一种反馈修正推广卡尔曼滤波算法及其应用

针对在被动方式下进行目标定位时滤波收敛速度慢和估计精度不高的问题 ,本文介绍了一种反馈修正推广卡尔曼滤波算法。通过引入可观性弱的距离及距离变化率的估计值作为反馈变量 ,作为虚拟观测变量对系统状态进行二次估计 ,可以大大提高算法的收敛速度 ,本文对该算法进行了详细的推导并将其应用于目标被动定位估计器设计中。仿真结果表明 ,该算法在收敛速度 ,估计精度以及稳定性方面都优于原有的卡尔曼滤波器     

小天体着陆器协方差矩阵分割滤波方法

提出一种小天体着陆器协方差矩阵分割滤波方法,利用惯性测量单元和多个相机估计着陆器运动状态,通过分割协方差矩阵的方式将协方差矩阵隔离更新和传播,并在每次测量更新时使用残差卡方修正方法修正协方差矩阵。通过小天体着陆器着陆仿真测试,与传统扩展卡尔曼滤波算法相比,本文方法在测量噪声估计不准确时具有更好的精度和稳定性。     

非高斯杂波协方差矩阵估计新方法

针对雷达目标自适应检测中的复合高斯杂波协方差矩阵估计问题,提出了 一种基于杂波分组的约束迭代估计方法。该方法在迭代过程中有效利用所有辅助数据,并对 最终得到的估计矩阵进行关于迹的约束。在估计的杂波分组大小与实际情况匹配的条件下, 约束迭代估计方法的估计精度与杂波功率水平无关。仿真实验表明,所提出的方法对不同的 杂波分组大小失配情况具有很好的鲁棒性;与已有的两种协方差矩阵估计方法相比,约束迭 代估计方法能极大的提高估计精度,加快迭代过程的收敛速率,且计算量更小。
     

一种基于简化自适应SCKF的目标跟踪算法

为降低传统自适应SCKF(Square-Root Cubature Kalman Filter)在目标跟踪过程中的计算负担,依据目标跟踪模型中状态方程通常为线性的特点,提出一种简化自适应SCKF算法。该算法在一步预测过程中,利用状态转移矩阵代替容积点,实现对状态变量和协方差矩阵的计算,达到降低运算复杂度的目的。通过对机动目标跟踪的仿真验证:相比于传统的自适应SCKF,提出的简化自适应SCKF不但能够保证跟踪精度,还能有效地提高运算效率。     

协方差矩阵结构的广义杂波分组估计方法

针对球不变随机向量建模的相关复合高斯杂波背景下雷达目标自适应检测的协方差矩阵结构估计问题,将均匀杂波分组方法进行推广和改进,提出了杂波协方差矩阵结构的广义迭代杂波分组估计（GRCCE）方法。首先,在广义杂波分组背景下利用最大似然方法推导了协方差矩阵结构估计的迭代过程;其次,基于杂波分组思想,给出了广义杂波分组估计(GCCE),利用GCCE作为初始化估计矩阵进行迭代,得到协方差矩阵结构的GRCCE;最后,通过仿真对方法的有效性进行了检测,结果表明,GRCCE只需要一次迭代就能达到收敛,估计精度随着杂波一阶相关系数的增大而提高,而不受纹理分量参数变化的影响。与现有方法相比GRCCE适应杂波环境更广,估计精度更高,而且计算量更小。     

采用结构协方差矩阵的机载／天基雷达的空时自适应处理

本文表明有效地采用机载／天基（A/S）杂波协方差矩阵（CCM）的部分信息可以大大提高在杂波和干扰环境下块处理空／时自适应处理机（STAP）的收敛性能。CCM的部分知识以由机载雷达团体开发的简化通用杂波模型（GCM）为基础。设定一个参数的先验知识，该参数应是易于通过与这种模型相关的雷达平台可测的（但不一定准确）。这种GCM产生一种假定的CCM。用这种假定的CCM和热噪声协方差矩阵的精确知识一起形成STAP要用的未知干扰协方差矩阵的最大似然估值（MLE）。对利用先验杂波和热噪声协方差信息的这种新算法的评估采用两种杂波模型：1）失配的GCM，2）高保真的空军研究实验室STAP杂波模型。对于这两种杂波模型，这种新算法要大大好于（即收敛更快）采样矩阵求逆（SMI）和快速最大似然（FML）STAP算法，后一种模型仅用了热噪声协方差矩阵的信息。     

一种实用的解耦自适应跟踪滤波器

提出了一种适于在非线性测量环境下跟踪机动目标的解耦自适应跟踪滤波器，这种跟踪滤波器在视线直角坐标系下实现了改进的输入估计方法。由于所提出的滤波器具有解耦结构，因此，可以显著地减少计算量而不会降低性能。同时还证明，由于伪测量噪声间的小的互相关，因此提高了机动检测的准确度。     

一种短序自适应滤波算法

讨论一种用于导弹系统飞行遥测数据与系统实时仿真数据处理的短序自适应滤波算法。它的主要环节是对短序数据作周期性扩展,以产生适合于自适应滤波的基本输入和参考输入。用该算法对飞行遥测数据和半实物仿真数据作自适应信号处理的结果表明,该方法能有效地滤除导弹系统飞行试验和仿真短序信号中的混叠噪声和干扰。     

自适应融合滤波算法及其在INS/GPS组合导航中的应用

针对扩展卡尔曼滤波器(EKF)在系统模型不确定时存在鲁棒性差、精度低的问题,设计了一种基于交互式多模型(IMM)的自适应融合滤波(AFF)算法。IMM\|AFF算法采用两个模型来描述系统结构,且与每个模型相对应的Sage\|Husa滤波器和强跟踪滤波器(STF)独立并行工作,系统的状态估计则是两种滤波器估计的模型概率加权融合。IMM\|AFF算法兼具Sage\|Husa滤波器状态估计精度高和STF对系统模型不确定具有强鲁棒性的优点,克服了两种滤波器各自单独使用时的缺点。将IMM\|AFF算法应用于INS/GPS组合导航系统的仿真结果表明,IMM\|AFF算法的滤波精度和鲁棒性均明显优于目前工程应用中的EKF,特别是大大提高了INS/GPS系统的定位 精度 。
     

自适应广义卡尔曼滤波器在反辐射导弹中的应用

抗目标辐射源关机的能力是反辐射导弹的关键战术技术性能之一，采用增广状态的广义卡尔曼滤波（EKF）与Sage－Husa自适应滤波相结合的方法，解决了在被动雷达导引头测量存在常值偏差和随机噪声，且随机噪声方差未知情况下所测角度的滤波问题，从而在目标辐射源关机时刻较精确地建立起目标视线在惯导坐标系中的方位坐标（简称惯性基准），进而利用速度追踪法导引导弹攻击目标。给出了以某型导弹为背景的全空间弹道数学仿真结果。     

基于半球谐振陀螺的捷联惯性姿态系统的一种粒子滤波方法

为了抑制积分运算带来的捷联惯性姿态累积误差.根据姿态角三角函数关系引入横滚、俯仰角的三个替换变量作为姿态变量,并根据系统姿念变量之间的约束方程和运动体的前向速度测量提出了基于半球谐振陀螺的捷联惯性姿态确定系统的一种扩展卡尔曼粒子滤波算法.采用基于国产半球谐振陀螺的捷联惯性测量组合进行实验与仿真,与标准卡尔曼滤波算法进行了比较.实验与仿真结果表明:该算法有效地提高了定姿性能.作为高可靠性姿态确定系统的备用算法,该算法尤其适用于长寿命的小型航天器.     

ARMA建模及其在Kalman滤波中的应用

提出了一种补偿惯性传感器随机误差的自回归滑动平均(ARMA)建模方法,在该方法中,首先,将时间序列平稳性检验的轮次法和样本方差变差系数相结合,以确定合适的建模样本长度;其次,将惯性传感器的随机误差看成是真实状态叠加白噪声,通过对观测数据做滤波处理,给出了求解模型参数的算法;随后,构建一组符合ARMA(6,4)模型分布的有色噪声,基于准确建立的ARMA(6,4)模型和AR(2)近似模型构建Kalman滤波器,以研究建模精度和Kalman滤波输出之间的关系;最后,探讨了基于状态可观测度分析的模型降阶方法,在保证精度情况下提高模型计算的实时性,便于建模方法在工程实际中的应用。通过对某型号加速度计的随机误差进行处理,高阶模型及降阶模型的滤波残差标准差分别降为原始随机误差标准差的1/66和1/28,说明方法是有效的。     

基于修正模型的自适应跟踪算法

提出一种基于修正模型的自适应跟踪算法（CSM-AKF）。通过状态扩维和机动检测实现模型参数的自适应调整,克服＂当前＂统计（CS）模型中参数预设的负面影响,提高了系统的跟踪精度以及目标在做强机动时的快速响应能力。仿真结果验证了算法的有效性。     

基于BP神经网络的自主定轨自适应Kalman滤波算法

针对Sage Husa自适应滤波方法存在的窗函数开窗大小选择问题,提出一种基于BP神经网络学习估计系统协方差矩阵的自适应Kalman滤波算法。该算法以Kalman滤波预测残差向量作为网络输入,通过网络分段离线学习确定预测残差向量与预测残差协方差矩阵间的非线性关系,自适应地估计Kalman滤波系统协方差矩阵。将其应用到自主定轨系统,仿真结果表明利用本文算法自主定轨60天星座平均URE误差小于1.9米,且能够快速跟踪到系统噪声的突变,较Kalman滤波方法和Sage Husa自适应滤波方法具有更好的性能。     

EKF和UKF在INS/GPS组合导航中的应用分析

扩展卡尔曼滤波(EKF)是在非线性系统中常用的一种滤波方法,Un-scented卡尔曼滤波(UKF)是一种新的非线性滤波算法,其主要特点是与EKF一样传递状态的前两阶矩,但不用计算Jacobian矩阵。将EKF和UKF分别应用到INS/GPS系统的滤波中,仿真结果表明UKF比EKF更适合于在INS/GPS系统中使用。     

区间卡尔曼滤波算法在高动态导航的研究

针对卡尔曼滤波算法中动力学系统模型以及噪声模型不能精确已知,导致卡尔曼滤波算法在实际中不能实现最优估计。首先分析了传统卡尔曼滤波算法中各种误差源的影响,以及区间矩阵运算的影响,经分析得到,区间运算可以保证集合映射的完全性,但不能体现最优化。通过分析,本文提出了一种新型的区间卡尔曼滤波,将各种误差源归约到先验估计值区间和后验估计值区间中,然后将区间交集运算应用于卡尔曼滤波算法。这种新算法运算量与传统卡尔曼滤波算法相当。通过仿真实验证实,该算法在含时变噪声的高动态导航定位中比传统卡尔曼滤波效果提高2dB。     

基于去偏转换测量卡尔曼滤波的目标脱靶方向角识别

研究了利用导引头天线测量的视线角速度分量进行目标脱靶方位识别的原理,推导了目标脱靶方向角与弹体坐标系下各方向上弹目距离和相对速度分量的关系表达式.将球坐标系下的导引头测量值转换到直角坐标系下并进行去偏处理,以直角坐标系下弹目距离、相对速度、加速度为状态变量,基于"当前"统计模型建立了自适应卡尔曼滤波方程组,利用前两点测量值估计了滤波初始状态,并用滤波值计算了目标脱靶方向角.仿真结果表明,该算法能很好地识别出目标脱靶方向角,且精度可以满足实战要求.