自适应加权数据融合加权因子的动态调整

采用自适应加权数据融合算法,利用测量数据实时计算加权值,再利用加权值对测量数据进行融合处理,得到关于目标的状态估计．该算法充分反映测量数据的实时变化,实现最优加权因子的动态在线调整,融合结果的误差方差小于任一单一测量设备的测量误差方差．该方法采用递推计算,计算量小,具有较好的快速性,适合于实时计算应用,能够为设备选优、实时决策提供准确可靠的依据,较好的满足工程实际需要．     

一种光电跟踪平台共轴控制的目标运动滤波方法

目标运动估计是光电跟踪平台实现共轴控制的核心。针对目标运动的滤波精度问题,提出了基于灰色预测模型和卡尔曼理论的目标运动融合滤波方法。利用少量前几个时刻的目标运动数据实时在线建立灰色预测模型,替代标准卡尔曼滤波的目标状态预测方程,避免了需要预先假定目标运动数学模型而引起滤波误差的弊端。进一步对灰色模型预测值和融合滤波估计值的残差序列,构建残差在线预估模型;利用残差预测值对灰色预测模型进行实时修正,有效地提高了灰色模型的预测精度,改善了融合滤波的效果。仿真实验验证了灰色模型在目标运动预测中的有效性。实验结果表明：残差修正策略将灰色模型预测精度提高了60%;与其他滤波方法相比,提出的融合滤波方法具有更好的滤波效果及更准确的目标运动估计。     

基于自适应滤波的惯性+多模卫星组合导航算法研究

惯性+多模卫星组合导航系统通常采用定常参数的加权最小二乘算法进行多传感器信息融合,若加权系数与实际噪声统计特性不吻合,将会对组合导航精度产生不利影响.为解决该问题,提出一种基于自适应滤波的改进信息融合算法,对惯性及卫星导航数据应用自适应Kalman滤波以估计惯性导航误差,对滤波输出进行基于加权最小二乘法的多模信息融合,并根据滤波误差方差阵的解算结果对加权系数进行实时调整以优化估计精度.仿真结果表明该算法能够在一定程度上提高组合导航系统的精度和对不同随机噪声的适应能力.     

双基地的被动TMA及其性能研究

本文研究了双基地联合的目标运动分析（TMA）问题。在双基地条件下，以被动声纳较容易得到的目标方位，频率数据测量为依据。用数据融合方法对目标运动参数进行估计。并讨论了它的Cramer-Rao界，然后用具体实例对伪线性，扩展Kalman滤波方法的处理过程以及Cramer-Rao界进行了计算机仿真，其结果表明，数据融合的被动TMA方法能使定位误差椭圆明显缩小，估计精度得到很大改善。实现了对目标运动参数的有效估计。上述方法能推广到多基地的情形。     

基于IMM-UKF的雷达/红外分布式加权融合算法

在雷达/红外复合制导机动目标跟踪背景下,针对非线性机动目标融合跟踪存在滤波器易发散问题,提出一种基于交互式多模型无迹卡尔曼滤波(IMM-UKF)的分布式加权融合算法。IMM具有对不同目标机动模式自适应跟踪的能力;UKF对观测数据进行滤波估计,避免了计算雅克比矩阵,克服EKF滤波方法受滤波初值影响大、易发散的缺点;分布式融合算法提高了系统抗干扰能力及对目标跟踪的有效性和跟踪精度。仿真结果表明:该算法在处理非线性系统机动目标跟踪融合结果误差均得到减少,更能提高目标跟踪滤波精度,增强了系统稳定性。     

基于贝叶斯估计的加权最小二乘分布式融合

针对不同观测矩阵加权最小二乘算法没有考虑到模型参数本身信息的共同缺点,提出基于贝叶斯估计的带不同观测矩阵的加权最小二乘分布式(Bayes Estimation Weighted Least Square,BEWLS)融合Kalman滤波算法。该方法首先采用推广的离散卡尔曼滤波对非线性系统线性化,然后在考虑模型参数本身的先验信息条件下,采用基于贝叶斯(Bayes)估计方法对Kalman滤波算法的观测方程进行加权最小二乘融合。BEWLS融合算法减少了计算负担,提高了融合精度,便于实时应用。理论和仿真证明:BEWLS融合具有优越性。     

靶场光电经纬仪数据融合处理方法

在靶场武器试验中,为了获得完整的弹道参数,常常采用多台光电经纬仪联合观测,对目标实施跟踪定位,这样就出现了多个冗余观测,影响对目标的判决.提出一种组网布站测量中光电经纬仪数据融合处理的方法.首先对多站观测数据进行时间和空间配准,将其统一到某一基准坐标系原点和参考时间起点,然后采用最优加权融合估计或最小二乘融合估计,获得目标的精确位置.对两种数据融合处理方法进行了实际测试与仿真实验.结果表明:k台光电经纬仪对同一目标交会测量,最优加权融合估计测量精度至少提高了k倍,计算量小,可用于实时中心融合和目标引导.最小二乘融合估计方法对坐标x,y,z所作的融合估计精度较高,一般小于0.2 m,但计算量大,适合于事后精确处理.     

基于递推加权最小二乘法的寻北抗干扰算法?

针对定向设备寻北过程中易受阵风、人员走动等随机干扰影响降低寻北精度的问题,提出了基于递推加权最小二乘估计的定向设备寻北抗干扰算法。该算法以定向设备惯性敏感器输出数据为观测量,实时辨识数据的有效性和精度,并计算加权系数,通过递推算法进行数据滤波,提高了动态条件下惯性器件输出测量数据的估计精度。试验结果表明,该算法能够确保定向设备在5级阵风、发动机和载车取力发电干扰条件下的寻北精度。     

数据融合技术在鱼雷制导系统中的应用

文中着重于数据融合技术的研究和卡尔曼滤波理论的应用.利用鱼雷纵向和侧向运动方程分别建立其对应的非线性系统的滤波方程和滤波算法,分别估计出相应的鱼雷速度,同时将利用加速度计模型估计出来的鱼雷速度进行多组数据融合,能得到更精确的鱼雷速度.文中提出了一种实时估计鱼雷速度的数据融合技术和算法,通过仿真计算,证明文中提出的方法对于鱼雷速度的估计具有方法简单、估计精度高的特点.     

一种获取载机尾后目标运动信息的方法研究

越肩发射需要载机提供尾后目标的运动信息,包括方位、距离和速度等。提出利用机载雷达告警接收机测量到的目标方位信息,根据扩展Kalman滤波理论,对目标的其它运动信息进行实时估计。仿真结果表明。该方法能够满足常规导引方法的基本要求,但滤波收敛速度仍需进一步提高。     

微陀螺零偏在线补偿方法及仿真

由于微机械陀螺零偏重复性和稳定性差,若不能实时跟踪零偏变化,则由此产生的导航误差较大。结合光纤陀螺特点,通过光纤陀螺与微机械陀螺的冗余配置,可以实现基于规则的在线陀螺零偏估计和零偏补偿。补偿后的数据与光纤陀螺数据进行融合,将融合后的数据作为观测值,通过根据机动目标“当前”统计模型和IMU动态模型建立的卡尔曼滤波器滤波进行动态误差和安装误差补偿。仿真结果说明该方法可行有效,能较好地提高数据测量精度。     

雷达与红外探测设备组网中航迹滤波算法研究

给出了一种最小方差意义下的最优航迹滤波方法。该方法能根据雷达与红外探测设备所测得的异步测量信息进行实时滤波,无需将测量数据进行同步对齐,避免了现有算法的不足,更便于工程应用。数字仿真结果证明,该方法能提高航路估计精度。     

两站对运动目标无源定位算法研究

提出的算法是利用两个观测站测得的信息,应用三角交叉定位法,对运动目标辐射源位置的估计算法进行了研究.该算法在处理测量数据时,不是采用传统上对目标位置进行估计的方法,而是直接对目标的每一次位置的估计偏差进行估计和滤波,以达到定位跟踪的目的.具体运用加权最小二乘估计,为提高估计精度,将估计的结果送入卡尔曼滤波器进一步进行处理,经过一定次数的迭代处理,可以实现对目标快速的定位和跟踪,给出了算法结构框图及仿真结果.     

InSAR干涉相位图的多级降噪滤波方法

在InSAR干涉相位图降噪滤波中,目前普遍采用的周期均值滤波、加权周期中值滤波和Goldstein滤波等滤波方法均有一定的的局限性,文章提出一种将加权周期中值滤波、Goldstein滤波和小波降噪滤波相结合的多级降噪滤波方法,并通过对实测数据的处理,证明了该算法在有效滤除噪声的同时,可以较好地保持干涉图的条纹信息。     

自抗扰控制在坦克机动目标状态估计中的应用

在以坦克火控系统为代表的一类状态不确定系统应用中,作为系统输入的目标运动特性是未知的,并且对目标的观测存在较大噪声。如何基于控制过程辨识出输入信号特性,是状态估计理论在实际应用中的一种特殊情况。利用自抗扰控制( ADRC)能够实时估计和补偿系统扰动的能力,将目标运动视为外界扰动,从而辨识出目标运动速度,并将ADRC的滤波特性用于目标运动的状态估计。实验表明,与传感器测量、Kalman滤波方法相比,无需额外的速度传感器件,运动状态估计更为精确、快速。     

基于随机加权估计的多维位置数据最优融合算法

文中将随机加权估计计算方法应用于多传感器信息融合,提出了一种基于随机加权估计的多维位置数据最优融合方法。首先,用随机加权估计对每个传感器测得的位置参数进行估计。然后,用最优信息融合算法把这些估计进行融合。得到多传感器系统多维位置参数的最优估计。研究结果表明:基于随机加权估计的多传感器信息融合方法优于传统的信息融合估计方法。     

基于神经网络和无迹卡尔曼滤波融合的天线罩误差斜率估计方法

为消除导引头天线罩引入的瞄准误差对制导系统稳定性和精度造成的负面影响，提出了一种基于神经网络和无迹卡尔曼滤波融合的天线罩误差斜率估计方法。考虑先验模型知识，分别建立导引头、自动驾驶仪、弹目相对运动系统和弹体动力学系统的动态模型，选取真实视线角、视角和天线罩误差斜率作为状态变量，根据视线角观测值建立测量模型。考虑到模型的不确定性，基于神经网络技术学习非线性滤波模型中的动力学方程，结合无迹卡尔曼滤波技术，根据所学习的代理模型和带噪声的系统量测，对天线罩误差斜率等状态进行实时在线估计。与传统采用非线性滤波技术的天线罩误差斜率估计方法相比，本方法基于数据驱动思想，减少了对精确动力学模型的依赖，能有效消除模型不确定性的影响。与单纯采用离线训练构造的神经网络相比，本方法结合贝叶斯滤波理论，对实时数据具有更强的适应性。经多次仿真实验，证实该方法能够有效控制预测误差，具有较高精度。     

2D 雷达组网目标高度估计方法

为解决2D 雷达不能测量目标高度参数的问题,提出一种2D 雷达组网目标高度估计方法。利用2 部雷达 对同一目标距离和方位角测量的冗余信息进行目标高度的初步估计,通过定义贴近度、一致性测度、一致性测度均 值、一致性测度方差和变异系数来确定不同雷达组合初步估计高度值参与数据融合的权值,利用不同雷达组合初步 估计的目标高度值以及参与数据融合的相应权重进行目标高度的融合估计。基于典型算例对所提算法进行验证。结 果表明：该算法能解决目标高度问题,具有一定的理论意义和较好的应用价值。     

基于改进滤波器和图像加权局部熵的红外小目标图像处理

针对传统背景抑制方法虚警率高、检测率低的问题,提出一种基于改进滤波器和图像加权局部熵的红外 小目标图像处理方法。通过改进中值滤波对原始红外图像进行预处理,分别构建多尺度灰度差异算子、局部图像熵 算子,并将二者进行点积运算得到加权局部熵,从而能够有效地抑制背景并消除噪声。实验结果表明：该方法适应 性较好,运算效率相对传统中值滤波算法提升了20.6%,有一定的理论与工程应用价值。     

基于收敛方差跟踪的水下目标运动分析

水下目标的被动跟踪由于隐蔽性好, 有着很强的需求背景。本文提出了基于收敛方差跟踪的水下目标运动分析算法, 由于采用方位频率Kalman滤波, 可以得到速度渐近无偏估计, 利用速度估计值对目标位置初值进行线性估计, 进而估计目标运动状态, 采用该方法可以有效消除直接应用伪线性Kalman滤波算法引起的初值偏差, 仿真结果表明, 该方法对目标运动要素具有良好的估计性能。