基于AVSIMM算法的高超声速再入滑翔目标跟踪

针对跟踪高超声速目标的交互式多模型（IMM）算法中存在模型数量过多,模型之间竞争导致滤波精度降低的问题,在自适应网格交互式多模型（AGIMM）算法的基础上,提出了一种自适应变结构交互式多模型（AVSIMM）算法跟踪高超声速再入滑翔目标。根据高超声速无动力再入滑翔目标当前机动状态的角速度参数,在自适应调整当前时刻模型集中参数的同时,针对AGIMM算法运动学模型的单一性,设计了具有多种跟踪滤波运动学模型的AVSIMM算法,通过模型集参数与算法结构的双重自适应调整实现了对目标高精度的跟踪。仿真结果表明,与AGIMM算法相比,所设计的AVSIMM算法不仅对结构和参数都具有更强的自适应性,同时提高了高超目标的跟踪精度和跟踪效率。      

自适应关联波门机动群目标跟踪算法

为解决中心群跟踪（CGT）算法中由于群机动造成的量测丢失、估计误差增大的问题,提出了一种基于自适应关联波门的机动群目标跟踪算法。首先,将CGT算法与交互式多模型（IMM）算法结合,并利用最新量测信息对IMM算法中的转移概率矩阵进行实时修正。其次,设计了一种用于整体机动和分离机动的自适应关联波门,根据机动时刻模型的新息协方差对其进行自适应调整,确保量测点迹进入波门。仿真结果表明,所提算法一方面减小了传统固定转移概率矩阵带来的估计误差,将优势模型的平均概率由0.58增加到了0.7;另一方面,设计的自适应关联波门有效解决了目标机动带来的有效量测减少的问题,相比于传统波门,目标失跟率减少了30%,具备工程实用性。      

自适应空间机动目标跟踪算法

在空间目标跟踪问题中,目标机动导致的模型不匹配问题会导致滤波算法出现滞后现象。为了对空间机动目标进行快速跟踪,在平方根容积卡尔曼滤波〖（Square rootCubatureKalmanFilter,SCKF）的基础上,引入强跟踪滤波（StrongTrackingFilter,STF）的思想,推导得到了次优渐消因子在SCKF中的等价描述。并通过建立以矩匹配方法为基础的自适应机制,设计了兼顾滤波精确性和鲁棒性的自适应强跟踪平方根容积卡尔曼滤波（AdaptiveStrongTrackingSquare rootCubatureKalmanFilter,AST SCKF）算法。仿真结果表明,在目标机动前,AST-SCKF算法和SCKF算法的位置收敛精度相差不足1%;在目标机动后,AST-SCKF算法的位置和速度的收敛精度相对SCKF算法分别提高了95.19%和30.50%,同时,其收敛速度相对SCKF算法分别提高了57.20%和24.68%。     

基于非等维状态的IMM混合估计方法

在目标跟踪领域,交互多模型（IMM）估计器具有良好的性能和较低的复杂度。IMM的成功归因于模式混合,其中各模型输出用于模型条件重初始化。针对IMM算法中存在的非等维状态混合估计问题进行了研究,在总结现有算法的基础上提出了一种最优的IMM混合估计方法。该方法通过将"切换"态的概念引入目标状态,根据当前滤波时刻的模型概率和新息,动态地调整混合策略以实现最优估计。最后,通过仿真实验验证了所提算法在不同模型混合场景中的表现要优于现有的算法。      

基于修正IMM的风机变桨系统故障诊断方法

针对交互式多模型（IMM）故障诊断方法固定模型转移概率导致的诊断准确性、速度下降和估计精度损失问题，提出了一种基于模型转移概率和模型概率修正的故障诊断方法，并与粒子滤波（PF）结合实现了风机变桨系统传感器的多故障诊断。在非模式切换阶段，采用后验模型概率梯度信息设计模型转移概率的修正函数，以抑制噪声对IMM估计精度的影响；在模式切换阶段，采用模型概率反转的策略快速切换模型，弥补模型软切换导致的诊断延迟和错误诊断。通过仿真实验证明所提方法的准确性、模型切换速度以及状态估计精度都得到了较好的提升。      

基于交互式多模型鲁棒滤波的目标机动估计算法

针对雷达导引头的测量信息带有闪烁噪声的问题，研究了交互式多模型和鲁棒滤波在雷达导引头目标机动估计中的应用.采用Huber Based滤波理论改进高阶容积卡尔曼滤波，提出高阶容积鲁棒滤波算法，选取Singer模型、“当前”统计模型、常加速度模型作为目标机动模型，建立雷达导引头测量模型，结合交互式多模型算法框架，设计目标机动估计滤波器.蒙特卡洛数字仿真结果表明，所提算法的鲁棒性较强，与传统高斯滤波相比，所提算法对闪烁噪声具有更高的滤波精度.     

基于改进共生生物搜索算法的空战机动决策

针对现代空战机动决策问题,提出了一种基于改进共生生物搜索（SOS）算法的空战机动决策方法。首先,分析了传统基本机动动作库存在的不足,对其进行了改进和扩充,设计了11种常用的基本机动动作;然后,综合考虑角度、距离、速度、高度和战机性能优势,构造了战机机动决策优势函数;最后,针对传统共生生物搜索算法在收敛速度、收敛精度以及局部最优上存在的缺陷,将轮盘赌选择方法、动态变异率和梯度思想引入到传统算法当中,对算法有效性和算法性能进行了仿真分析。仿真结果表明,改进的共生生物搜索算法在收敛速度、收敛精度以及跳出局部最优上更具优势,能够满足空战机动决策需求。      

一种考虑GPS信号中断的导航滤波算法

针对无人机惯性（INS）/GPS组合导航系统,考虑导航过程中存在的GPS数据中断的问题,设计了一种改进的滤波算法。首先建立了无人机导航运动学模型,再将传统的扩展卡尔曼滤波（EKF）技术和强跟踪滤波结合,利用模糊理论中的隶属度函数设计了一种模糊强跟踪扩展卡尔曼滤波（STEKF）算法。仿真结果表明,所设计的改进算法能够快速适应GPS信号突变,即当GPS信号从故障状态恢复到正常状态时,改进算法相较普通EKF算法能更快速地收敛到稳定状态,重新完成对飞行状态的估计。同时相较普通EKF和强跟踪扩展卡尔曼滤波算法,改进算法具有更高的滤波精度。      

基于STF和加权改进的群目标跟踪算法

为了进一步提高群目标交互多模型跟踪算法的估计性能,提出一种改进的群跟踪算法.首先,通过采用模型转换概率的自适应算法,优化模型与目标运动模式的实时匹配.并通过引入强跟踪滤波（STF,Strong Tracking Filter）中的渐消因子,提高机动阶段时的群质心的状态估计精度.其次,分别利用概率加权法和标量加权法完成群质心状态和扩展状态的融合估计.最后在变分贝叶斯滤波的基础上,建立完整的跟踪算法流程.仿真实验结果表明,该方法不仅能够提高群质心状态和扩展状态的估计精度,还能有效降低机动阶段时的峰值误差.     

基于Jerk输入估计的MCS模型及非线性跟踪算法

针对强机动目标跟踪问题,基于当前统计(CS,Current Statistical)模型、改进输入估计 (MIE,Modified Input Estimation)和无迹强跟踪滤波器,提出了一种新的自适应目标跟踪算法.该算法引入Jerk输入估计改进了当前统计模型的状态方程和机动加速度方差调整方法,利用改进的无迹强跟踪滤波器实现了状态协方差、状态噪声协方差和机动频率的联合自适应.在没有加速度先验知识的情况下,能够实时准确跟踪目标连续强机动、匀加速机动和匀速运动状态.仿真实验表明:相比CS模型无迹滤波算法、CS模型无迹强跟踪算法和交互多模型算法,该算法在对目标强机动的适应性、跟踪精度和对突变状态跟踪的收敛性方面都有更好的性能.     

基于SRCKF的多传感器融合自适应鲁棒算法

为解决模型误差和异常量测值发生时平方根容积卡尔曼滤波（SRCKF）算法滤波性能下降甚至滤波发散的问题,提出了一种多传感器融合自适应鲁棒算法。基于新息协方差匹配原则设计了鲁棒子系统以抑制量测异常值,同时为克服模型误差使用基于新息修正的低复杂度自适应SRCKF(LCASRCKF)算法设计了自适应子系统,根据2种子系统的特点和局限提出全局融合架构,使系统可以充分平衡并利用滤波过程中先验的模型预测值信息和后验的量测值信息,最终降低估计误差。仿真结果表明：相比鲁棒多渐消因子容积卡尔曼滤波（RMCKF）等算法,所提融合算法在滤波精度、稳定性和收敛速度等方面有明显优势。     

一种新的频域自适应算法

分析了现有自适应滤波算法,并且提出了在有色噪声背景下能够快速收敛的频域自适应新算法.使用牛顿法搜索性能表面和近似于递归最小二乘(RLS)算法的结构,利用现有的拟牛顿QN(Quasi-Newton)时域自适应算法原理,通过快速傅里叶变换(FFT)将其应用于频域.结合快速块最小均方自适应滤波算法FBLMS(Fast Block Least Mean Square)中的并行处理方法对算法的运算过程进行了改进.由于调整了数据格式和增益矩阵的系数加快了迭代过程的收敛,并且提高了信号处理的效率.附加的计算机仿真结果分别给出了在白噪声和有色噪声输入相同汉明窗条件下,新算法、LMS算法和拟牛顿算法QN的自适应系统辨识的效果比较图,表明新算法能有效用于色噪声下的自适应滤波.     

基于MM-GGIW-PMBM滤波的扩展目标跟踪算法

针对多机动扩展目标跟踪问题,将交互式多模型的思想引入泊松多伯努利混合滤波(PMBM)算法中,提出了一种多模型的伽马高斯逆威夏特-泊松多伯努利混合滤波(MM-GGIW-PMBM)算法。该算法融合多种运动模型,通过模型的交互实现对机动扩展目标扩展状态和质心状态的混合估计预测;通过引入强跟踪滤波(STF)中的渐消因子修正预测之后GGIW分量中的协方差矩阵,防止发生跟踪模型失配的现象;在PMBM更新阶段扩展目标外形和质心估计完成的基础上,利用似然函数完成模型概率的更新。仿真实验结果表明:MM-GGIW-PMBM算法能够对多机动扩展目标的数量和状态进行有效的估计。      

基于IMU与UKF的船舶升沉运动信息测量方法

为获取实时、精确的船舶升沉运动信息,根据船舶升沉运动模型和频谱分析方法,建立描述惯性测量单元（IMU）的加速度测量信息与船舶升沉运动状态量关系的解析模型。基于无迹卡尔曼滤波（UKF）算法非线性滤波的特点,进行升沉运动滤波解算。通过仿真分析证明了所提方法在船舶升沉运动测量中的有效性。利用三自由度平台升沉运动测量实验验证,结果表明,同一模型下,相比于扩展卡尔曼滤波（EKF）算法的解算结果,所提方法具有更快的收敛速度和更高的测量精度;对船舶升沉位移的估计精度达到最大升沉幅值的5%,可以得到精确、无时延的船舶升沉运动信息。      

基于模型混合的多分辨率多模型跟踪算法

在原有的多分辨率多模型算法的基础上引入了滤波器混合的方法,提出了一种新的机动目标跟踪算法.原多分辨率算法在多分辨率框架下应用硬切换多模型算法,改善了多模型算法在非机动段的跟踪性能,但是保留了硬切换算法的固有缺点.交互式多模型算法由于采用模型混合,避免了硬切换算法存在的问题,但是非机动段的跟踪性能不如多分辨率多模型算法.所提出的新算法综合了两者的优点,不仅解决了多分辨率多模型算法中存在的问题,而且其综合滤波性能优于交互式多模型算法.