基于贝叶斯方法的HPRF雷达跟踪解距离模糊方法(英文)

高脉冲重复频率(HPRF)雷达目标跟踪需要解决距离模糊问题。本文通过把脉冲间隔数和脉冲间隔变化量作为目标的离散状态,目标的距离和径向速度作为目标的连续状态,将HPRF雷达的跟踪和解距离模糊问题转换为贝叶斯框架下的混合估计问题并且利用粒子滤波方法实现。仿真结果表明本文方法在脉冲间隔数变化时仍可以正确地解距离模糊,并且跟踪精度比多假设方法高。     

改进的迭代粒子滤波法在GPS数据处理中的应用

研究粒子滤波方法(PF)处理GPS测量数据.采用迭代Kalman滤波方法产生粒子滤波器中的粒子,得到更精确的目标状态估计.同时利用目标运动方程向后外推目标状态,综合利用外推的目标状态以及历史现测数据确定各粒子的权值,降低现测随机误差的影响,从而提高粒子滤波器的性能.采用改进的粒子滤波方法处理GPS测量数据,仿真结果表明...     

多传感器协同辨识自校正加权观测融合Kalman滤波器

对于带未知噪声统计的多传感器系统,利用最小二乘法将观测方程统一处理,形成新 的跟踪系统,处理后的观测结果之差可以产生多组新的白噪声序列,利用各组白噪声的相关 函数阵解矩阵方程组,可解得各传感器观测噪声方差〖WTHX〗R〖WTBX〗i。通过状态 方程和观测方 程以及观测噪声估值,利用相关函数,可求得〖WTHX〗ΓQ〖WTBX〗w〖WTHX〗Γ〖WTBX 〗 T 的估计,进而得到自校正 加权观测融合Kalman滤波器。一个带有3传感器目标跟踪系统的仿真例子说明了其收敛速度 快,估计精确等特点。
     

基于SMC-CPHD的多目标跟踪算法研究

针对CPHD滤波算法在多目标跟踪中计算难处理和对于局部目标估计存在漏检的问题,提出了基于序贯蒙特卡罗方法的基数概率假设密度（SMC-CPHD）滤波算法。这种方法是将SMC和CPHD两种滤波算法的优点相结合,用一些离散的粒子去接近PHD函数,不仅解决了在滤波修正步没有闭式解的问题,而且避免了当某个目标发生漏检时,PHD权值的转移问题,在递推PHD函数的同时也递推基数分布。将此方法应用到有杂波存在复杂的多目标跟踪环境中,通过仿真实验,对CPHD滤波和SMC-CPHD滤波得出的结果进行比较,验证了本文所提出方法对多目标跟踪的可行性和精确性。     

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.     

多传感器加权观测融合自适应UKF滤波器

对于带有相同观测方程和未知噪声统计的非线性多传感器系统,提出了一种基于Sage-Husa估计的自适应UKF滤波算法.该算法利用导出的平稳随机序列的相关函数估计系统观测噪声方差统计R(j),并证明了其收敛性.进而利用Sage-Husa估计算法得到自适应UKF滤波算法.该方法避免了传统Sage和Husa的自适应滤波算法不能处理Q和R均未知的系统的局限性.为了将多传感器信息加以充分利用,提高滤波精度,本文利用加权最小二乘法(WLS),实现了多传感器加权观测融合自适应UKF滤波器.一个带3传感器非线性系统的仿真例子说明了该算法的有效性.     

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。     

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。     

基于粒子滤波的被动多基站跟踪算法

针对被动多基站跟踪的实际应用，提出了基于粒子滤波的被动多基站跟踪方法。该方法首先利用两个基站的观测数据融合目标位置，并用第三个基站的观测数据对目标位置进行检验，消除了错误融合位置；然后，推导了被动多基站粒子滤波模型，并根据被动多基站跟踪的特点，提出了顺序重抽样方法，有效地解决了被动多基站跟踪中的高度非线性、非高斯的影响；最后，给出了算法的性能仿真比较。仿真结果表明提出的方法性能明显优于其他跟踪方法（如PMHT、IMM-PDA）。     

基于滤波算法的拟平均轨道根数自主实时确定方法

针对卫星长期自主运行的发展要求,首次提出了基于滤波算法的卫星自主计算拟平均轨道根数的在轨实时方法。首先以受地球非球形摄动影响的低轨卫星为研究对象,推导了拟平均轨道根数的变化率并考虑了J2平方项补偿;以拟平均轨道根数为状态变量并以卫星瞬时速度和位置作为观测量建立了滤波方程,然后分别应用平方根无迹卡尔曼滤波(SR UKF)和扩展卡尔曼滤波(EKF)对拟平均轨道根数进行估计。仿真结果表明,两种滤波方法均能有效地计算拟平均轨道根数,其中平方根UKF滤波具有更高的精度和稳定度,且都可以满足卫星在轨自主实时计算拟平均轨道根数的需求。     

一种基于随机集的目标跟踪算法研究

针对多传感器多目标跟踪问题,提出了基于随机有限集的概率假设密度（PHD）滤波算法。该算法通过选取与各传感器相关的重要性密度函数,层层更新各传感器的采样粒子,达到多传感器多目标有序PHD跟踪。给出了应用该算法的具体步骤,通过仿真实例证明该算法的有效性。     

一种利用信号幅度信息的光学传感器像平面GM-PHD滤波算法

针对光学传感器像平面多目标跟踪应用,基于有限集统计学理论(Finite Set Statistics, FISST)提出一种利用信号幅度信息的高斯混合概率假设密度(Gaussian Mixture-Probability Hypothesis Density, GM-PHD)滤波算法。该算法通过建立信号幅度似然函数将幅度信息引入到PHD的递推公式中,首先根据光学传感器的特点对输出的信号幅度进行建模,然后分别计算来源于目标和杂波的信号幅度似然函数,在目标信噪比未知的情况下给出一种替代计算方法,最后采用高斯混合方式实现该算法。仿真结果表明,本文提出的算法相比仅利用量测位置信息的PHD滤波器能够显著提高多目标跟踪性能和计算效率,而且在目标信噪比未知时同样具有稳定的性能。     

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。     

复杂电磁环境下组网雷达对隐身目标的跟踪研究

在复杂电磁环境背景下,研究了组网雷达基于粒子滤波算法对隐身目标的跟踪滤波问题,建立了雷达观测方程和隐身目标的多基地雷达截面积模型,分析了基于U PF的组网雷达目标跟踪滤波算法。利用计算机仿真验证了复杂电磁环境下组网雷达利用粒子滤波技术跟踪隐身目标的有效性,并对几种跟踪算法的效率进行了比较。     

双向互选最近邻准则下的多目标TDOA无源定位

为有效解决多目标无源定位中的数据关联难题,提出双向互选最近邻多目标数据关联算法。该算法借鉴全局最近邻思想解决多目标到达时差(TDOA)测量数据关联问题,在设置检测门限对时差测量数据进行关联初选的基础上,将所有目标和初选后数据的关联配对关系进行全局考虑,通过对初选后数据的前后向互选来解决多目标时差测量数据的正确关联问题。该算法在从众多时差测量数据关联配对点中提取真实目标位置的同时,可有效解决时差无源定位中的定位模糊问题,算法模块也可应用到多星测时差、测向-测时差等无源定位系统中。仿真结果表明,该算法能有效解决多目标时差测量数据的关联问题,最终实现对多目标的无源定位。     

大气层外多拦截器协同跟踪与制导算法

针对大气层外多弹头多诱饵的进攻场景，采用多拦截器全拦截策略，提出了带故障诊断的协同跟踪算法、时间协同中制导律以及消除脱靶量的末制导律。首先，基于最小二乘算法以及误差传播理论，实现了局部信息融合以及测量方程的线性化，简化了非线性跟踪滤波算法的设计；并依托滤波算法，设计了传感器故障诊断算法，以排除其对跟踪效果的影响。然后，基于对拦截器和目标受力的合理简化，给出了相对运动解析解，设计了有限推力下的多拦截器时间协同中制导律以及末制导律，实现对多个目标的同时击毁。仿真结果显示，本文设计的协同跟踪与制导算法，可以有效估计目标的状态并排除故障传感器的干扰，实施对多个目标的时间协同拦截。     

无线传感器网络空中目标跟踪任务分配技术的研究

以无线传感器网络对空中飞行目标跟踪为背景，针对无线传感器网络协同技术中的任务分配问题，以降低传感器节点之间的通信能量消耗为目的，提出了一种基于弹性神经网络的任务分配算法。首先对多动态联盟多目标跟踪问题进行建模，然后依据最小能量准则，采用一种非全连接的环形结构的弹性神经网络模型，解决了多目标跟踪时的任务优化分配问题以及多个动态联盟对传感器资源竞争冲突时系统能耗增加的问题。仿真结果表明，该算法与传统的方法相比，大大降低了跟踪系统的能量消耗。