,所提算法能够自适应地减少异常值的不利影响,与现有算法相比具有更优的滤波性能.在仿真实验中还对几种滤波算法的计算花费进行了比较,发现所提算法未大幅增加计算成本.     

基于微分进化算法的起重机主梁优化设计

利用微分进化算法和两参数指数惩罚函数相结合的方法,在正整数可行解空间内对桥式起重机箱形截面主梁参数进行了优化解搜索。优化结果表明,该方法能较好解决起重机主梁截面的优化设计问题,有效地降低了主梁自重,为企业节约了生产成本。     

近似最小一乘意义下的鲁棒卡尔曼滤波器

当存在高污染率的野值观测时,现有的鲁棒卡尔曼滤波器的数值稳定性和抗差能力可能会严重退化.为此,基于近似最小一乘估计和修正的高斯牛顿方法提出一种新的鲁棒卡尔曼滤波器,以减小含野量测对滤波器的不利影响.通过条件数分析和影响函数分析,从理论上证明所提出方法的数值稳定性和抗差能力均好于基于Huber估计的卡尔曼滤波器.通过仿真实验对理论分析结果进行验证.仿真结果表明,在只有少量野值观测的情况下,所提出的滤波器与Huber卡尔曼滤波器的估计性能大致相当;而在含有高污染率的野值观测时,所提出的滤波器的估计性能明显好于Huber卡尔曼滤波器.在仿真实验中还对几种滤波器的计算花费进行了比较,发现所提出滤波器的计算代价小于Huber卡尔曼滤波器的计算代价.     

一种基于改进NLMS的多雷达主瓣干扰抑制方法

远程探测场景下弹载主瓣干扰因与目标角度间隔小，单站抗干扰方法性能下降严重。多雷达通过合理布站可有效“分辨”目标和干扰，被认为是可有效抑制主瓣干扰的途径。针对当前多雷达抗主瓣干扰方法普遍存在收敛速度慢的问题，提出一种基于改进归一化最小均方（NLMS）的多雷达对消抗主瓣干扰方法，并通过理论推导给出了其应用条件。该方法通过定义消散因子实现对步长的自适应控制从而达到快速收敛的目的，仿真结果表明该方法在收敛速度及收敛后均方误差（MSE）上具有明显优势。最后通过外场试验进一步验证该方法的性能，在满足布站条件且干噪比≥30 dB的前提下，信噪比改善可达19 dB以上，具有较高的应用价值。