共查询到17条相似文献,搜索用时 234 毫秒
1.
2.
联合角度(DOA)信息和时差(TDOA)信息对运动目标进行多站无源定位实质上是一种非线性估计问题。文章基于DOA和TDOA信息,提出了二种多站对三维空间目标进行定位跟踪的修正增益扩展卡尔曼滤波(MGEKF)算法,文中分别推导了角度观测方程和时差观测方程的修正增益函数。计算机仿真表明该算法的定位精度和稳健性能均要高于扩展卡尔曼滤波(EKF)算法。 相似文献
3.
被动导引头辐射源跟踪新算法研究 总被引:1,自引:1,他引:0
由于被动导引头辐射源跟踪系统非线性较强,传统的跟踪滤波算法是粒子滤波(PF)、U卡尔曼滤波(UKF)。但这些算法都存在着一定的缺陷,粒子滤波算法收敛速度慢、计算量大,UKF跟踪精度低。针对上述问题,提出了一种基于PF算法的新的跟踪滤波算法PUKF。该算法采用粒子滤波和U卡尔曼滤波加权的思想对目标实现初始的捕捉,然后通过UKF算法对目标进行跟踪保持。该算法受初始状态影响小,跟踪的精度高,收敛速度快,系统性能稳定。仿真实验表明了在被动辐射源跟踪系统中该算法的可行性和有效性。 相似文献
4.
介绍两种目标跟踪算法—扩展卡尔曼滤波器(Extended Kalman Filter,EKF)、粒子滤波器(Particle filter,PF)。EKF利用泰勒级数方法,将非线性问题转化到线性空间,再利用卡尔曼滤波器进行滤波,并达到一阶估计精度。PF是一种采用蒙特卡罗采样的贝叶斯滤波方法,它将复杂的目标状态分布表示为一组加权值,通过寻找在粒子滤波分布中最大权值的粒子来确定目标最可能所处的状态分布,已成为复杂环境下进行目标跟踪的最好的方法。文中通过仿真实验,对二者的性能进行了仿真比较,结果证明在复杂的非高斯非线性环境中,PF的性能明显优于EKF,但计算复杂,耗时长。 相似文献
5.
对于机载脉冲多普勒雷达,多普勒盲区是不可避免的。为解决多普勒盲区内机动目标跟踪问题,提出了基于扩展卡尔曼粒子滤波(IMMEPF)的雷达和ESM联合跟踪算法。该算法融合了交互式多模型(IMM)、粒子滤波(PF)和扩展卡尔曼滤波(EKF)的优势,采用多模型结构以匹配目标的运动模型。粒子滤波能处理非线性、非高斯问题,而采用EKF产生粒子,由于考虑了当前观测值,使得粒子的分布更接近后验概率密度分布,克服粒子的退化现象,从而提高估计精度。仿真结果表明,给出的算法能够显著提高对落入多普勒盲区内的目标点迹的跟踪精度。 相似文献
6.
粒子滤波器及其在目标跟踪中的应用 总被引:22,自引:0,他引:22
为了在物理条件下对目标进行精确建模,有时需要运用非线性、非高斯系统。而常规的卡尔曼滤波算法要求系统是线性高斯型的,因而不能直接用来解决非线性、非高斯问题。为了解决这一问题,人们开发出各种非线性滤波算法。一种是扩展卡尔曼算法(EKF),它对非线性系统进行局部线性化,从而间接利用卡尔曼算法进行滤波与估算;另一种是序列蒙特卡罗算法,亦即粒子滤波器(PF),它是最近出现的解决非线性问题的有效算法。本文简要介绍非线性跟踪的最优与次优贝叶斯算法,重点关注粒子滤波器,通过再入大气层弹道目标的例子,说明PF在目标跟踪中的应用。 相似文献
7.
介绍了粒子滤波(PF)的基本思想和免重采样无味高斯PF(UGPF)算法的基本原理,特别针对空-海单站只测方位目标运动分析TMA(BO—TMA)问题应用UGPF和EKF(扩展卡尔曼滤波)进行了对照研究,建立了问题的离散非线性滤波估计模副,设计了典型的应用场景,给出了Monte Cado仿真运行结果;表明UGPF具有更高的估计精度、更好的收敛特性和滤波一致性。 相似文献
8.
9.
10.
11.
12.
13.
测控设备对飞行目标进行跟踪及测量时,高跟踪精度测控设备捕获目标较为困难,一般采用低跟踪精度设备引导天线接近目标,然后再转入自跟踪模式,因此同站测控设备互引导是目标捕获的一个重要手段。针对低跟踪精度测控设备引导高跟踪精度设备的技术需求,文中提出了一种在两套测控设备共视目标时,利用高精度设备跟踪信息来对低精度设备跟踪数据进行实时修正的算法。该算法实现了跟踪残差的实时估计和外推,提高了同站引导精度。最后采用遥测设备引导光电经纬仪进行实验,验证后发现修正后的遥测设备跟踪数据能够引导光电经纬仪有效的捕获目标。 相似文献
14.
15.
This article deals with the problem of maneuvering target tracking which results in a mixed linear/non-linear model estimation problem.For maneuvering tracking system,extended Kalman filter (EKF) or particle filter (PF) is traditionally used to estimate the states.In this article,marginalized particle filter (MPF) is presented for application in a mixed linear/non-linear model estimation problem.MPF is a combination of Kalman filter (KF) and PF.So it holds both advantage of them and can be used for mixed linear/non-linear substructure,where the conditionally linear states are estimated using KF and the nonlinear states are estimated using PF.Simulation results show that MPF guarantees the estimation accuracy and alleviates the potential computational burden problem compared with PF and EKF in maneuvering target tracking application. 相似文献
16.