一类随机过程基于强跟踪滤波的算法研究

该文以一类观测系统为研究对象,首先在对被观测信号的随机特性统计分析的基础上,建立描述其变化的动态模型;然后针对信息缺乏情况下所建动态模型存在精度不高的实际情况,通过引入强跟踪滤波技术,实现了对被测目标状态与未知参数的联合估计;最后通过仿真对新方法与已有方法进行比较,验证了新方法的有效性。     

脉冲噪声环境下的空闲信道检测方案

针对复杂电磁脉冲噪声环境下的空闲信道检测难题,提出一种基于贝叶斯统计推理框架的新检测算法.为了应对脉冲干扰并提升检测精度,建立了一种全新的动态状态空间模型,采用伯努利随机有限集来描述脉冲噪声与信道状态的动态变化特性.在此基础上,基于序贯估计与粒子滤波理论,设计出一种新型信道检测机制.在检测信道状态的同时,对脉冲噪声出现时间和幅值进行联合估计,有效消除了其对信道检测的干扰;同时,通过发掘脉冲噪声的动态特性,显著提升了信道检测性能,为复杂电磁环境下的高可靠信道检测提供了一种新的解决方案.数值仿真验证了所提算法的有效性.     

基于粒子预测的非线性状态目标跟踪算法

对目标状态进行可靠的估计,可以在相对较小搜索区域内完成对模板的搜索,提高跟踪的实时性.卡尔曼(Kalman)预测对线性高斯问题能够提供最优估计,而对目标模型、观测方程等要求的非线性、非高斯问题不再适用,针对此问题,提出利用基于蒙特卡罗(Monte Carlo)模拟方法和贝叶斯估计的粒子滤波(Particle Filter)对非线性、非高斯问题进行位置预测.详细描述了基于粒子预测的目标跟踪算法,并给出实验仿真结果.     

基于平方根容积卡尔曼滤波的目标状态与传感器偏差扩维联合估计算法

针对传感器存在系统偏差条件下的三维目标跟踪问题,基于高斯求积规则与三阶球面-径向容积规则,设计了基于平方根容积卡尔曼滤波的目标状态与传感器系统偏差扩维联合估计算法(Augmented state squared-root cubature Kalman filter,ASSRCKF)。仿真分析表明,ASSRCKF不仅避免了扩维扩展卡尔曼滤波算法因模型线性化误差易导致滤波发散的问题,且克服了扩维不敏卡尔曼滤波算法在高维系统中数值不稳定的缺点,算法实时性好,能更加有效地解决带有系统误差的非线性状态估计问题。