基于粒子滤波的红外弱小多运动目标检测

针对低信噪比条件下红外图像序列中的多个弱小运动目标检测问题,提出了一种基于粒子滤波的多目标检测前跟踪方法.首先分析了红外图像的状态及观测模型,然后将弱小运动目标的检测转化为贝叶斯滤波框架下的检测前跟踪,并利用多个粒子滤波器予以实现.为了评估该算法的有效性,采用人工合成的红外图像序列对其进行测试,结果说明该算法可同时处理低信噪比条件下的多个弱小运动目标,检测和跟踪性能良好.     

矢量观测确定卫星姿态的预测粒子滤波算法

在矢量观测的基础上,针对单独的星敏感器定姿,提出了一种将粒子滤波(PF)和预测滤波相结合的姿态确定算法,通过设计粒子初始化,结合重要性采样、重采样和规则化等手段,成功地将姿态四元数作为状态粒子进行更新和传递,避免了状态方程的线性化和协方差矩阵的计算;利用预测滤波算法估计模型误差和姿态角速度,在保证滤波精度的同时,有效降低了粒子滤波器的维数.实验在某对地观测通用小卫星平台上进行,选取卫星自由飞行状态和飞轮控制对地稳定模式,分别对滤波器进行了仿真,实验结果验证了该算法对本质非线性、非高斯的卫星姿态估计问题具有快速的收敛性能和良好的稳定精度.该方法还为粒子滤波器的设计和无角速度敏感器测量的飞行器姿态确定提供了借鉴.     

寻的导弹制导中距离测量可能错误时的多模型滤波

寻的制导雷达在电子干扰条件下可能测得错误的距离信息,以切换系统模型来描述此问题,并提出了一种新的多模型跟踪滤波器来实现制导信息的估计.该滤波器分两步序贯处理角度测量和距离测量数据,从而有效地改进了距离测量修正中的线性化参考点.仿真结果表明,这种估计方法使得距离测量正确情况下的滤波精度得到提高,并且能以很高的概率消除错误的距离测量数据对滤波的影响.     

多星座组合导航自适应信息融合滤波算法

针对多星座卫星组合导航,提出了一种双重自适应联合卡尔曼滤波算法,采用描述机动载体运动的"当前"统计模型,首先建立一种基于载体加速度方差自适应的动态定位卡尔曼滤波模型,并分别对GPS,GLONASS和GALILEO系统设计相应的自适应子滤波器,然后采用有重置的联合自适应滤波器对各个子滤波器进行数据融合处理,各子滤波器的信息分配系数根据各卫星导航系统输出的几何精度因子(GDOP)进行自适应调节.通过对GPS/GLONASS/GALILEO多星座组合导航系统的仿真,分析对比了加权平均滤波、常规联合滤波和本文提出的双重自适应滤波.结果表明:该双重自适应算法有效提高了组合导航系统的精度和可靠性,能更好地适应于量测噪声不断变化的卫星组合导航系统.     

空间翻滚非合作目标相对位姿估计的视觉SLAM方法

针对空间翻滚非合作目标相对位姿测量中目标先验信息缺失和模型不确定问题,将移动机器人视觉同步定位与建图（SLAM）贝叶斯滤波估计模型推广到非合作目标相对位姿测量中,提出一种基于视觉SLAM的翻滚非合作目标相对位姿估计方法。首先,构建了相对位姿估计的贝叶斯滤波状态转移模型和量测更新模型。其次,为避免平动噪声协方差过大导致滤波性能下降的问题,对状态转移方程进行优化,采用最小二乘估计方法预测位置参数。最后,采用一种联合无损卡尔曼滤波和粒子滤波的贝叶斯滤波方法实现了目标全部位姿参数的快速平滑估计。基于计算机合成图像数据和真实图像序列的仿真实验表明：提出的方法具有较优的速度和精度,且对目标速度变化、特征提取和数据关联误差等具有较好的鲁棒性。     

一种基于随机集的模糊观测的多目标跟踪算法

为解决目标数未知或随时间变化时模糊观测的多目标跟踪问题,将多目标状态和模糊 观测数据表示为随机集形式,利用模糊观测的似然函数融合模糊数据,建立了模糊观测的概 率假设密度(probability hypothesis density,PHD)粒子滤波方法。这种方法首先利用 粒子滤波预测和更新随机集的PHD,然后估计目标数N,最后找出N个PHD最大的点就 是多目标的状态估计。在相同的仿真环境中,用这种方法与用重心去模糊器进行去模糊处理 后的观测数据同时跟踪目标数变化情况下的多目标,并进行了比较,结果表明,模糊观测多 目标跟踪的PHD粒子滤波能稳健跟踪目标数未知或随时间变化时的目标状态和目标数,性能 好于去模糊情况。     

关于卫星姿态确定非线性滤波算法的研究

本文探讨了利用方位矢量和陀螺速率观测信息确定卫星姿态的问题。该问题实际上是一个非线性/非高斯状态滤波问题,因此,经典的基于EKF和UKF算法的姿态滤波器有可能失败,尤其是当初始状态的先验估计不可能精确得知的情况下。近来,粒子滤波理论已经开始应用于姿态确定问题,但是,这类算法往往需要大量的“粒子”,这对有限计算能力来说是一个沉重的负担。为此,本文尝试利用双重滤波方法,在每个序贯估计过程中,将有陀螺姿态确定问题暂时分解为1个四元数估计问题和1个陀螺常漂参数估计问题。本文提出了2个双重滤波器,包括1个姿态确定双重粒子滤波器和1个姿态确定的混合型滤波器。这两者都采用一个相同的四元数粒子滤波器,但在粒子重采样和平滑处理方面,不同于近来提出的类似滤波器。至于陀螺常漂估计,双重粒子滤波器发展了一个辅助粒子滤波器,而混合滤波器中则发展了一个参数UKF滤波器。通过与经典的姿态确定滤波器的仿真比较,证实了本文新提的2个算法的有效性和优越性。
     

重复使用空间运输系统轨道器的导航

空间运输系统轨道器的导航状态矢量的计算分两步进行:外推状态矢量(即对运动方程积分)和根据导航信息传感器的测量结果来修正该矢量.轨道器在发射段的导航完全用惯性测量器来实现.轨道器的位置和速度用惯性直角坐标系来确定.用导航滤波器来实现惯性测量数据与外部导航信息传感器数据的统一,而导航滤波器可以三路体制或单路体制工作.对发射入轨段、轨道飞行段、再入和着陆段的导航作了详细的叙述.     

UPF融合处理GPS载波相位及雷达测距数据的方法

针对GPS载波相位以及雷达测距方程的非线性,采用UPF法融合处理载波相位及雷达测距数据,获得高精度的目标飞行轨道参数,克服了测量GPS卫星较少时不能定位等缺点。仿真结果表明,采用UPF法融合处理GPS载波相位及雷达测距数据,能稳健地确定飞行目标的三维坐标分量及三维速度分量,对比EKF等融合方法其定位精度有了很大提高,可以应用在飞行器跟踪测量的数据融合处理中。     

一种新的SMC-PHD滤波的多目标状态估计方法

针对现有的应用于多目标跟踪概率假设密度粒子滤波器的目标状态估计方法不能很好地解决目标密度较高情况下的多目标状态估计问题,提出了一种新的基于粒子标签的多目标状态估计方法。该方法利用附加在每个粒子上的身份标签将粒子分为不同的粒子群,粒子群的个数与概率假设密度粒子滤波器的目标估计个数相同。随后根据粒子与最近量测的似然函数估计目标的运动状态,使得粒子概率假设密度滤波器在目标密集的情况下仍能准确地估计出目标状态。仿真试验表明,论文所提方法在目标密度较大情况下能够较好地估计出多目标状态,并提高了目标关联的准确性。     

多普勒辅助测量IMM-PF机动目标跟踪

针对机动目标跟踪问题,提出了一种辅助多普勒测量的交互多模型粒子滤波算法.该算法利用粒子滤波解决系统观测与目标状态之间的非线性问题,并辅助多普勒测量信息在线估计目标角速率,作为目标转弯模型的参数.采用两个可内部切换的运动模型(常速度/逆时针转弯模型、常速度/顺时针转弯模型)作为交互模型,有效地描述了目标机动并减少了模型个数,进一步提高了算法的效率.对一个以不同角速率多次转弯的机动目标进行跟踪仿真,结果验证了算法的可行性和优越性.     

多普勒盲区条件下的改进粒子滤波跟踪算法

机载预警雷达采用脉冲多普勒体制,具有良好的低空探测性能,但其存在不可忽略的多普勒盲区问题。在目标跟踪的过程中,该盲区容易造成目标航迹中断和重起批。针对多普勒盲区条件下的目标连续跟踪问题,提出了一种基于多假设运动模型的改进粒子滤波跟踪方法。该方法根据多普勒盲区对目标状态的约束形成多个可能的运动模型,粒子在每个模型下再进行带有状态约束的更新,当新出现的量测值落入任何一个运动模型形成的粒子云内,则航迹关联成功。仿真结果表明,该算法在不同盲区范围条件下,针对不同机动能力的目标均具有较高的航迹关联率,能够实现目标的连续跟踪。     

基于方位信息的组网雷达跟踪滤波研究

干扰对组网雷达目标跟踪系统模型的影响,决定了系统需要用非线性滤波技术进行纯方位跟踪.粒子滤波避免了传统非线性滤波方法的缺陷,但是存在粒子退化,于是用EKF和UKF在每一时刻更新粒子,用更新的粒子及其协方差构造重要性函数,然后重采样.仿真实验表明了这两种改进粒子滤波方法的有效性.     

一种用于SINS行进间对准的模糊抗野值滤波算法

针对观测存在野值的非线性系统滤波问题，本文综合运用多高斯和近似算法(GSA)、贝叶斯公式、马尔科夫链蒙特卡洛算法(MCMC)以及集合卡尔曼滤波算法(EnKF)设计了一种能从状态后验分布中抽取粒子的改进粒子滤波算法，并根据模糊理论为此改进算法设计了模糊抗野值功能，从而提出了模糊抗野值集合粒子滤波算法，命名为REnPF。GPS辅助SINS行进间对准的仿真实验表明，REnPF能够很好地避免虚警、漏检问题，并能提供良好的滤波精度。     

改进高斯混合粒子滤波的纯方位目标跟踪算法

针对纯方位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,提出了一种基于改进高斯混合粒子滤波的纯方位跟踪算法。该算法基于Sigma点卡尔曼滤波(SPKF)和粒子滤波的特点,用有限的高斯混合模型来近似后验状态密度、系统噪声和观测噪声的分布。利用贪心EM算法实现模型的降阶,一定程度上克服了EM算法假定混合成分数为已知、迭代的结果需要依赖初始值、可能收敛到局部最大点和可能收敛到参数空间的边界的缺点,从而改善粒子枯竭的问题。仿真实验结果表明在纯方位跟踪领域,与传统粒子滤波(PF)和基于EM的高斯混合粒子滤波相比,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。     

一种适用于空间监视跟踪的递推滤波算法

针对空间监视跟踪环境中对于包含角变量的状态向量估计存在精度较低的缺点,利用Gauss von Mises（GVM）多变量概率密度分布,提出一种基于矩匹配的GVM参数估计方法,并在此基础上改进GVM分布的确定性采样方法,建立针对GVM分布的递推滤波算法,该算法充分考虑了流形的内蕴结构,克服了传统滤波方法假设状态向量定义于欧氏空间及采用欧氏空间中高斯分布模型的局限性。仿真结果表明,该滤波算法能有效估计状态变量的后验概率分布,对角变量的估计精度明显优于扩展卡尔曼滤波方法(EKF)。     

基于自适应IMM算法的蛇形机动目标加速度估计研究

针对防空导弹拦截高速蛇形机动反舰导弹的难题,基于导引头测量的视线角速度、弹目相对速度等信息,开展了蛇形机动目标加速度估计算法的研究,最终建立了基于交互多模型的扩展卡尔曼滤波算法,实现了对蛇形机动目标的加速度估计。考虑传统加速度方差计算方法受限于先验值的缺陷,根据残差对加速度方差的计算方法进行了改进。数字仿真证明:提出的自适应交互多模型算法能有效提高蛇形机动目标加速度的估计精度。     

基于Adaptive Sigma-Point滤波的智能导弹对目标协同定位方法研究

在对智能导弹协同作战过程详细描述的基础上,提出了一种利用多枚智能导弹协同对目标定位的方法。考虑目标运动模型为静止模型和运动模型两种情况,将Sigma-Point滤波方法与过程噪声的自适应估计方法相结合,融合目标运动状态和目标到达角信息,克服了常规Sigma-Point滤波性能依赖于目标运动模型的先验统计信息的缺点。通过比较目标可能存在区域面积的大小,确定了参与协同定位的智能导弹数目和编队构型。仿真研究表明,多枚智能导弹协同对目标定位可以显著提高定位精度和速度。     

基于新的数值积分粒子滤波的机载无源定位算法

针对机载无源定位这一多维非线性滤波问题,提出一种新的用3阶数值积分卡尔曼滤波算法来产生重要性密度函数的粒子滤波算法。新算法采用球形和径向数值积分规则选取积分点和确定相应的权值,得出的积分点数仅为状态维数的二倍,大幅的减少了计算量,较好地解决了求积分卡尔曼粒子滤波算法（Quadrature Kalman Particle Filter, QPF）在高维滤波时存在计算量大的问题;而且通过设定比例因子使得所产生的重要性密度函数在系统状态转移概率密度的基础上,融入最新的观测值,增加了粒子的多样性,提高了对系统状态后验概率的逼近程度。仿真结果表明：新算法在稳定性和定位精度上与QPF相当,但计算时间仅约为QPF的15%。