应用BP网络校正的卡尔曼滤波器

当目标作机动飞行时,由于未知机动引起的估计误差的影响,卡尔曼滤波器的跟踪性能将会严重下降。提出了一种应用BP神经网络对卡尔曼滤波结果进行校正的机动目标跟踪方法,BP网络可以辨识非线性机动,修正卡尔曼估计值,改善跟踪效果。同时还研究了BP网络的自适应算法。对两个变加速机动目标的跟踪结果表明,经过BP网络校正的卡尔曼滤波器不会发生误相关,跟踪的精度较高。     

航天器非合作目标相对导航的联邦滤波算法研究

提出了一种适用于空间机器人在轨对非合作目标进行测量的“激光测距仪+可见光 测角相机”组合的联邦卡尔曼滤波相对导航算法。分析了激光测距仪和可见光相机进行非合 作目标测量时存在的问题,为此设计了一套包括分别基于测角信息和测距信息的子滤波器, 以及进行子滤波器数据融合的主滤波器在内的联邦卡尔曼滤波器,并提出了具体的判据来对 子滤波器进行“条件重置”。仿真实验数据表明该联邦卡尔曼滤波器能够在部分目标测量设 备的输出出现暂时故障情况下输出较为平稳的相对导航数据,并且滤波算法具有较好的容错 性。
     

卡尔曼滤波初始条件对捷联惯导对准的影响

针对捷联惯导对准卡尔曼滤波器初始条件无法很准确给定的情况,研究了卡尔曼滤波器初始条件对捷联惯导对准精度的影响。分析了错误先验假设条件下卡尔曼滤波算法的误差,推导了滤波器计算均方误差与实际均方误差的关系。对于一般多元回归系数估计问题,比较了卡尔曼滤波算法与最小二乘算法,给出了当先验假设不准确时卡尔曼滤波算法优于最小二乘算法的一个充分条件。对捷联惯导静基座对准问题进行了仿真,仿真结果表明:合理选择初始均方误差矩阵能大大改善卡尔曼滤波启动阶段性能。初始均方误差矩阵选择为真实初始均方误差矩阵的一个较小上界是合理的。     

基于BP神经网络组合导航融合算法

文章针对卡尔曼滤波算法的缺陷,建立了组合导航系统模型,提出了基于BP神经网络修正卡尔曼量噪权值的自适应卡尔曼滤波法,对量测噪声统计特性进行了自适应调整,并与传统卡尔曼算法进行计算机仿真比较。结果表明,基于BP神经网络的卡尔曼滤波器在一定程度上抑制了数据的发散,提高了导航精度。     

基于模糊控制的组合导航算法

文章提出一种根据信号残差（新息）对导航信息进行自适应噪声协方差调整的算法,由此得到导航参数的最优状态估计。其中重点研究了模糊控制对滤波器的动态调整,建立模糊滤波控制的模型,并与传统卡尔曼算法进行比较。仿真结果表明,基于模糊控制器的卡尔曼滤波器很好地限制了数据的发散,并在很大程度上提高了系统的稳定性。     

估算转弯加速度的卡尔曼滤波器

近年来由于计算机的飞速发展，计算速度越来越快，所以用相控阵天线跟踪目标时采用卡尔曼滤波器已成为现实。对直线飞行的目标，卡尔曼滤波器能得到良好的跟踪精度，但若目标的加速度为高斯噪声，目标转弯时跟踪精度会降低。对处理转弯目标的跟踪精度曾提出两种方案，即估算输入的卡尔曼滤波器和二级卡尔曼滤波器。这些卡尔曼滤波器是在目标的运动模型上使位置和速度矢量与加速度矢量分离，利用预测误差估算加速度的。但由于对预测增减较大的目标的急转弯与目标运动模型不匹配，所以得不到良好的跟踪精度。为此提出了为处理目标的急转弯，不用预测误差而是通过卡尔曼滤波器估算的位置计算出形成飞行轨迹的转弯半径和角速度。还通过计算机仿真与原来的中方式进行比较，证明了其有效性。     

一种纯距离跟踪滤波器的改进算法

针对纯距离目标跟踪可观测程度较低的问题,提出一种基于角度参数的纯距离目标跟踪改进算法。文中方法将系统的观测区间范围划分为若干个子扇区,每个子扇区采用一个独立的加权扩展卡尔曼滤波器进行纯距离跟踪,利用贝叶斯理论来修正各滤波器的权重,系统的输出为各并行运行的滤波器估计值的加权和,最终获得目标的运动轨迹。系统的仿真结果表明,方法收敛速度快,跟踪精度高于扩展卡尔曼滤波器的跟踪精度。     

一种新的弹道导弹雷达跟踪算法

提出了一种新的名为Singer-IEKF的弹道导弹雷达跟踪算法.传统的弹道导弹跟踪方法,利用扩展卡尔曼滤波器进行非线性滤波,取Taylor展开的前两项,可能引入较大的线性化误差,导致跟踪精度不高.在分析弹道目标动力学特性的基础上对目标的运动模型采用基于J2校正的Singer模型来描述,并利用迭代的扩展卡尔曼对非线性的目标量测模型进行线性化.对新算法和扩展卡尔曼滤波算法进行Monte-Carlo仿真比较.仿真结果表明新算法的模型更准确,跟踪性能更好.     

空间拦截中只测量视线角速度的跟踪滤波器的可观性分析

建立了空间拦截中导弹与目标的相对运动方程。论述了卡尔曼滤波器的可观性准则，研究了跟踪滤波器的可观性，并分析了影响跟踪滤波器可观性的因素。数字仿真证实了理论的正确性。     

一种新的弹道导弹雷达跟踪算法

提出了一种新的名为Singer-IEKF的弹道导弹雷达跟踪算法。传统的弹道导弹跟踪方法，利用扩展卡尔曼滤波器进行非线性滤波，取Taylor展开的前两项，可能引入较大的线性化误差，导致跟踪精度不高。在分析弹道目标动力学特性的基础上对目标的运动模型采用基于J2校正的Singer模型来描述，并利用迭代的扩展卡尔曼对非线性的目标量测模型进行线性化。对新算法和扩展卡尔曼滤波算法进行Monte-Carlo仿真比较。仿真结果表明新算法的模型更准确，跟踪性能更好。     

卡尔曼滤波器在战术导弹导航系统中的应用

研究了一种战术导弹的导航滤波器。在中制导段以地面雷达作为测量单元，应用最优估计理论，设计了被称为导航滤波器的广义卡尔曼滤波器，以便于提供目标的运动状态信息。建立了导航滤波器的数学模型，并进行了公式推导和数字仿真分析。仿真结果表明，该方案能有效地估计大机动目标的运动状态信息。     

高动态GPS跟踪

几种用于跟踪高劝态 GPS 信号的算法,可满足 GPS 跟踪的要求。本文简介其中的部分工作,如最大似然估计器、扩展卡尔曼滤波器、叉积 AFC 环,交叠 DFT AFC 环、频率扩展卡尔曼滤波器等。对它们作了对比,并列出比较结果。     

相对测量信息不全的航天器相对轨道确定方法研究

针对近圆轨道航天器交会或远距离伴飞相对测量导航过程中,测量信息不全情况下的航天器自主相对轨道确定问题进行了研究.给出适合描述较远距离相对运动的二阶近似模型,并在采用雷达或光学测量的基础上设计了扩展卡尔曼滤波器.数学仿真结果表明,在观测量较少或存在部分区域不可测情况下,通过扩展卡尔曼滤波算法能够以较高精度估计出目标航天器的相对轨道.     

小卫星多传感器融合滤波定姿算法

虽然扩展卡尔曼滤波被成功应用于许多非线性系统,但由于其对高阶项的截断误差等因素,其用于小卫星多传感器定姿系统时性能受到限制。针对上述问题,本文提出了一种将扩展卡尔曼滤波器与两步滤波器相结合的方法。利用Gibss矢量做姿态参数,避免了四元数在进行迭代时的归一化约束。以太阳敏感器、星敏感器、MEMS陀螺、磁强计为敏感器件,通过仿真,将本文算法与扩展卡尔曼滤波器进行了对比。结果说明,本文算法能将最大稳态定姿误差降低4.4×10-30。     

基于卡尔曼滤波器残差的矢量跟踪完好性研究

针对接收机跟踪卫星导航信号时可能发生的各类故障,利用卡尔曼滤波器的残差观测量进行滤波,通常可以在不借助冗余观测量的情况下快速检测和隔离故障。建立软件接收机平台,利用卡尔曼滤波器进行导航信号的矢量跟踪,在跟踪环中模拟故障的发生并依靠残差序列滤波的方法检测并排除错误观测量。实验表明,在算法模拟的短时较大幅度干扰下,完好性监测方法可以快速检测并排除错误观测量对环路跟踪的影响,且无需冗余观测量。     

考虑量测滞后的INS/SAR组合导航非等间隔滤波算法研究

由于INS／SAR组合导航系统中图像匹配定位需要耗用不等的匹配计算时间，从而造成了量测的不等间隔频率输出和量测信息滞后。针对上述问题，采用常规的卡尔曼滤波算法难以获得高的滤波精度。本文首先分析了常规卡尔曼滤波器工作过程；然后在此基础上，提出了采用非等间隔并解决滞后的滤波算法以解决上述问题。本文利用系统状态转移矩阵的特性，设计了相应的非等间隔卡尔曼滤波算法，以解决非等间隔量测的问题；同时，在该非等间隔卡尔曼滤波算法的基础上，提出了解决量测滞后的方案。并通过协方差分析的方法对比分析了常规卡尔曼滤波器，非等间隔卡尔曼滤波器和解决滞后效应的滤波算法三种情况下的滤波精度。仿真结果验证了本文提出的算法具有较高的滤波精度。     

模糊自适应卡尔曼滤波技术研究

提出了一种基于模糊自适应卡尔曼滤波技术的组合导航的新方法。这一方法主要应用于自主式机动飞行器。用模糊逻辑自适应控制器对卡尔曼滤波器的噪声方差进行“在线”修正,将卡尔曼滤波器调整到最优状态,从而提高组合导航系统的精度。通过对ＧＰＳ/ＩＮＳ组合导航系统的仿真,验证了模糊自适应卡尔曼滤波器比常规卡尔曼滤波器具有更高的精度。该方法的研究对飞行器的导航与制导具有重要意义。     

用渐消卡尔曼滤波器防止捷联惯导系统滤波发散

为有效防止捷联惯导系统滤波发散,根据卡尔曼滤波原理研究了滤波发散的原因,引入了渐消卡尔曼滤波和遗忘因子。对常规卡尔曼滤波器和渐消卡尔曼滤波器的滤波进行的仿真结果表明,采用渐消卡尔曼滤波器在工程上可解决捷联惯导系统滤波发散。     

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     

适于惯导系统初始对准的神经网络实时算法研究

通常卡尔曼滤波器被用于解决惯导系统的初始对准问题。由于卡尔曼滤波的运算时间与系统阶次的立方成正比 ,所以当系统阶次较高时 ,滤波器会失去实时性。而神经网络具有函数逼近性能 ,实时性又好。为此 ,本文研究了一种基于扩展卡尔曼滤波原理的权值更新多层神经网络学习算法 ,对此算法进行了详细的推证 ,并将该算法运用到惯导系统的初始对准过程。仿真结果表明了这种神经网络结构用于惯导系统初始对准问题的有效性 ,既真正获得了与扩展卡尔曼滤波器相同的对准精度 ,又大大提高了系统的实时性