基于卡尔曼滤波器的高动态GPS载波跟踪环

为解决传统锁相环( PLL)在高动态环境下对全球定位系统(GPS)信号的跟踪精度问题,将自适应渐消滤波和二级卡尔曼滤波相结合研究了一种新的自适应二级卡尔曼滤波算法,并且提出了一种利用新息协方差计算渐消因子的方法,通过自适应渐消因子在线调节误差协方差矩阵补偿不完整信息的影响,使滤波器在系统模型不完整或者噪声统计特性不准确时仍接近最优.基于自适应二级卡尔曼滤波算法提出了一种高动态GPS载波跟踪环的设计方案.仿真结果表明,提出的方案较传统PLL的跟踪精度有显著提高,频率跟踪精度提高到9.28Hz.     

自适应SCKF在高动态COMPASS信号参数估计中的应用

高动态环境下北斗二号导航信号具有较高的非线性特性,载波参数估计难以保证较高的精度。在分析高阶非线性载波模型的基础上,提出了一种基于平方根容积卡尔曼滤波（SCKF）的自适应滤波算法,对载波相位及其三阶导数进行估计。该算法使用容积数值积分原则直接计算非线性随机函数的均值和方差,且在迭代滤波过程中,利用移动窗口法通过最新量测信息来改进过程噪声和量测噪声的协方差阵,可获得较高的估计精度。仿真结果表明,相比EKF和SCKF,本文提出的方法具有更高的估计精度和更快的收敛速度。     

一种加速度干扰下的稳定被动定位跟踪算法

在研究一种具有误差自动解耦的观测域滤波的目标跟踪算法和自适应渐消EKF算法的基础上,提出一种匀速运动模型下,基于观测域的自适应目标跟踪算法。使用实测GPS导航数据进行数字仿真,结果表明：观测域的自适应目标跟踪算法在加速度扰动下,稳定性优于观测域滤波算法。     

时变噪声系统的自适应强跟踪滤波器研究

在目标跟踪过程中,强跟踪滤波可以对目标的突变状态进行较好的跟踪,但由于系统噪声和观测噪声协方差阵是时变的未知量,采用固定数值将会影响目标跟踪的精度,所以需要对两种噪声特征进行在线估计.应用噪声有限记忆自适应算法改进强跟踪滤波,在线自适应估计噪声协方差阵,并提出基于时变噪声系统自适应强跟踪滤波的目标预测算法,提高了对目标状态的估计精度.利用自主研发的全自主足球机器人进行目标跟踪的仿真,结果验证了该算法的有效性.     

基于事件驱动的航天器姿态自适应跟踪控制

针对即插即用无线小卫星模块间通信资源约束以及航天器惯量信息难以精确获得下的姿态跟踪控制问题,提出了一种基于事件驱动的航天器姿态自适应跟踪算法。该算法在跟踪控制过程中,通过自适应控制律对转动惯量矩阵进行估计,同时引入事件驱动控制策略,只在驱动条件满足时对控制器进行更新,能有效改善模块间通信频率。然后根据Lyapunov方法证明了闭环控制系统的渐近有界稳定性,并证明了该事件驱动控制无Zeno行为。最后,数值仿真结果验证该控制算法的有效性。     

空间非合作目标快速姿态跟踪导航方法研究

提出了一种空间非合作目标快速姿态跟踪导航方法。在非合作目标相对测量过程中,激光测距仪测距数据具有不连续的特点。当不具备测距数据时,采用基于位置-速度方差修正的姿态跟瞄导航滤波算法,引导追踪航天器完成对目标的粗捕获和保持;当具备测距信息时,通过引入间接量测矩阵和Wonham能控规范型极点配置方法,采用基于全维状态观测器的姿态跟瞄导航滤波算法,完成对目标的连续精确指向跟踪,并通过配置观测器极点调整滤波收敛速度。本文提出的姿态指向跟瞄导航算法克服了非合作目标跟瞄过程中测距信息不连续的问题,与传统扩展卡曼滤波算法相比,能够避免量测方程近似线性化过程中的大量矩阵求导运算,因而提高了跟踪导航滤波的收敛速度,增强了追踪航天器对非合作目标的快速姿态指向与跟瞄能力。     

基于多模型自适应估计的混合策略微分对策制导

为有效降低多模型自适应估计器算法的计算量,本文采用目标机动命令构建其离散化假设空间,同时考虑到目标机动随机时间切换所需的检测时间要求,对多模型自适应估计器并行运行的成员滤波器数目进行了简化,基于这种简化的多模型自适应估计器对提出的混合策略微分对策制导方案进行了仿真研究。混合策略微分对策制导综合考虑了两种基本的微分对策制导律的优势和不足,针对最优目标机动随机切换时间段的不同而应用相应的制导策略。仿真结果表明简化的多模型自适应估计器方法可以实现系统状态的较好估计,包括目标加速度的估计,混合策略微分对策制导也具有较好的目标拦截性能。     

新型伪加速度修正自适应滤波算法研究

提出了一种新型自适应滤波算法,该算法采用球坐标系,同时根据当前目标的运动状态实时调整增益.仿真结果表明该算法易于工程实现,可实现机动目标的快速自适应跟踪.     

机载MIMO雷达自适应匹配滤波检测器

针对机载MIMO雷达在未知统计特性杂波时的目标检测问题,首先提出自适应匹配滤波检测器(MI-MO Adaptive matched filter,MIMO-AMF),利用MIMO雷达的空间分集特性提高检测性能,并推导出检测概率和虚警概率表达式.然后,基于MIMO雷达杂波协方差矩阵的块对角特性,给出一种简化MIMO-AMF检测器,大大减小MIMO-AMF的计算复杂度,同时降低对参考单元数目的要求,并在只有两个接收雷达单元的情形下,推导出简化AMF检测性能的表达式.结果表明,上述两种检测器相对于杂波协方差矩阵都具有恒虚警特性,能够在未知杂波背景下有效的检测目标.     

基于简化Unscented变换的FMSRUKF算法及其目标跟踪性能分析

研究Unscented变换的基本原理及Unscented Kalman Filter(UKF)算法。为了降低跟踪系统计算复杂性,在Unscented变换中引入单位矩阵,以简单的数值计算取代复杂的矩阵分解求解矩阵平方根的过程,把UKF改进为FM- SRUKF。对三维坐标系下的变加速运动目标进行跟踪仿真。结果表明FMSRUKF具有更好的精度和鲁棒性。     

一种改进的正交投影自适应波束形成算法

为减少雷达正交投影自适应波束形成算法中采样协方差矩阵特征分解的运算量，提出了一种改进的正交投影自适应波束形成算法。改进算法利用总体最小二乘法得到噪声子空间。推导了算法的公式，并给出了计算步骤。该算法的计算量小于正交投影算法而性能相当。理论分析和计算机仿真结果表明此算法有效。     

一种基于强机动的目标跟踪改进算法

针对传统目标跟踪算法鲁棒性较差等问题,提出了一种基于当前统计模型的无迹卡尔曼滤波交互式多模型(IMM-CS-UKF)融合算法。在交互式多模型算法框架内,计算当前统计模型的概率,提高了统计模型的目标加速度和自适应性。该算法结合了交互式多模型和无迹卡尔曼滤波算法,具有对不同机动模式目标的自适应跟踪能力和精度高等优点。仿真结果表明,该算法对以多种机动策略实时机动的目标具有较好的跟踪性能。     

认知结构模型机动目标跟踪算法

针对复杂战场中环境特性复杂以及目标机动性能提升所带来的跟踪难题，提出一种基于人类认知机制的机动目标自适应跟踪算法。算法将人类“记忆”机制引入机动模型构建，利用神经网络对目标特征参数进行离线学习并存储，指导机动模型参数实时调整，使模型对运动状态的描述更加合理。为进一步提高跟踪性能，基于人类认知“感知-行动”循环理论，将雷达接收端经数据处理后的目标状态估计信息反馈至雷达发射端，以最小感知信息熵为代价函数，从波形库中自适应选择最佳波形来匹配目标。仿真对比实验表明，该算法对环境及目标的感知更加准确，融入波形选择的自适应目标跟踪算法要明显优于传统采用固定波形的跟踪算法。     

相控阵雷达多目标跟踪算法研究（连载一）

以多功能相控阵雷达为背景，研究了多目标跟踪问题，针对“当前”统计模型及自适应跟踪算法的不足，提出一种修正自适应滤波算法；并探讨三维混合坐标系下的机动目标的建模与预报；且基于简化联合概率数据互联CJPDA（Cheap Joint Probabilistic Data Association)算法，提出一种实用方法直接计算后延概率，比CJPDA方法精度高，并根据“最近邻”JPDA思想，给出一种优化方案，蒙特卡罗仿真表明，本方案能有效跟踪多个机动和非机动目标，且易于实现。     

基于双子空间跟踪及盲波束形成的GNSS抗干扰算法

根据全球导航卫星系统（Global Navigation Satellite Systems, GNSS）卫星信号粗捕获（C／A）码的相关峰特点,提出基于双子空间跟踪及盲波束形成的GNSS抗干扰算法。首先通过噪声子空间跟踪将接收信号投影到噪声子空间进行干扰抑制,提高接收信号信干比（SIR）。然后利用指定卫星C／A码与干扰抑制信号进行相关运算,增强指定卫星信号的信噪比（SNR）,结合一维信号子空间跟踪,获取指定卫星导向矢量,实现对干扰抑制信号形成波束指向的目的。本算法不需要知道传输的导航符号以及卫星方位,是一种盲自适应算法。由于采用低运算复杂度的子空间跟踪方法,降低了抗干扰接收机的运算负担,保证了算法的实时性要求。最后通过实验仿真验证了提出算法能够有效地对抗强干扰以及增强GNSS信号。     

空间机器人目标捕获的自适应零反作用控制

针对目标捕获后空间机器人的机械臂反作用力对其基座的姿态扰动问题,提出了一种自适应零反作用控制方案。首先,针对目标捕获带来的动力学不确定性,设计了一种激励矩阵调节的固定时间并行学习算法。该算法可在放松持续激励条件的同时,使参数估计的收敛率与回归通道中未知的激励水平无关,因此不同量级惯性参数的估计可在相近时间内收敛。此外,通过分别设计基座姿态控制器与机械臂轨迹跟踪控制器提出了一种具有输入扰动补偿的有限时间零反作用控制方法,能够在机械臂跟踪末端期望位姿轨迹的同时维持基座姿态的稳定性。仿真结果验证了该方案的有效性。     

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。     

基于强跟踪滤波和模糊逻辑推理的有向图切换算法

针对传统卡尔曼滤波算法中对于强机动目标跟踪性能较差的问题，文章提出了一种新的机动目标跟踪算法DS_STF_FI算法。该算法将强跟踪滤波引入到变结构多模型跟踪算法中，结合模糊逻辑推理来实现多模型间的信息交互，并通过有向图切换法实现模型集的自适应调整，从而使跟踪算法能够适应机动目标运动状态的变化。仿真结果表明，与基于卡尔曼滤波的DS_KF_FI算法相比，文章提出的算法的跟踪性能明显提高，且具有较高的算法费效比。在机动目标跟踪领域具有广泛的应用前景。     

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。     

一种自适应协方差矩阵旋转变换卡尔曼滤波算法及其应用

在被动方式下对目标进行跟踪 ,由于系统的可观性较弱 ,很容易引起状态误差协方差矩阵的过早跳变而导致系统发散。为此 ,本文研究了一种新的卡尔曼滤波算法 -自适应协方差矩阵旋转变换卡尔曼滤波算法 ,并将其应用于水面目标被动跟踪。由于该算法的协方差更新采用状态滤波值计算雅可比矩阵 ,因而具有更好的一致性。仿真结果表明 ,该算法可以克服观测模型线性化误差带来的不良影响 ,改善由于观测噪声的统计特性不能精确已知而导致的滤波不稳定问题 ,具有良好的鲁棒性、快速性和精确性。