基于粒子滤波的水下目标被动跟踪算法

针对水下被动目标跟踪的非高斯噪声环境和弱可观性的特点,提出了将粒子滤波算法应用于水下被动目标跟踪中的非线性问题,克服了常规的线性化方法易发散且跟踪精度低、误差大的缺点.仿真结果表明:粒子滤波算法提高了滤波的稳定性,跟踪精度优于扩展卡尔曼滤波算法和无迹卡尔曼滤波算法,收到了良好的效果,具有较高的实用价值.     

一种双基阵纯方位机动目标被动跟踪方法

利用2部被动声呐基阵获取的目标方位信息对水中机动目标的跟踪实质是一个非线性状态估计问题,由于观测方程的非线性性,滤波环节不可避免地要用到非线性滤波算法.以往解决此问题的方法是在基于交互多模型(IMM)算法并在其滤波环节应用扩展卡尔曼滤波(EKF)算法.然而,EKF算法在计算滤波误差协方差阵时没有融入当前观测信息.为此提出在原方法的基础上用其改进算法即修正协方差扩展卡尔曼滤波(MCEKF)算法取代EKF算法,以改善跟踪性能,从而得到一种新的方法.经仿真验证了所提方法的正确性和有效性.     

无迹卡尔曼滤波及其在三维水下目标跟踪系统中的应用

无迹卡尔曼滤波算法(UFK)以少量的采样点表示随机变量的分布,通过非线性系统传播,能以三阶精度获得非线性变换的均值和协方差的估计．文章将其应用于三维水下目标跟踪系统中．通过系统的Mome Carlo仿真,验证了该滤波算法比传统的扩展卡尔曼滤波具有更高的滤波精度．     

基于UPF的神经网络辅助机动目标跟踪

为提高机动目标跟踪性能，提出了一种神经网络辅助下的滤波方法。基于Unscented卡尔曼滤波方法，Unscented粒子滤波器（UPF）能够产生较准确的建议密度分布，因此相对于其它蒙特卡洛方法，UPF能够获得对非线性目标跟踪问题更好的近似。利用目标的机动特征建立和训练神经网络，将神经网络的输出作为加速度控制参数，用于修正目标的运动模型。仿真结果表明，与扩展卡尔曼滤波相比，神经网络辅助下的UPF具有更好的跟踪性能。     

基于方位频率测量的水下被动目标运动分析算法

根据被动观测器所测得的目标方位和多普勒频率信息,通过对新息的伪线性处理,建立了系统线性的状态方程和观测方程,并推导出修正的扩展卡尔曼滤波递推公式,从而对目标的运动状态进行估计。通过蒙特卡罗仿真表明,此算法具有收敛速度快、精度高、稳定性好等优点,可应用于远距离的水下被动目标运动分析。     

卡尔曼滤波在水下载体被动弹道跟踪系统中的应用

由于水声环境和信道的复杂性及水下航行载体的高速机动性,被动弹道跟踪系统测量的弹道样点野值较多,平滑性差.要对弹道进行较准确的实时跟踪,需要对弹道测量样点进行统计平滑处理.为了提高被动跟踪系统的定位精度和对机动目标的跟踪适应能力,采用卡尔曼滤波算法对弹道进行处理是常用的做法.介绍一种经过实用且效果较好的卡尔曼滤波算法,阐述了卡尔曼滤波算法原理和系统采用的信号模型及算法实现,并通过水下目标实航试验监测弹道及算法滤波处理结果的比较,说明该算法具有良好特性.     

基于水声传感器网络的目标纯方位运动分析

研究了基于水声传感器网络的目标纯方位运动分析原理及方法,建立了基于水声传感器网络的目标运动分析模型。在此基础上,讨论了模型中多维非线性估计问题,提出了一种基于传感器网络新的水下目标运动分析方法。该方法采用改进的粒子滤波EKF-PF(扩展卡尔曼-粒子滤波)算法实现,并与传统的扩展卡尔曼滤波(EKF)和粒子滤波(PF)算法进行了比较。通过Monte Carlo仿真分析,表明基于水声传感器网络的目标运动分析方法充分利用了网络的优势和当前测量信息。这种方法对水下目标运动状态估计时,不仅降低了计算量而且表现出较高的估计精度。所得结论为水下传感器网络进行目标被动定位提供了参考。     

舰载雷达目标跟踪的非线性滤波仿真

雷达观测模型常常是非线性的,目标跟踪问题是一个非线性状态混合估计.考虑目标稳定跟踪与实时性要求,采用"当前"统计目标运动模型与粒子滤波(PF)非线性方法对雷达机动目标跟踪进行算法分析.仿真验证了"当前"统计模型下的非线性粒子滤波及扩展卡尔曼滤波(EKF)目标跟踪性能,表明非线性粒子滤波,尤其是U变换粒子滤波(UPF)目标跟踪精度和稳定性较好,值得工程应用与推广.     

一种水中目标深度估计和运动状态跟踪方法

建立水下目标深度估计模型,采用LMS自适应时延估计算法来估计时延,并用可变步长方法及sinc函数内插法提高估计精度;建立水下目标运动状态跟踪模型,采用基于方位时延的扩展卡尔曼滤波算法来估算水下目标运动状态信息;通过消声水池、湖泊和仿真试验,表明该方法有效可行。     

基于模型预测扩展卡尔曼滤波的动力定位状态估计

针对传统扩展卡尔曼滤波由于动力定位系统过程噪声不能自适应更新,导致滤波精度下降的问题,提出了一种模型预测扩展卡尔曼滤波算法。该算法通过比较一段时间内的量测值和预测值,估计系统噪声参数,从而实时修正系统过程噪声方差。仿真结果表明,当系统的过程噪声未知的情况下,模型预测扩展卡尔曼滤波的滤波性能明显优于传统扩展卡尔曼滤波。     

基于EKF的双站测向无源定位跟踪方法研究

对双站测向无源定位跟踪方法进行了研究,分析了双站交叉定位的基本原理,采用扩展卡尔曼滤波对三维空间中的机动目标无源定位跟踪问题进行了仿真分析。仿真结果表明,在假设的仿真条件下以及测向精度为0.001rad时,对机动目标定位跟踪的相对测距误差保持在2%以下,滤波跟踪效果良好,表明该方法对无源定位跟踪是有效的,对工程应用有一定指导意义。     

改进UKF算法在双基阵纯方位目标跟踪中的应用

传统算法在解决纯方位目标跟踪时存在有偏、收敛速度慢或发散等不足,无迹卡尔曼滤波（UKF）虽然改善了系统线性化误差,但并没有明显改善卡尔曼滤波器容易发散的问题。文章在扩展卡尔曼滤波和UKF算法的基础上,提出一种衰减记忆UKF算法（MAUKF）,引进衰减因子加强对当前测量数据的利用,减小历史数据对滤波的影响。理论分析和仿真结果表明,MAUKF算法在纯方位目标跟踪中的滤波精度、稳定性和收敛时间都优于EKF、UKF算法。     

基于扩展卡尔曼滤波的多传感器目标跟踪

系统所处环境的复杂性使得现在科技对目标跟踪精度的要求越来越高,而且单传感器状态的估计已经无法满足系统感知外部环境的需要。在此,研究了基于扩展卡尔曼滤波的多传感器目标跟踪方法。仿真表明,扩展卡尔曼滤波对于非线性系统跟踪的效果更好。     

H∞滤波及数据融合在目标跟踪中的应用

为了解决在强干扰下的目标跟踪问题，本文基于H∞滤波和数据融合的思想提出一个多传感器跟踪算法。与卡尔曼滤波算法相比，本文提出的方法具有较高的滤波精度和较强的鲁棒性。最后的仿真表明了该算法的优良性能。     

基于扩展卡尔曼滤波的GPS信号跟踪技术

提出一种基于扩展卡尔曼滤波的GPS信号跟踪方法,通过扩展卡尔曼滤波器,得到基于相干积分支路的滤波模型,有效地削弱常规GPS跟踪环路中的跟踪误差,增强接收机的抗干扰性能,提升其在信号较弱位置下环路的跟踪性能,对加入惯性信息条件下惯性信息对系统所产生的影响做了相应的分析研究。通过仿真对比结果可以知道:当处于弱信号条件时,与通常用到的GPS信号跟踪方式相比,基于扩展卡尔曼滤波的信号跟踪算法可以有效提升跟踪的精度。     

一种新的雷达间隙辅助红外的机动目标跟踪算法

论文针对雷达间隙辅助红外的机动目标跟踪问题,提出了一种新的跟踪算法。该算法由跟踪误差与精度指标的大小来选择雷达的开机时间,从而构成了一个闭环的跟踪系统,解决了在给定的跟踪精度指标下雷达的开机时间选择问题。其思想为：在内层通过引进高、低门限,根据跟踪精度与门限的大小,自适应地选择交互式扩展卡尔曼滤波（IMM-EKF）或交互式粒子滤波（IMM-PF）;在外层将基于雷达量测的滤波结果和红外量测的滤波结果进行交互;从而实现了两层交互式自适应滤波。仿真结果表明该算法在计算复杂度和跟踪精度上达到了较好的平衡,实现了雷达间隙开机下对目标稳定的跟踪。     

基于伪线性滤波的鱼雷方位被动跟踪研究

用伪线性评估量扩展了卡耳曼滤波 ,并应用它进行鱼雷方位的被动跟踪。该算法不需要初始评估量 ,可在各种条件下获得较好的收敛性 ,适用范围广泛 ,克服了卡耳曼滤波需要一个空的目标状态变量作为初始估计量的缺点。最后用蒙特卡洛法仿真检验此算法     

海面浮动光电平台对空无源定位与跟踪

提出利用海面浮动光电平台在波浪作用下的机动实现对空中目标定位与跟踪的方法。建立基于角度与角速度实现无源定位的数学模型,采用无迹卡尔曼滤波进行噪声干扰下的跟踪滤波,通过仿真分析了滤波算法在目标固定不动和目标匀速运动2种情况下的有效性。结果表明,对于含有零均值高斯噪声的角度和角速度测量数据,利用无迹卡尔曼滤波可以进行距离估算,并具有一定的精度和稳定性。     

基于一阶差分滤波器的水下目标纯方位角跟踪

在水下目标纯方位角跟踪研究中,针对传统扩展Kalman滤波(EKF)方法需要通过Taylor 展开实现非线性项的线性化而导致计算过程繁琐且存在奇点的问题,本文提出一种基于一阶差分滤波器(DDF1)的纯方位角跟踪算法,建立了目标的运动学模型及无源声纳的测量模型;利用 Stirling插值法实现非线性项的线性化,进而通过DDF1滤波方法实现对目标位置及速度的跟踪。仿真结果与一致性分析表明,与基于EKF的目标纯方位角跟踪方法相比,论文所提出的算法具有较高的跟踪精度和较好的跟踪性能。     

H∞滤波及数据融合在目标跟踪中的应用

为了解决在强干扰下的目标跟踪问题,本文基于H∞滤波和数据融合的思想提出一个多传感器跟踪算法.与卡尔曼滤波算法相比,本文提出的方法具有较高的滤波精度和较强的鲁棒性.最后的仿真表明了该算法的优良性能.