OFDM系统中的时变频偏跟踪算法

为了减小载波频率偏差对OFDM系统的影响,提出了一种改进的最小均方自适应算法来进行频偏跟踪,并对多种时变频偏的情况进行了计算机仿真,得到了跟踪曲线和频偏补偿前后的BPSK星座图。理论分析和仿真结果表明,由于本文的算法收敛速度快,对时变频偏的跟踪达到了较好的效果,提高了OFDM系统解调性能,克服了非自适应方法和跟踪缓慢的自适应算法难以适应时变频偏的缺点。     

基于强跟踪滤波器的MACA-MIE 模型及跟踪算法

结合自适应常加速模型(ACA)、改进输入估计(MIE)和强跟踪滤波器,提出一种新的自适应目标跟踪模型和算法.该算法通过扩展 ACA 模型状态矢量和改进状态噪声协方差调整方法,利用 MIE 和强跟踪滤波器,实现了机动加速度方差和状态预测协方差依据残差信息的实时完全自适应调整,在缺乏目标加速度先验知识的情况下,能够实时高精度跟踪目标突变状态、弱机动和非机动状态.仿真实验表明,相比 ACA 模型和 MIE,该算法具有更好的机动状态和非机动状态跟踪性能.     

基于SR-UKF的OFDM频偏迭代估计算法研究

对高速运动环境下多普勒效应引起的大载波频偏引起的载波间干扰进行数学分析,建立带频偏的非时变和时变频偏OFDM动态状态空间模型,提出了基于平方根无迹卡尔曼滤波（square-root unscented Kalman filter , SR-UKF）的频偏估计算法。将非线性状态估计思想引入OFDM频偏估计中,实现了对频偏的有效跟踪和估计。仿真结果表明,在大频偏、高阶调制下,SR-UKF频偏估计算法较自消除算法、最大似然估计算法具有更好的误码率性能;在收敛精度、稳定度和对信噪比敏感度方面,性能较扩展卡尔曼滤波算法均有所提升。     

改进的强跟踪SVD-UKF算法在组合导航中的应用

针对无迹卡尔曼滤波（Unscented Kalman Filter,UKF）在系统强非线性或状态模型不精确的情况下,存在滤波精度降低甚至发散的问题,提出一种改进的强跟踪SVD-UKF算法。该算法采用奇异值分解（Singular Value Decomposition,SVD）的方法改进UKF中状态协方差矩阵的迭代,保证协方差矩阵的非负定性及迭代的稳定性;算法基于强跟踪滤波（Strong Tracking filter,STF）理论框架,对改进的SVD-UKF引入多重渐消因子自适应调整状态协方差矩阵,在系统状态发生突变的情况下,实现系统真实状态的强跟踪。将该算法在BDS/INS组合导航中仿真验证,结果表明了该算法的有效性。     

基于强跟踪UKF 的自适应SLAM 算法

针对无迹卡尔曼滤波（UKF）缺乏在线自适应调整能力,导致系统状态估计精度较低的问题,提出了 一种将强跟踪滤波器（STF）与UKF 相结合的SLAM 算法．该算法对于UKF 中每个采样点采用STF 进行更新,获 得优化滤波增益,抑制噪声对系统状态估计的影响,使系统状态估计迅速收敛到真实值附近．仿真实验对比了当前 几种SLAM 算法在不同噪声环境下的性能,实验表明,基于强跟踪UKF 的自适应SLAM 算法具有更好的鲁棒性和 自适应性．     

基于迭代UKF的主动段弹道跟踪算法研究

卫星在角度测量信息下对弹道导弹主动段的跟踪面临可观测性弱、初始误差大等问题,寻找一种快速稳健的跟踪算法尤为重要。引入一种稳健而有效的迭代UKF滤波算法(IUKF),它通过对UKF算法进行修正,改善了对状态滤波值和协方差的估计。通过Monte-Carlo仿真与其他算法进行比较,表明新算法收敛速度更快、收敛精度更高,是解决主动段跟踪问题的一种更为有效的算法。     

双层无迹卡尔曼滤波

针对无迹卡尔曼滤波（Unscented Kalman fllter,UKF）在强非线性系统中估计效果差的问题,提出了双层无迹卡尔曼滤波（Double layer unscented Kalman filter,DLUKF）算法,该算法用带权值的采样点表征先验分布,而后用内层UKF算法对每个采样点进行更新,最后引入外层UKF算法的更新机制得到估计值和估计协方差.仿真结果表明,相比于传统算法,所提的DLUKF算法可以在较低计算负载下获得较高滤波估计精度.     

改进型粒子滤波算法在多站纯方位被动跟踪中的应用

针对多站纯方位被动定位与跟踪问题,给出了一种基于均匀重采样和带白适应因子的改进型粒子滤波算法．首先,基于无迹卡尔曼（UKF）粒子滤波器,将参考分布融入最新观测信息,得到符合真实状态的后验概率分布：借助重采样和使用鲁棒估计,改善了粒子滤波的退化问题．其次,引入自适应因子以调整UKF的状态模型协方差与观测模型协方差的比例,得到较高精度的概率分布．仿真结果表明,改进的粒子滤波算法能够实现多站纯方位被动跟踪,比传统非线性滤波器有更高的跟踪精度．     

高动态下基于AUKF的载波跟踪算法

当载体处于高动态运动状态时,GPS接收机载波跟踪信号极易受到外部环境不确定因素的影响。若采用标准的无迹卡尔曼滤波 (UKF),在先验的噪声统计特性与实际的噪声统计特性不相符时,状态估计性能将变差甚至发散。针对上述问题,提出采用主从式自适应UKF的算法(AUKF)。AUKF能自适应调整过程噪声方差,从而达到减小模型估计误差、抑制滤波发散的目的。Matlab仿真结果表明,在高动态下噪声统计特性发生变化时,基于AUKF的载波跟踪算法具有较好的稳定性。     

基于迭代UKF的主动段弹道跟踪算法研究

卫星在角度测量信息下对弹道导弹主动段的跟踪面临可观测性弱、初始误差大等问题，寻找一种快速稳健的跟踪算法尤为重要。引入一种稳健而有效的迭代UKF滤波算法（IUKF），它通过对UKF算法进行修正，改善了对状态滤波值和协方差的估计。通过Monte Carlo仿真与其他算法进行比较，表明新算法收敛速度更快、收敛精度更高，是解决主动段跟踪问题的一种更为有效的算法。     

多传感器信息融合的目标跟踪研究

为了提高红外与毫米波雷达双模制导系统的目标跟踪精度,提出了将UKF用于红外和毫米波雷达的数据处理,采用分布式融合结构,通过对两传感器的滤波协方差矩阵的相关估计,将滤波协方差矩阵和状态估计进行融合。该方法应用于红外与毫米波雷达双模制导系统的目标跟踪仿真,仿真结果表明：与单传感器系统相比,该方法提高了制导系统的目标跟踪精度。     

地空信道下基于OFDM/OQAM系统的时频同步算法

针对正交频分复用/交错正交幅度调制（OFDM/OQAM）系统无循环前缀而对时偏误差敏感,以及在具有大多普勒频移的快时变地空信道下对频偏估计要求较高的问题,提出了一种适用于地空信道OFDM/OQAM系统的自相关估计（ACE）时频同步算法。该算法中符号定时采用较少的辅助序列实现快速捕获和定时,频偏估计通过优选同步自相关序列进行两次自相关运算,将两次运算估计的频偏值进行加权平均,获得最终频偏估计值。在计算机上进行仿真,其中与改进最小二乘（MLS）算法和训练序列（TR2）算法相比,ACE算法符号定时相关峰值对比度提高至原来的3倍;在飞行状态下系统误码率（BER）为10^-2时有10dB信噪比增益,在地空信道到达状态下BER为10^-3时有3dB信噪比增益。仿真结果表明,ACE算法进一步提升了时频同步精度和误码性能。     

一种基于EM-MAP的联合CFO双选信道估计算法

针对在双选信道下OFDM系统需要同时获取精确的载波偏移和信道状态信息, 而采用贝叶斯MAP算法进行联合载波频率偏移和信道状态估计复杂度过高的问题, 提出一种基于EM-MAP的联合CFO双选信道估计算法。首先利用基扩展模型解决信道状态由于快时变带来的可辨识问题, 然后引入期望最大化(EM)算法对系统的载波频偏和信道状态信息进行联合估计, 避免大规模的矩阵求逆, 降低算法复杂度。仿真结果表明, 该方法能获取与MAP算法相当的估计性能, 且大幅度降低了复杂度, 有效地解决了双选信道下进行联合估计复杂度过高的问题, 具有很好的实用性。     

OFDM系统中基于插值的频率同步

发送端和接收端时钟振荡器的不匹配以及多普勒偏移导致了载波频率偏差.在正交频分复用(OFDM)系统中,这种频率偏移会使信号产生很大的误差,严重影响系统的性能.因此在收发两端进行载波频率同步减小这种偏移是非常必要的.文中提出了一种OFDM系统中基于插值的载波频率同步算法,该算法仅需要一个OFDM训练符号,采用最大似然估计,完成频率偏移的捕获,在算法实现中,插值操作通过频域的循环卷积来完成.基于插值的同步算法独立于可能发生的载波相位偏移,具有很高的稳定性.仿真结果表明,作为一种捕获阶段的同步算法,能够给跟踪阶段一个很好的起点,从而改善系统整体性能.     

An improved residual frequency offset estimation scheme for OFDM based WLAN systems

Coarse frequency offset estimate and tracking of residual frequency offset are two crucial stages for frequency synchronization in OFDM based WLAN systems. An improved frequency offset estimation scheme is proposed for tracking residual offset. The estimation scheme is dependent on the position of an OFDM symbol in a frame.     

An Adaptive Unscented Kalman Filter-based Controller for Simultaneous Obstacle Avoidance and Tracking of Wheeled Mobile Robots with Unknown Slipping Parameters

A novel unified control approach is proposed to simultaneously solve tracking and obstacle avoidance problems of a wheeled mobile robot (WMR) with unknown wheeled slipping. The longitudinal and lateral slipping are processed as three time-varying parameters and an Adaptive Unscented Kalman Filter (AUKF) is designed to estimate the slipping parameters online More specifically, an adaptive adjustment of the noise covariances in the estimation process is implemented using a technique of covariance matching in the Unscented Kalman Filter (UKF) context. A stable unified controller is applied to simultaneously handle tracking and obstacle avoidance for this WMR system to compensate for the unknown slipping effect. Applying Lyapunov stability theory, it is proved that tracking errors of the closed-loop system are asymptotically convergent regardless of unknown slipping, the tracking errors converge to the zero outside the obstacle detection region and obstacle avoidance is guaranteed inside the obstacle detection region. The effectiveness and robustness of the proposed control method are validated through simulation and experimental results.