基于跟踪-微分器的宽动态测速系统设计

传统的基于跟踪-微分器的测速方法随着输入信号变化速率的升高,输出的信号会产生较为明显的滞后,滞后的消除通过增大速度因子来实现,而增大速度因子会降低其滤波效果,在输出信号中复现输入信号中混杂的噪声;减小噪声的影响,需要通过增大滤波因子来实现,而这又会增加系统输出的滞后。针对滤波性能与跟踪速度之间的矛盾,设计了一个可以根据输入信号的变化速率自适应调整速度因子和滤波因子的测速系统,通过构造了一个Lyapunov函数证明了该系统的稳定性。仿真结果表明,该系统可以在宽动态范围内对输入信号进行跟踪,并保持良好的滤波效果。     

一种残差模糊匹配的非线性目标跟踪改进算法

为解决目标跟踪中因系统滤波初值不准确和噪声统计特性未知引起标准非线性卡尔曼算法估计误差变大问题,该文提出一种基于残差的模糊自适应(RTSFA)非线性目标跟踪算法。在确定采样型滤波基本框架的基础上,给出了在线性化误差约束条件下高斯权值的积分一般形式,并利用李雅普诺夫第二方法证明了该算法估计误差有界收敛的充分条件。进一步构建自适应噪声协方差矩阵在线估计噪声特性,并引入Takagi-Sugeno模型和量测椭球界限规则选择噪声估计器调节因子,有效提高了算法的收敛速度和滤波精度。通过滤波初值信息不明和量测噪声时变的纯方位目标跟踪模型,验证了非线性目标跟踪算法具有更好的跟踪精度和更强的鲁棒性。     

基于跟踪微分器的非线性PID控制器设计

文章介绍了基于跟踪微分器的非线性PID控制系统,并做癌算法仿真。仿真结果表明,跟踪微分器具有较好的滤波特性,并且基于跟踪微分器的非线性PID控制器,在噪声扰动下,体现了较强的抗噪声能力,并可无超调的跟踪原始信号。     

最大互相关熵多凸组合自适应滤波算法

基于最大互相关熵准则(MCC)的自适应滤波算法在非高斯噪声环境下具有强鲁棒性,得到了广泛应用。然而,传统MCC滤波算法在选择参数时依然受到收敛速度与稳态精度之间固有矛盾的困扰。为解决这一问题,该文提出一类多凸组合MCC算法,能够充分发挥不同参数组合下滤波算法的性能优势,从而获得更好的信道跟踪能力。理论分析得出了所提算法的均值收敛条件和稳态均方误差,同时,仿真实验表明所提算法在对抗高斯和非高斯噪声时均具有收敛快、稳态精度高的特点。     

最大互相关熵多凸组合自适应滤波算法

基于最大互相关熵准则(MCC)的自适应滤波算法在非高斯噪声环境下具有强鲁棒性,得到了广泛应用.然而,传统MCC滤波算法在选择参数时依然受到收敛速度与稳态精度之间固有矛盾的困扰.为解决这一问题,该文提出一类多凸组合MCC算法,能够充分发挥不同参数组合下滤波算法的性能优势,从而获得更好的信道跟踪能力.理论分析得出了所提算法的均值收敛条件和稳态均方误差,同时,仿真实验表明所提算法在对抗高斯和非高斯噪声时均具有收敛快、稳态精度高的特点.     

自适应渐消UKF算法及其在仅测角被动定位中的应用

针对仅测角被动定位受多径、镜像和干扰源影响,噪声无法准确建模,传统EKF及其改进滤波算法容易发散的问题,将自适应渐消因子引入UKF算法中,调整滤波增益以及状态误差协方差矩阵,提出一种自适应渐消UKF算法,给出了具体的计算流程。仿真了不同雷达诱饵布置干扰下滤波算法的稳定性。仿真结果表明,与传统的EKF以及自适应渐消EKF算法相比,该算法收敛速度更快,稳定性更好。     

改进的LMS自适应噪声对消算法的应用

针对工业噪声的特点,将自适应对消算法应用到工业噪声的处理中。根据传统最小均方(Least Mean Square,LMS)自适应算法的缺点,文中通过构造合适的步长因子,引入参数使得算法在提高收敛速度的同时保证较小的稳态误差。放宽算法的约束性条件,以提高步长调整的精度。实验验证,提出的算法与其他算法相比,具有更快的收敛速度、更小的稳态误差以及优良的抗干扰性能。     

基于改进Singer模型的机动目标跟踪方法

Singer模型使用标准卡尔曼滤波器对机动目标进行跟踪,当系统模型不准确或噪声统计特性不确定时,容易引起滤波发散或跟踪精度下降等问题。针对这种情况,本文提出了一种采用自适应渐消卡尔曼滤波的Singer模型算法(AKF Singer),通过引入渐消因子来抑制滤波器的记忆长度,自适应的调整新息权重和滤波器增益,从而避免发散。仿真结果表明,本文所提算法能够有效抑制滤波发散,相比于传统Singer模型,具有更好的跟踪稳定性和更高的跟踪精度。     

基于FPGA的自适应锁相环设计

利用锁相环进行载波跟踪是获取本地栽波的一种重要方法,针对锁相环的噪声性能和跟踪速度不能同时达到最优的限制,在锁相环PLL中引入自适应模块,根据环路所处的环境自适应对PLL环路参数做出调整.设计中利用仿真软件MATLAB对自适应锁相环进行仿真,并在FPGA硬件板上利用VHDL编程实现.在载波信号为10 MHz、采样率为80 MHz的条件下,设计的自适应锁相环在噪声水平较小时跟踪速度提高了0.5 μs左右,在噪声水平较高时相位抖动降低了0.01 tad左右.     

基于跟踪微分器的模型参考自适应控制

为了处理二阶系统模型参数的大范围不确定性,提出了基于跟踪微分器的模型参考自适应控制,利用两个非线性跟踪微分器分别得到系统输出的微分信号和误差的微分信号,同时抑制了高频噪声放大效应。根据被控对象的数学模型,自适应调节律能自动实时调节控制律中的参数。实验结果表明,当雷达伺服系统被控对象模型的参数在较大范围内变化时,该新型控制器有效补偿了二阶系统参数的不确定性,提高了伺服系统稳态和动态跟踪精度,保证了系统的全局渐近稳定。     

基于自适应无迹粒子滤波的目标跟踪算法

为解决复杂场景中目标跟踪问题,提出了一种噪声未知情况下的自适应无迹粒子滤波(A-UPF)算法。算法采用改进的Sage-Husa估计器对系统未知噪声的统计特性进行实时估计和修正,并与无迹Kalman粒子滤波器相结合产生优选的建议分布函数,降低系统估计误差的同时有效提升了系统的抗噪声能力。实验结果表明,本文方法对于复杂条件下的目标跟踪问题具有较高的精度和较强的鲁棒性。     

跟踪微分器在半捷联导引头中的应用

对半捷联稳定方式导引头进行了研究,导出了半捷联导引头稳定控制原理,并进一步建立了完整的半捷联导引头稳定回路框图。介绍了跟踪微分器的工作原理,并对其进行了数值仿真,仿真结果显示了跟踪微分器良好的跟踪性能和滤波性能。在半捷联稳定中,为了减小由框架角位置微分求取框架角速度引入的较大的测速噪声,提出了采用跟踪微分器的方法。数值仿真和半实物实验结果说明了跟踪微分器能有效地从角位置信号中微分求得角速度信号,系统稳定精度提高了80%,证明了跟踪微分器在半捷联稳定中应用的可行性和有效性。     

一种精确跟踪机动目标的滤波算法的研究

介绍一种自适应调整过程噪声方差的滤波计算新方法.此方法不需要目标机动的先验知识,而是构造一个可自适应调整的缩放因子,通过该因子对过程噪声进行调节.结合协方差匹配自适应滤波算法的思想,给出一种新的机动目标跟踪算法.通过蒙特卡洛仿真,同IMM算法进行比较,结果表明算法在目标发生机动时具有更好的性能.     

AKF与EFRLS在动态目标跟踪性能上的比较

卡尔曼滤波是具有递推估计形式的最优滤波,但最优性的获得是在过程噪声和观测噪声统计特性已知的前提下得到的。然而,在大量的动态目标跟踪实际问题中噪声具有不确定性,因而有必要研究在噪声不确定下动态目标的跟踪算法以满足实际问题的需要。文中介绍自适应Kalman滤波对过程噪声方差的估计以及推广的遗忘因子最小二乘法对状态估计的递推公式,并且在平均误差最小准则下通过计算机仿真比较两种方法对动态目标的跟踪性能.仿真结果表明,在不确定噪声下自适应Kalman滤波能够取得比推广的遗忘因子递推最小二乘法更好的跟踪性能。     

麦克风阵列的协同自适应滤波语音增强方法

在麦克风阵列语音增强方法中,传统的广义旁瓣抵消器在处理存在显著脉冲噪声的语音信号时效果较差。为提高在脉冲噪声干扰下的语音信号增强效果,提出一种麦克风阵列的协同自适应滤波语音增强方法。该方法采用协同自适应滤波取代线性自适应滤波,基于NLMS算法导出了滤波器权值和协同因子的自适应更新算法。仿真实验结果表明,所提方法能有效地消除掉语音信号的脉冲噪声和高斯噪声,克服线性自适应滤波对非线性脉冲噪声的不敏感性,比广义旁瓣抵消器效果优越很多。     

变维自适应交互式多模型跟踪算法

针对传统的交互式多模型(IMM)算法通常采用相同维数的模型进行滤波,存在较大的模型误差以及当前统计模型(CS)中的参数需要合理设定的问题,提出一种变维自适应交互式多模型(AIMM)跟踪算法。该算法首先利用维数变换,将不同维数的模型转换为统一的维数进行交互滤波,使之适用于一般的机动目标,减少模型跟踪误差;然后通过引入由残差信息定义的调整因子对CS模型中的参数自适应调整,提高模型与实际运动模式的匹配程度;最后将参数调整后的CS模型反馈到变维IMM算法中,来改善跟踪性能。仿真实验表明,与传统变维IMM算法相比,文中所提算法在有效跟踪机动目标的同时,提高了目标的跟踪精度。     

改进的当前统计模型及自适应跟踪算法

对于机动目标跟踪问题,在当前统计（CS）模型的基础上,提出了一种新的机动目标自适应跟踪算法。通过引入强跟踪滤波器（STF）的渐消因子,增强了模型对目标突发机动的自适应跟踪能力,同时针对模型对目标加速度极限值的依赖性这一缺点,引入一种利用位置估计值与加速度的函数关系自适应调整加速度方差的方法,提高了对弱机动和非机动目标的跟踪能力。仿真结果表明,该算法与标准的当前统计模型滤波算法相比具有较高的跟踪精度。     

非高斯噪声情况下多平台机动目标被动跟踪新方法

针对仅有角度测量信息条件下,被动传感器融合目标跟踪问题,提出了扩维UKF滤波算法;并对经典IMM进行改进提出变维IMM算法,利用不同维数模型之间的交互式融合解决对机动目标的跟踪问题;进一步考虑实际情况中往往存在的测量噪声为非高斯情况,引入自适应滤波方法。最终提出变维交互式多模型自适应抗差扩维无迹滤波方法（VDIMM-AAUKF）,成功实现了被动多传感器在高斯和非高斯噪声情况下对机动目标跟踪。仿真实验结果表明该算法跟踪精度高、稳定性好,具有较好的实际应用价值。     

一种基于自适应滤波的雷达目标跟踪算法

针对在复杂环境下基于卡尔曼滤波的雷达目标跟踪中存在的鲁棒性和自适应性较差的问题,研究了一种新的雷达目标自适应鲁棒跟踪算法;通过引入自适应渐消因子,对估计误差协方差和滤波增益矩阵进行在线自适应调整,从而使得滤波算法具备良好的鲁棒性和自适应性,提高雷达目标跟踪的精度。最后,通过仿真对所研究的方法进行了验证。     

机动目标跟踪的新算法

机动目标通常不是做恒定的运动,其运动状态会随时间的变化而变化.这就使描述系统运动的状态方程是非线性的,而且系统参数会不断变化.传统的推广卡尔曼滤波适用于定系统定参数的情况,如果运用到机动目标跟踪上会导致误差增大甚至滤波发散.基于此,将强跟踪滤波运用到机动目标跟踪上.强跟踪滤波在卡尔曼滤波的基础上引入了多重渐消因子,使强跟踪滤波具有极强的跟踪能力和较好地鲁棒性,因此可以很好地解决变系统变参数的问题.通过仿真,将强跟踪滤波与UT-BLUE滤波方法和EKF滤波方法进行比较,结果表明了该滤波方法的有效性和优越性.