基于改进SRUKF的多机无源定位跟踪算法

SRUKF能够解决UKF在滤波过程中由于噪声和计算误差导致的误差协方差阵负定的问题,但也付出了增加运算量的代价。以多机编队对地面辐射源进行无源定位跟踪为应用背景,提出了一种改进的SRUKF算法。该算法采用比例修正的最小偏度单形采样策略,减少采样点的同时又能基本保持算法精度;借鉴简化UKF的思想,针对此应用背景下的线性化状态方程,对状态和状态误差协方差平方根的一步预测采用KF进行递推,从而进一步降低运算量。仿真结果表明,相对于采用比例对称采样的标准SRUKF算法,文中所提算法不但能够保持计算精度,而且减小了运算量,具有一定的工程实用意义。     

多站无源跟踪边缘化卡尔曼滤波算法

多站无源跟踪量测方程非线性强,对跟踪算法的稳定性及精度提出了更高的要求。为实现稳定高精度跟踪,提出了新的基于边缘化卡尔曼滤波（MKF）的多机无源跟踪算法。该算法将非线性的量测方程表示为p阶Hermite多项式的加权和,将加权矩阵的先验分布建模为高斯过程,求得其后验分布后对其进行积分来消除加权矩阵的影响,最终可得对状态及其协方差矩阵估计的闭式解。以只测角跟踪为例对所提算法性能进行验证,仿真结果表明,相对于扩展卡尔曼滤波（EKF）算法、不敏卡尔曼滤波（UKF）算法及容积卡尔曼滤波（CKF）算法,所提算法具有更好的跟踪性能。      

基于最小二乘的时差定位算法

时差测量方程是非线性双曲线方程,可以通过引入中间变量将其转化为线性方程,对近年来国内外学者关于这种方法的时差定位算法进行了总结。当已知测量误差的先验信息时,可以采用两步加权最小二乘法和约束加权最小二乘法,当测量误差的先验信息未知时,还可以采用约束总体最小二乘的方法。在求解约束最小二乘问题时,采用常规的拉格朗日法计算复杂、运算量大,而采用高斯一牛顿法不仅可以大为降低运算量,还能提高解的精度和稳定性。此外,对约束加权最小二乘法和约束总体最小二乘法之间的关系进行了探讨,得到了它们等价性的条件。     

电力工业的经济与环境协调监管模型研究

针对电力工业发展中存在的经济与环境冲突问题，我国政府已经把经济性监管和环境监管纳入电力工业管理的方法当中。为了探究经济性监管与环境监管两者之间的协调发展模式，运用规制经济学原理，建立了电力工业经济与环境的协调监管模型。通过对模型均衡的分析，得出协调监管比独立监管更能够增加整个社会的总福利，进一步刻画出发电企业最优的减排程度，紧接着进行算例分析，得出了结论。     

排污权制度下的电力市场稳定性分析

在设计电能与环境协调监管-免费分配排污权制度时,必须考虑该制度下电力市场的稳定性.针对这一情况,在对有限理性的微分对策模型进行改进,提出了在免费分配排污权制度下,燃煤发电企业有限理性的Cournot动态博弈模型,并与未使用免费分配排污权的模型进行对比分析.结果表明,免费分配排污权制度可以改善电力市场的稳定性,同时给出了电力市场稳定的判断条件,使得模型的混沌现象会消失.稳定性分析的结果为政府制定免费分配排污权制度提供了依据.     

考虑载机位置误差的CLS多机无源定位算法

多机无源定位中存在载机位置误差却不予考虑时必然会降低目标的定位跟踪精度。为了解决存在载机位置误差情况下的定位问题,提出了一种考虑载机位置误差的约束最小二乘（CLS）多机无源定位算法。该算法对伪线性观测方程中由于测量误差和载机位置误差而导致的增广系数矩阵的误差协方差阵进行约束,并对伪线性观测方程的误差进行约束最小二乘处理,最终转化为对一组矩阵束的广义特征分解问题。仿真结果表明,相对于最小二乘（LS）算法和扩展卡尔曼滤波（EKF）算法,该算法具有更快的收敛速度和较高的定位精度,并且受载机位置误差影响小,在观测噪声比较大时仍能保持良好的定位性能。      

基于NLS的多机只测角误差配准算法

多机无源融合定位中的误差配准是目前多传感器误差配中的难点之一。当无源传感器获得的观测量存在系统误差却不进行配准时,多机融合定位的效果将受到严重影响。针对这一情况,在多机只测角无源定位问题中提出了一种基于非线性最小二乘（NLS）的误差配准算法。该算法将多机只测角误差配准问题转换为非线性最小二乘估计问题,并采用高斯–牛顿法求解,即先将非线性量测方程线性化并采用加权最小二乘进行估计,然后进行迭代直至收敛到最优估计值。仿真结果表明,与EKF配准算法相比,当观测时间足够长时,本文提出的NLS误差配准算法的定位误差可以接近克拉美罗限（CRLB）,并且对系统误差的估计精度非常高。      

基于加权观测的隐马尔可夫模型

针对隐马尔可夫模型无法融合分类结果权值的问题,文中提出加权观测隐马尔可夫模型(WOHMM),并给出模型中概率计算、参数学习、序列标注三个基本问题的解决算法.使用公开数据集对参数学习和序列标注问题进行仿真实验,结果表明,WOHMM的参数学习算法能得到更接近真实值的模型参数,序列标注算法的效果较优.     

基于改进动态关联的多目标无源跟踪算法

针对状态-状态动态关联算法关联精度差,计算量大等缺点,提出了基于状态-量测动态关联的多目标只测角无源跟踪算法。该算法在航迹起始后,将目标状态估计直接与下一时刻由静态量测-量测数据关联确定的S元量测进行关联,利用二维分配算法得出关联对后,通过不敏卡尔曼滤波算法对关联出的方位角集合进行非线性滤波从而实现对与之关联目标的状态更新。仿真结果表明所提多目标跟踪算法能有效关联不同时刻源于同一目标的S元量测从而实现多目标跟踪且适合目标数目变化的情况,具有较好的工程应用前景。     

基于HMM的动作识别结果可信度计算方法

针对当前动作识别可信度计算方法中混淆率高、不适用于迁移学习等问题,提出一种基于样本上下文信息的可信度计算方法（S-HMM, sliding windows hidden Markov model）。该方法使用隐马尔可夫模型（HMM, hidden Markov model）理论对识别结果序列建模,将样本所在序列识别正确的概率作为识别结果的可信度,避免了当前可信度计算方法依赖于样本在特征空间中分布的问题。实验使用真实场景中的数据进行仿真,结果表明,与现有方法相比,该方法可将可信度混淆率降低37%左右。