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。     

基于容积卡尔曼滤波的自适应IMM算法

在目标跟踪中,针对无迹卡尔曼滤波在高维状态下容易出现滤波精度下降甚至发散的问题,提出了一种自适应交互式多模型容积卡尔曼滤波算法。首先,将容积卡尔曼滤波引入到交互式多模型算法中,提高了算法在高维非线性情况下的滤波精度。然后,结合马尔科夫参数自适应思想,在模型概率更新阶段,利用后验信息修正马尔科夫概率转移矩阵,增大匹配模型的转移概率,进一步提高模型之间的切换速度。最后,在目标跟踪仿真中利用"当前"统计模型对算法进行验证,实验结果证明了算法的有效性。     

高精度星敏感器安装矩阵在轨实时校准方法

在轨运行过程中,受空间热环境的影响,星敏感器的安装矩阵具有轨道周期变化的特征。为了校准卫星结构变形导致的星敏感器之间安装矩阵变化,提出了一种基于四元数自适应卡尔曼滤波（quaternion Adaptive Kalman Filter,q-AKF）的安装矩阵在轨实时校准方法。该方法结合衰减记忆滤波与简化的Sage_Husa自适应滤波,通过自适应调整衰减因子,调节当前量测值在滤波过程中的权重,以抑制因模型参数不准确造成的滤波性能下降甚至发散问题。仿真试验结果与在轨数据验证结果表明:q-AKF算法不但可以抑制参数不准确造成的滤波发散问题,而且在0~5（）/s的姿态机动速率范围内,仍能稳定跟踪安装矩阵的真值（偏差均值的绝对值0.15）,具有良好的自适应性与鲁棒性。     

基于强跟踪容积卡尔曼滤波的单站无源跟踪算法北大核心CSCD

系统模型和滤波算法是机动目标单站无源定位跟踪要解决的核心问题。文中采用截断正态概率模型和一种新型的滤波算法--容积卡尔曼滤波,对机动目标进行单站无源定位跟踪。针对目标突发机动的情况,借鉴强跟踪滤波器的思想,在滤波过程中引入时变渐消因子,提出了一种强跟踪容积卡尔曼滤波算法(Strong Tracking Cubature Kalman Filter,STCKF)。该算法利用容积数值积分原则直接计算非线性随机函数的均值和方差,实现简单,估计精度高,并通过渐消因子自适应在线调节增益矩阵,增强了系统对突发机动的跟踪能力。结合空频域单站无源定位模型进行仿真实验表明,STCKF算法在对一般机动目标进行跟踪时,性能与CKF算法相当,并优于传统的EKF算法。当目标突变大机动时,STCKF算法的滤波性能要高于EKF以及CKF算法。     

自适应SICKF及在目标跟踪中的应用

针对容积卡尔曼滤波（CKF) 估计精度在系统状态或参数突变时下降的问题,结合均方根嵌入式容积卡尔曼滤波(SICKF)和强跟踪滤波(STF)思想,提出了一种自适应SICKF(ASICKF)方法。在SICKF获得高估计精度的同时引入STF条件,根据系统输出残差获得自适应渐消因子,将其引入系统输出协方差均方根阵和互协方差阵中对滤波增益进行实时修正,强迫系统输出残差序列始终正交,从而使SICKF算法具备强跟踪能力。为验证所提ASICKF算法性能,利用数值仿真将其应用于存在突变情况的目标跟踪问题中。仿真结果表明,ASICKF在系统状态突变时仍能保持较高的估计精度,算法稳定性和适应能力较好。     

机载红外搜索跟踪系统被动定位滤波算法研究

首先用扩展卡尔曼滤波算法构建了机载红外搜索跟踪系统被动定位滤波模型．然后针对该滤波算法要求先验的噪声统计及存在系统观测模型线性化误差影响滤波精度的特点．利用虚拟噪声技术，提出了适合于红外搜索跟踪系统被动定位的自适应扩展卡尔曼滤波算法。该算法实时地估计了虚拟噪声的统计特性，减小了线性化误差，提高了非线性滤波的精度。仿真结果表明，在完全相同的初始条件下，自适应扩展卡尔曼滤波对目标距离和速度的估计结果明显优于扩展卡尔曼滤波，此算法具有很高的工程应用价值。     

基于改进卡尔曼滤波的激光补给无人机跟瞄方法研究

激光供能为无人机长时间工作提供了保障,但是激光供能对捕获、跟踪和对准(APT)系统具有较高的要求。本文针对无人机距离地面补给站远、激光跟踪延迟、无人机供给能量不足等问题,提出一种基于自适应卡尔曼滤波算法,采用当前统计模型构建,通过残差检测对无人机模型进行实时的修正,加快位置更新速度,实现激光对无人机的最优跟踪。经过仿真表明,传统卡尔曼滤波算法的误差角度在0.2°左右,本方法的误差角度在0.1°以内,能实现较好的跟踪效果。     

基于IMM-SCKF-STF的机动目标跟踪算法

在处理非线性机动目标跟踪问题时,传统的非线性滤波估计算法跟踪误差大且容易引起滤波发散.针对上述问题,研究将强跟踪平方根容积卡尔曼滤波(SCKF-STF)和交互多模型(IMM)算法相结合,提出一种新型的交互多模型强跟踪平方根容积卡尔曼滤波(IMM-SCKF-STF)跟踪算法.该算法在SCKF基础上引入强跟踪渐消因子,使其不仅拥有应对机动目标状态突变的强跟踪能力,同时还具备交互多模型算法的优良机动目标跟踪性能.因此,新算法在机动目标跟踪方面将获得更高的非线性滤波估计精度,且算法的稳定性和应对状态突变的跟踪鲁棒性能获得显著提高.最后,通过两个仿真例子验证了此算法的有效性与优越性.     

弹载BDS/SINS深组合自适应CKF滤波方法研究

针对弹道导弹高动态、非线性的特点,引入了基于三阶球面-径向容积准则的非线性容积卡尔曼滤波(CKF)算法。此外,针对其特点,研究了发射惯性系下BDS/SINS深组合导航下的自适应容积卡尔曼滤波(ACKF)算法。该算法根据Sage滤波开窗法的思想和渐消的思想,通过引入多重次优渐消因子到CKF滤波器中,自适应地在线调整CKF滤波器的观测误差协方差阵,在提高滤波精度的同时实现对快速变化的状态进行强有力的跟踪。实验结果表明:多重次优渐消因子的引入使得CKF滤波器可以更多地利用系统的先验信息,ACKF滤波器对快速变化的状态具有更强的跟踪,系统误差在较短的时间内收敛,提高了组合导航系统的动态性能。     

基于CKF的自适应网格交互式多模型

针对非线性系统中的目标跟踪问题,在机动转弯模型的基础上提出容积卡尔曼滤波(CKF)与自适应网格(AG)思想相结合的变结构多模型(VSMM)算法,即基于CKF的自适应网格交互式多模型算法(CKF-AGIMM)。该算法将CKF作为滤波器,利用网格中心和网格最小间距的调整对转弯模型集进行自适应变化以有效跟踪目标。与基于容积卡尔曼滤波的交互式多模型算法(IMMCKF)进行了仿真对比。实验结果表明,在未增加运行时间的情况下,该算法相比于IMMCKF算法有更高的跟踪精度与稳定性。     

基于TOA/TDOA的一致性正交容积卡尔曼跟踪算法

针对异构网络环境下目标跟踪系统中面临的非线性估计问题,提出了一种基于正交容积卡尔曼滤波的目标跟踪算法.文中算法首先引入一个附加变量来表示状态变量中的非线性项,设定自适应加权因子来调整不同信号输入系统的比重,然后利用数学手段融合两种信号为单一的状态变量,最后通过正交容积卡尔曼滤波来实现目标状态量的更新,从而实现对目标的定位与跟踪.仿真结果表明了文中算法的有效性,能够得到更高的定位与跟踪精度.     

基于波形调度的机动目标跟踪算法

针对机动目标的跟踪问题,提出一种结合自适应匀速（Constant Acceleration,CA）模型和波形调度的平方根容积卡尔曼滤波（Square-Root Cubature Kalman Filter,SCKF）算法.在CA模型的基础上,通过构建Jerk分量与速度、加速度的近似关系,使得状态过程噪声与滤波器输出的状态协方差矩阵相联系,以实现模型的自适应调整.另外,利用分数阶傅里叶变换（Fractional Fourier Transform,FrFT）旋转发射波形的模糊函数,使得量测误差椭圆与滤波算法中的状态预测误差椭圆正交,得到最优的发射波形,以从数据处理和信号处理两方面共同提升系统的跟踪性能.仿真结果表明,相比于基于改进当前统计（current statistical,CS）模型的无迹卡尔曼滤波（Unscented Kalman Filter,UKF）算法、基于CS模型的SCKF算法、基于CA模型的SCKF算法和交互式多模型（IMM）SCKF算法,所提算法结构简单且跟踪精度更高.     

基于后向平滑容积卡尔曼滤波的单站无源定位算法

单站无源定位跟踪是一个典型的非线性滤波问题,由于测量精度不高、初始误差较大等原因容易导致滤波算法定位精度低、收敛速度慢。本文将一种新型的滤波算法——容积卡尔曼滤波（cubature Kalman filter,CKF）应用于单站无源定位领域,并将后向平滑滤波思想与CKF算法相结合,提出了一种后向平滑容积卡尔曼滤波算法（backward-smoothing CKF,BSCKF）。该算法使用容积数值积分原则直接计算非线性随机函数的均值和方差,并采用后向平滑值进行递归滤波,具有更优非线性估计性能。仿真实验表明,与EKF、UKF和CKF算法相比,BSCKF算法定位精度更高、收敛速度更快。      

一种新型的INS与UWB融合的室内行人跟踪方法

针对单一室内定位系统定位精度低、鲁棒性差的问题,提出了一种新型的基于动态鲁棒容积卡尔曼滤波的超宽带(Ultra-wideband,UWB)与惯性导航系统(Inertial Navigation System,INS)融合的定位方法.首先建立了一种易于实现的UWB-INS融合定位框架,然后提出了一种动态鲁棒容积卡尔曼滤波算法以处理多源数据的融合.提出的滤波算法可将M估计理论、强跟踪算法、动态增强策略与传统的容积卡尔曼滤波算法结合,以此缓解外界噪声和系统模型误差对状态估计的不利影响.在UWB-INS组合定位框架内采用动态鲁棒容积卡尔曼滤波,可实现对室内行人运动轨迹的精确稳定跟踪.实际数据测试和Matlab仿真验证了所提方法在复杂环境下其定位精度和鲁棒性均优于单一依赖UWB或INS技术的定位系统.     

基于SHAKF滤波器的MEMS陀螺随机误差建模补偿

MEMS陀螺随机漂移误差是制约惯性导航精度的关键因素。本文针对标准kalman滤波器陀螺漂移处理方法中,随机动态系统的结构参数和噪声统计特性参数不准确的问题,采用自适应SHAKF(Sage-Husa Adaptive Kalman Filter)滤波器进行参数实时估计,提高陀螺漂移精度。基于此思想,建立了ARMA随机误差模型,搭建了MEMS陀螺组件实验系统,通过高精度三轴转台静态测试采集陀螺数据。Aallan方差分析表明,零偏不稳定性经线性KF滤波后提升17.4%,经自适应SHAKF滤波后提升26.2%。     

ECEF坐标系弹道导弹跟踪研究

针对单模型跟踪算法无法实现对弹道导弹连续精确跟踪的问题,提出了一种地心地固坐标系下弹道导弹全阶段连续跟踪的交互式多模型(IMM)算法。根据导弹不同飞行阶段的受力情况建立IMM算法的两个滤波模型集:助推段采用恒轴向力模型,中段、再入段采用被动段跟踪模型,两个模型都利用滤波精度高、数值稳定性较好的求容积卡尔曼滤波算法进行滤波。针对该IMM算法在混合估计过程中引入偏差的问题,采用无偏混合的方法,以两种典型的跟踪场景进行仿真校验,实验结果验证了该文算法的优越性。