过程噪声方差实时补偿的非定轨目标跟踪

针对非定轨目标跟踪问题中过程噪声统计特性未知的特点,提出了一种实用的对过程噪声方差进行实时补偿的目标跟踪算法。该算法根据强跟踪滤波器的思想,通过实时检测新息序列来修正卡尔曼滤波算法中的状态预测误差协方差矩阵,进而对未知的过程噪声方差矩阵进行实时地补偿。由于存在新息检测机制,该算法能够有效地规避表征建模不确定性的过程噪声统计特性未知的问题,对于建模不确定性具有一定的适应能力。通过对一旋转靶标跟踪问题的仿真试验,证明了该方法的有效性。     

一种纯方位跟踪中的自适应滤波算法

针对纯方位被动目标跟踪中扩展卡尔曼滤波算法易发散的不足，提出了一种自适应的改进算法。该算法利用极大后验噪声估计器Sage-Husa对虚拟观测噪声进行实时在线估计，动态补偿线性化带来的误差。算法的对比仿真分析结果表明，AEKF较之EKF滤波效果有所改善，增强了稳定性，提高了精度，为ST纯方位被动目标跟踪的实现提供一种新的方法。     

一种基于相对固定增益的Kalman滤波信号跟踪算法

研究了Kalman滤波在卫星导航终端信号跟踪中的应用。运用基于Kalman滤波形成的信号跟踪环路利用最优估计理论动态调节环路带宽,较好地解决了信号跟踪性能受信号强度和信号动态两因素制约的问题;运用信号系统中的Z变换从理论上证明了Kalman滤波稳态性能与普通锁相环路的转换联系;分析了Kalman滤波的稳态响应特点,借鉴α·β滤波的固定滤波系数思想,在保留Kalman滤波基本递归叠代过程的前提下,利用稳态效应误差恒定的性质,提出了一种基于相对固定增益的Kalman滤波信号跟踪算法。该算法采用基于SNR的查找表方式(无需计算方式)确定增益系数,以减少滤波的计算量。性能试验结果表明,该算法的鲁棒性较好,能实时跟踪信号变化,信号突变条件下的暂态响应跟踪误差略大于标准算法,稳态条件下的滤波效果与标准算法基本持平。     

多传感器模糊融合跟踪算法

针对集中式融合结构跟踪系统,利用随机逼近算法分析了权值的最优分配原则,提出了一种基于模糊推理的多传感器融合跟踪算法。该算法采用协方差匹配技术,依据滤波新息,动态调整测量噪声方差,使融合系统的均方误差始终最小。同时利用双滤波器结构,根据系统方差,实现滤波器间的动态切换,提出了基于模糊推理的并行双Unscented卡尔曼滤波自适应跟踪算法,增强当前统计模型对弱机动目标的适应能力。针对机动和非机动飞行航路进行了算法仿真,结果表明,在时变测量噪声条件下,采用模糊融合跟踪算法前后的速度均方根误差分别为45.7m/s和36.2m/s, 18.7m/s和9.6m/s,提高了多传感器系统的稳健性和跟踪精度。     

基于Kalman滤波器的车辆振动速度估计

基于车辆悬架系统模型设计了Kalman滤波器,由测量的车身和车轮加速度信号估计振动速度。分析了过程噪声协方差不准确对速度估计效果的影响,然后讨论了基于预测滤波器的自适应Kalman滤波器。仿真结果表明:Kalman滤波器能够实时准确估计车辆振动速度;预设过程噪声协方差值不准确对车身速度估计影响较大,甚至可能使滤波器失效;自适应Kalman器能够修正过程噪声协方差不准确引起的估计误差,获得准确的车辆振动速度。     

基于方位一频率的目标跟踪方法研究

本文研究了一种基于方位-频率的目标跟踪方法。该方法在对未知参数进行适当约束的基础上，利用最小二乘估计，得到未知参数的渐进无偏估计。该方法不需要设置任何初值，所以不存在收敛性的问题．仿真结果表明，在观测平台无需做任何机动的情况下，该方法的估计性能可以接近于克拉美．罗方差下限(CRLB)，且受目标航向的影响较小。     

被动定向浮标阵卡尔曼滤波目标跟踪研究

文章研究利用被动定向浮标阵定位跟踪水下机动目标的方法,基于卡尔曼滤波(Kalman Filter, KF)原理提出一种定位跟踪滤波器的具体实现方法。该方法能够整合多枚浮标现在及过去有误差的测量数据,提高定位精度,同时连续输出水下目标运动参数估计从而锁定目标运动轨迹。该方法实现的关键在于建立水下目标与浮标阵的数学迭代运算模型,包括状态空间的动态与观测过程。由于被动定向浮标阵目标跟踪是一个非线性估计问题,而卡尔曼滤波器是线性的,因此文章设计了近似的线性观测方程以利用卡尔曼滤波来解决这个问题。通过计算机仿真研究该滤波器的跟踪效果并与最小二乘法进行比较,估计精度明显高于最小二乘法。同时通过仿真验证该滤波器可以自适应跟踪目标的非稳态运动过程。该方法在工程实践上具有一定应用前景与指导意义。     

基于当前统计模型的一种双自适应模糊滤波算法

在当前统计模型的基础上,提出一种双自适应模糊滤波算法.该算法利用模糊推理机制及结合升半正态形模糊分布函数,对最大加速度和过程噪声协方差矩阵进行双自适应调整.针对阶跃机动,引入强跟滤波器达到增强跟踪机动目标的能力.仿真结果表明,该算法提高了机动模型与目标实际机动模型的匹配程度以及对强机动目标跟踪的精度,改善了滤波器的跟踪性能,克服了对弱机动目标跟踪性能的不足.     

噪声方差自适应修正的混合系统故障诊断方法

针对混合系统故障诊断问题,提出了一种模型噪声方差自适应修正的多模态故障诊断方法。首先,在粒子滤波的框架内将混合系统故障诊断建模为最优状态估计与跟踪问题,利用实时观察信息和各个模态先验的转移概率,估计最优的故障模态,并针对估计结果进行单独的建模分析;接着,根据平滑估计值和当前观测信息之间的相关性,建立噪声方差在线自适应检测机制,对模态噪声方差进行自适应更新,有效克服了模型噪声统计特性时变对滤波精度的影响,提升了算法的鲁棒性。最后,针对多种模态估计跟踪进行了充分的仿真分析,验证了本文方法的有效性和鲁棒性。     

基于“当前”统计模型的混合网格多模型算法

针对混合网格变结构多模型算法中用于描述目标运动模式的加速度估计不准确引起跟踪精度下降的问题,本文提出了一种基于“当前”统计模型(Current Statistics,CS)的混合网格多模型算法(Hybrid Grid Multiple Model, HGMM)。该算法以基于“当前”统计模型估计得到的加速度均值为依据进行网格划分,在线生成目标可能的模型集合,采用交互式多模型算法进行目标跟踪。在一般机动及强机动场景下进行了算法性能测试分析,仿真结果表明,该算法提高了对机动目标的跟踪精度。     

一种新的自适应非线性卡尔曼滤波算法

为避免由于系统噪声统计特性不准确所导致的滤波性能下降问题,改进了一种基于新息的系统噪声方差调整方法,并将其与扩展卡尔曼滤波、Unscented 卡尔曼滤波和差分滤波相结合,形成自适应非线性卡尔曼滤波.将此方法应用到非线性测量光电跟踪系统中,并与采用基本非线性卡尔曼滤波进行性能对比.仿真实验结果证明该方法可以实时调整系统噪声方差,有效地避免由于系统噪声统计特性不准确所带来的滤波性能下降的问题,而且其性能明显优于基本非线性卡尔曼滤波.     

光电跟踪系统非线性新息自适应卡尔曼滤波算法

为解决非线性部分状态卡尔曼滤波算法中由于线性化误差所导致的滤波精度下降问题,提出采用UT变换方法计算系统状态误差方差,及基于新息自适应调整系统噪声方差,进而构成一种新的非线性自适应部分状态卡尔曼滤波算法,并总结出详细算法结构.同时,将此方法应用到非线性测量光电跟踪系统中,并与U卡尔曼滤波和非线性部分状态卡尔曼滤波进行性...     

扩展容积卡尔曼滤波定位技术研究

为提高被动定位技术的精度与环境适应性,本文提出运用一种新的非线性滤波方法—扩展容积卡尔曼滤波算法进行多角度传感器目标定位;它首先利用EMD(经验模态分解)算法对目标的量测噪声协方差矩阵进行估计;然后,将过程噪声协方差和量测噪声协方差融入循环过程;同时,为保持算法的稳定性和正定性,利用求平方根的形式对算法改进。通过对扩展容积卡尔曼滤波与UKF(不敏卡尔曼滤波)算法跟踪目标的结果进行比较,在运算复杂度与UKF相当的前提下,扩展容积卡尔曼滤波算法不仅可以对未知量测噪声情况下的目标进行跟踪,而且显著提高了被动定位的精度。     

光电跟踪的非线性卡尔曼滤波算法

为得到最小方差意义下的光电跟踪目标的最优状态估计,提出将部分状态卡尔曼滤波和非线性系统的一阶线性化思想相结合,构成一种适用于非线性光电跟踪目标的卡尔曼滤波算法,并总结出详细算法结构.同时将此方法应用到非线性测量光电跟踪系统中,并与扩展卡尔曼滤波和U卡尔曼滤波进行性能对比.仿真实验结果证明,将部分状态卡尔曼滤波和非线性系统的一阶线性化思想相结合是有效可行的,而且其性能明显优于扩展卡尔曼滤波和U卡尔曼滤波.     

基于自适应因子化 H∞滤波的单站无源跟踪

针对单站无源跟踪系统非线性较强、传统跟踪滤波方法收敛速度慢且容易发散的问题,提出了一种基于自适应因子化 H∞滤波的单站无源跟踪算法.该算法利用 sigma 点转换和鲁棒 H∞滤波能够减小观测方程的线性化误差和降低观测误差不确定性的特点,通过新息控制减小野值对滤波的干扰,利用比例因子和渐消因子自适应调整采样点到中心点的距离和状态预报误差的协方差,从而克服基于 UT 变换的 H∞滤波采样时的非局部效应问题,增强了单站无源跟踪系统对噪声的鲁棒性.仿真实验结果表明,本文方法通过对 UT 变换进行简化,在自适应因子化的同时,算法的计算量与基于 UT 变换的 H∞滤波基本持平,且跟踪精度优于基于 UT 变换的 H∞滤波算法.该算法在保持高精度估计能力的同时,具有较强的鲁棒性,是解决非线性系统状态估计问题的一种有效方法.     

Variational Bayesian Based IMM Robust GPS Navigation Filter

This paper investigates the navigational performance of Global Positioning System (GPS) using the variational Bayesian (VB) based robust filter with interacting multiple model (IMM) adaptation as the navigation processor. The performance of the state estimation for GPS navigation processing using the family of Kalman filter (KF) may be degraded due to the fact that in practical situations the statistics of measurement noise might change. In the proposed algorithm, the adaptivity is achieved by estimating the time-varying noise covariance matrices based on VB learning using the probabilistic approach, where in each update step, both the system state and time-varying measurement noise were recognized as random variables to be estimated. The estimation is iterated recursively at each time to approximate the real joint posterior distribution of state using the VB learning. One of the two major classical adaptive Kalman filter (AKF) approaches that have been proposed for tuning the noise covariance matrices is the multiple model adaptive estimate (MMAE). The IMM algorithm uses two or more filters to process in parallel, where each filter corresponds to a different dynamic or measurement model. The robust Huber's M-estimation-based extended Kalman filter (HEKF) algorithm integrates both merits of the Huber M-estimation methodology and EKF. The robustness is enhanced by modifying the filter update based on Huber's M-estimation method in the filtering framework. The proposed algorithm, referred to as the interactive multi-model based variational Bayesian HEKF (IMM-VBHEKF), provides an effective way for effectively handling the errors with time-varying and outlying property of non-Gaussian interference errors, such as the multipath effect. Illustrative examples are given to demonstrate the navigation performance enhancement in terms of adaptivity and robustness at the expense of acceptable additional execution time.     

基于鲁棒H~∞滤波的光电跟踪机动目标状态预测估计

针对光电跟踪系统中目标机动的特点和电视图像跟踪器信号处理、传输造成的测量时滞以及目标信号测量中存在的不确定干扰和噪声,选取机动目标"当前"统计模型对加速度进行建模,在所建立的光电跟踪目标加速度非零均值相关模型的基础上,采用鲁棒H∞滤波算法对光电成像识别目标运动状态进行预测估计.其预测精度比Kalman滤波提高近1倍.实验结果表明,该方法能有效地克服目标模型变化及随机噪声和干扰不确定性的影响,具有较高的预测精度和良好的鲁棒性.     

基于自适应滤波的锂电池隔膜卷绕系统张力估计

锂电池隔膜卷绕系统的电机转速、放卷辊的卷材卷径和放卷张力等实时信号都带有高斯白噪声,易形成较大的滞后,从而导致控制系统的稳定性和精度降低。现以协方差匹配技术为滤波发散判据,再结合对于指数加权系数的表达式限定记忆滤波的次数,提高噪声初始值的分配权重,来保持滤波的自适应程度,提出一种基于改进型SageHusa自适应滤波估计张力的方法,实现对系统噪声协方差阵与测量噪声协方差阵的自适应变化。实验结果表明,所提出的方法不仅能更准确、稳定地估计出锂电池隔膜卷绕系统放卷张力,还能在一定范围内使其不受给定的噪声协方差阵初值影响,而且有较高的精度和较强的实时性,优于一般的扩展卡尔曼滤波算法。