平方根球形无味卡尔曼滤波机载无源定位算法

针对机载无源定位系统中,初始值误差和数值的舍入计算对无味卡尔曼滤波(un-scented Kalman filtering,UKF)算法的定位精度和滤波稳定性影响较大的问题,提出一种基于平方根球形无味的卡尔曼滤波算法(square root spherical unscented Kalman filter,Sqrt-UKFST)。该方法以单位超球体球面无味变换为基础,通过减少采样点数目和球面半径,保证所有采样点在一个单位超球体上,从而提高算法对初始值的鲁棒性,并采用平方根滤波提高算法的数值稳定性。对该算法进行100次Monte-Carlo实验,仿真结果表明,Sqrt-UKFST算法收敛速度快,滤波性能稳定;当初始状态估计误差较大时,Sqrt-UKFST算法的定位精度保持在30%以内,提高系统对初始值的鲁棒性。     

扩展容积卡尔曼滤波定位技术研究

为提高被动定位技术的精度与环境适应性,本文提出运用一种新的非线性滤波方法—扩展容积卡尔曼滤波算法进行多角度传感器目标定位;它首先利用EMD(经验模态分解)算法对目标的量测噪声协方差矩阵进行估计;然后,将过程噪声协方差和量测噪声协方差融入循环过程;同时,为保持算法的稳定性和正定性,利用求平方根的形式对算法改进。通过对扩展容积卡尔曼滤波与UKF(不敏卡尔曼滤波)算法跟踪目标的结果进行比较,在运算复杂度与UKF相当的前提下,扩展容积卡尔曼滤波算法不仅可以对未知量测噪声情况下的目标进行跟踪,而且显著提高了被动定位的精度。     

基于STUKF的非线性结构系统时变参数识别

针对非线性结构系统时变参数识别问题,传统无迹卡尔曼滤波(Unscented Kalman Filter,UKF)难以有效跟踪结构参数的变化。将强跟踪滤波原理引入无迹卡尔曼滤波,提出一种强跟踪无迹卡尔曼滤波(Strong Tracking Unscented Kalman Filter,STUKF)算法,以识别结构参数的变化。在UKF量测更新后,依据输出残差计算渐消因子矩阵;引入两个渐消因子矩阵实时调整状态预测协方差矩阵,使残差序列强行正交,快速修正结构参数估计值,使STUKF具有对结构参数变化的跟踪能力;此外,为节省计算时间,调整状态预测协方差矩阵后不再进行sigma点采样,保证了算法的高效性。数值分析结果表明,该算法能有效识别非线性结构系统的参数及其变化,并具有较强的抗噪性。     

一种改进的UKF算法及其在深空自主光学导航中的应用

利用星敏感器以及光学导航相机,通过测量星光信息以及天体边缘信息,进行了自主光学导航方案的设计.通过观测量的转化改进了Unscented卡尔曼滤波方法(UKF)的具体实现形式,并将改进的方法与扩展的卡尔曼滤波方法(EKF)、UKF以及基于平方根分解的方法(SR-UKF)进行了比较,通过仿真对其算法的优越性进行了验证.仿真结果表明,这种基于观测量转换的UKF算法,不仅在计算量上有所减少,在精度上也有较大提高.     

解非线性方程组的一种新算法

本文提出解多元非线性方程组的一种新算法—加边修正法。 此方法保持稀疏性和对称性的传递性。如果F′(x)是对称正定的,则近似Jacobi阵具有正定对称性的传递性。此外,该算法具有局部收敛性和超线性敛速。 此算法利用初始近似Jacobi阵的Cholesky分解,然后,在每步中直接修正此三角分解,因此减少了计算量。     

基于SVD的机动目标自适应滤波研究与仿真

由于计算误差等因素的影响，致使滤波协方差阵不对称或负定，从而导致滤波器发散，影响法波算法的收敛速度和稳定性。该研究在机动加速度“当前”统计自适应卡尔曼滤波算法的基础上，引入了基于奇异值分解(SVD)的协方差平方根滤波的自适应卡尔曼滤波算法。仿真结果表明，该算法可以较好地跟踪机动目标，具有精度高、稳定好、收敛快等特点。     

高速并行采样中时间非均匀性测试与校准方法

并行交替采集系统中, 由于各采样通道间时间延迟不一致引入的偏差使得输出采样序列非均匀, 严重地降低了系统性能. 现有盲估计算法计算量大, 无法实现工程应用. 通过分析采样样本统计变化趋势, 提出了一种计算量更小的采样通道延迟估计算法, 并采用分数延时滤波器完成校正, 降低了设计难度与成本, 系统校正性能和实时性高, 适于工程实现.     

UKF和KF两级滤波的雷达与红外配准算法

针对雷达与红外传感器的时间和空间偏差配准问题,给出时空偏差配准模型,提出了一种时空偏差实时估计算法.该算法将目标的运动状态和传感器偏差组合在同一状态方程中,构建扩维状态的系统动态方程和量测方程,并通过对量测方程的非线性分析,采用UKF和KF两级滤波的方法进行目标状态和配准偏差的联合估计.仿真结果表明,与采用UKF滤波的方法相比,该算法具有更高的估计精度,而且减小了计算量.     

多传感器顺序统计量不敏概率数据互联算法

针对非线性系统中杂波环境下的多传感器多目标跟踪问题,提出了一种多传感器顺序统计量不敏概率数据互联算法(MSOSUPDA).算法首先根据顺序结构多传感器系统实现方法将研究问题转化为顺序处理多个非线性单传感器多目标跟踪问题,然后结合顺序统计量概率数据互联(OSPDA)的思想将单个传感器的量测点迹与多个舷迹互联,在此基础上采用不敏卡尔曼滤波(UKF)实现非线性条件下目标状态估计与协方差的递推.与MSJPDA/EKF算法相比,算法具有更高的跟踪精度和稳定性,计算量明显减小.仿真结果表明,该算该发散率与耗时分别为MsJPDA/EKF算法的19%与70%,算法综合性能明显好于MSJPDA/EKF算法.     

大失准角SINS初始对准的UPF算法

针对大失准角条件下捷联惯导系统(SINS)初始对准误差模型呈严重非线性的特点,设计了大失准角SINS的无迹粒子滤波(UPF)初始对准算法;并针对UPF算法实时性不强的特点,采用残差系统重采样对其重采样方法进行改进;再结合三轴转台静基座采集得到的实测数据,分别进行了UPF和无迹卡尔曼滤波(UKF)算法仿真,仿真结果表明:UPF算法比UKF算法具有更高的对准精度和更快的对准速度;改进后的UPF算法在对准精度上略差一些,但比原算法具有更强的实时性。