面向再入目标跟踪的估计与辨识联合优化算法

准确的弹道系数辨识和精确的目标状态估计是再入目标高精度跟踪与高可靠识别的关键。一方面,状态估计的误差会造成模型参数(弹道系数)的辨识风险;另一方面,模型参数的辨识偏差又会导致模型失配从而降低目标状态的估计精度。因此,需要实现再入目标的状态估计和参数辨识的联合优化。针对再入目标弹道系数未知情形,提出了一种基于期望最大化(EM)框架并采用粒子滤波(PF)平滑器实现的PF-EM联合优化算法。在E步基于粒子平滑器得到目标状态的后验平滑估计,M步采用数值优化算法更新上一次迭代的弹道系数,通过E步和M步的不断迭代,以保证状态估计和弹道系数辨识的一致性。算法仿真对比表明:所提算法的状态估计和参数辨识精度均优于传统的状态增广算法。     

基于MLR的机动平台传感器误差配准算法

 基于固定平台传感器误差极大似然配准(MLR)算法,针对机动平台存在姿态角系统误差的问题,提出了对机动平台传感器系统误差和目标状态进行批处理离线估计的机动极大似然配准(MLRM)算法.该算法利用所有传感器对目标的量测值,通过把传感器量测向目标状态进行投影、对传感器系统误差和目标状态进行期望最大化迭代以及对目标的状态进行融合估计,最终实现量测、姿态角系统误差和目标状态的有效估计.仿真结果表明,该算法迭代收敛速度快,对系统误差估计精度高,对系统误差可观测性较低的配准环境的适应性强并且对传感器姿态角的相关性不敏感,具有很强的工程实用性.     

基于IMMKF算法的ADS-B监视应用目标跟踪

目标跟踪是机载广播式自动相关监视（ADS-B）应用的基础功能,对提升航空器周边的弱机动民航飞机目标跟踪性能具有重要意义。提出一种基于交互式多模型卡尔曼滤波（IMMKF）算法的ADS-B 监视应用目标跟踪方法。首先,针对弱机动背景下的民航飞机的飞行特点,建立包含匀速模型和标准协同转弯模型的运动模型集,并对模型进行线性化近似;然后,将模型预测和ADS-B 状态矢量量测数据作为IMMKF 算法中多个并行卡尔曼滤波器的输入,进行并行滤波;最后,计算得到目标状态矢量的估计和模型近似概率,并作为下一次迭代的输入。结果表明：相比于基于匀速模型的卡尔曼滤波目标跟踪方法,IMMKF 方法的位置跟踪误差降低了59%,速度跟踪误差降低了77%,显著提升了状态估计性能,具备较高的跟踪精度、稳健性与计算效率,在ADS-B 监视应用中具有实际应用价值与借鉴意义。     

基于角速度估计自适应的IMM目标跟踪算法

为了解决目标强机动时目标跟踪算法模型集不匹配的问题,提出了一种基于角速度估计的自适应交互式多模型算法。通过对角速度的估计,在目标的不同运动模式下选取最优模型集,角速度估计精度高时,通过角速度估计值构造模型集,减小模型间竞争;角速度估计精度低时,采用标准IMM算法的模型集,提高模型集的覆盖范围,从而提高跟踪精度。仿真结果表明该方法能够明显提升目标跟踪性能,对强机动目标的跟踪效果尤其显著。     

基于期望系统噪声模型的自适应机动目标跟踪

针对防空作战中的机动目标跟踪问题,分析了使用IMM算法跟踪目标所存在的缺陷,提出了一种基于期望系统噪声模型的自适应机动目标跟踪算法（MIMM）,改变IMM算法使用固定模型集合的方法,IMM算法中作用权重较大的只是少部分更接近于实际系统的模型,通过对部分系统噪声模型进行自适应辨识,计算出最接近于系统实际噪声水平的模型——期望系统噪声模型（ESNM）。这些模型作为IMM多模型集的子集,是在一定模型框架内所寻求出的一个（或多个）最优模型（集）。仿真结果证明了MIMM算法能够更好地描述目标机动,达到更理想的跟踪性能,其跟踪精度优于使用固定模型集的IMM算法。     

直升机稳定转弯飞行中的运动学问题研究

阐明了转弯飞行是直升机的基本机动科目,现有的运动学问题研究仅从性能的角度出发,分析转弯过程中的过载、转弯半径等,忽略了转弯过程中的迎角、侧滑角、姿态和角速度等运动参数的变化,因而不能合理地预测转弯过程中旋翼的真实能力、直升机的机动性能及飞行轨迹。文中着重介绍了一种直升机稳定转弯时的运动学分析方法,该方法建立了不同稳定转弯条件下,速度、迎角、侧滑角与过载系数、姿态、角速度之间的关系,定量分析了不同稳定转弯条件对直升机角速度和姿态的影响。     

一种IRST双机协同被动探测机动目标定位新方法

针对红外搜索跟踪系统（IRST）双机协同被动探测定位作战使用中，机动目标建模与实际运动失配造成定位误差偏大的问题，研究了一种基于曲线模型的自适应滤波新方法。该方法改进了传统方法根据方向角估计转弯率以及基于帧间插分线加速度估计切向加速度的思路，将转弯率及线加速度联合作为状态变量进行了状态扩维，并推导了扩维后的过程噪声协方差表达式，在缓解传统两层滤波结构带来的计算量大问题外，也提高了切向加速度的估计精度。另外基于反正切函数的值域，结合方向角在四象限间的转移关系，优化了方向角的设计。通过IRST双机协同仿真实例，验证了所提方法对机动目标的适应性更强、目标定位精度更高。     

基于MCMC-Gibbs采样的天波超视距雷达联合状态估计与模式辨识

天波超视距雷达(OTHR)目标跟踪面临着"三低"(低检测概率、低数据率、低测量精度)和"多路径"(多条传播路径)的严峻挑战,准确的传播模式辨识与精确的目标状态估计是改善跟踪能力的关键。针对上述问题,提出了一种基于马尔科夫蒙特卡洛吉布斯(MCMC-Gibbs)采样的OTHR联合状态估计与模式辨识算法,该算法通过MCMC-Gibbs采样求取当次迭代当前拍最优的关联矩阵,进而利用同时多量测滤波进行状态和协方差更新,最后引入联合估计与辨识风险函数寻求最优的模式辨识与状态估计结果。不同仿真参数下仿真结果表明该算法的有效性,同时该算法在径向距和方位角估计精度上均高于多路径概率数据关联算法(MPDA),但这是以计算量为代价的。     

高测量频率条件下采用IMM方法跟踪机动目标

利用雷达系统跟踪机动目标,当测量频率很高时,测量噪声将显著相关。本文提出一种简单的去相关方法来改良互作用多模型算法(IMM),用于测量噪声相关情况下的机动目标跟踪。我们发现这种去相关法可以明显提高系统性能,特别是对于速度和加速度的估计。     

交互作用的双自适应模型估计器

 通过对目标的不确定机动分析和对不确定机动的模式分类(非机动、临界机动、弱机动、强机动),建立了一种新的目标状态自适应估计器——交互作用的双自适应模型估计器。它通过具有机动识别特性的二阶自适应模型和具有机动水平特性的三阶自适应模型,以及它们之间交互作用自适应组合方式的结合,达到了跟踪估计目标各种运动的“全面”自适应能力。应用新估计器对目标的5种基本运动进行了Monto-carlo仿真。仿真表明,它具有所期望的良好性能。     

考虑非高斯相关噪声的视线角速率提取算法

针对捷联导引头敏感信息存在非高斯噪声且状态噪声与观测噪声相关的问题,提出了修正球面坐标系下带有相关噪声解耦的扩展椭球集员滤波（ESMF）算法。首先,通过对弹目相对距离及其变化率的规范化处理,得到修正球面坐标系下的视线角速率提取模型;然后,利用相关噪声解耦方法去除观测方程中耦合的状态噪声项,基于泰勒级数展开推导了相关噪声解耦后的模型线性化表达式,得到包含线性化误差的虚拟噪声椭球集合,并根据最小迹和最小化尺度因子上界的优化方法得到状态更新与观测更新椭球,形成非高斯相关噪声解耦的扩展椭球集员滤波算法。仿真结果表明,所提算法能够在考虑非高斯相关噪声的情况下,实现捷联导引头视线角速率的高精度提取。     

Joint parameter and state estimation for stochastic uncertain system with multivariate skew t noises

Due to the pulse interference, measurement outliers and artificial modeling errors, the multivariate skew t noise widely exists in the real environment. However, to date, little attention has been paid to the state estimation for systems in which the process noise and the measurement noise are both modeled as the heavy-tailed and skew non-Gaussian noise. In this paper, the multivariate skew t distribution is utilized to model the heavy-tailed and skew non-Gaussian noise. Then a probabilistic gra...     

Multisensor multitarget bias estimation for general asynchronous sensors

A novel solution is provided for the bias estimation problem in multiple asynchronous sensors using common targets of opportunity. The decoupling between the target state estimation and the sensor bias estimation is achieved without ignoring or approximating the crosscovariance between the state estimate and the bias estimate. The target data reported by the sensors are usually not time-coincident or synchronous due to the different data rates. Since the bias estimation requires time-coincident target data from different sensors, a novel scheme is used to transform the measurements from the different times of the sensors into pseudomeasurements of the sensor biases with additive noises that are zero-mean, white, and with easily calculated covariances. These results allow bias estimation as well as the evaluation of the Cramer-Rao lower bound (CRLB) on the covariance of the bias estimate, i.e., the quantification of the available information about the biases in any scenario. Monte Carlo simulation results show that the new method is statistically efficient, i.e., it meets the CRLB. The use of this technique for scale and sensor location biases in addition to the usual additive biases is also presented.     

Optimal sensor selection strategy for discrete-time stateestimators

A novel sensor selection strategy is introduced, which can be implemented on-line in time-varying discrete-time system. We consider a case in which several measurement subsystem are available, each of which may be used to drive a state estimation algorithm. However, due to practical implementation constraints (such as the ability of the on-board computer to process the acquired data), only one of these subsystems can actually by utilized at a measurement update. An algorithm is needed, by which the optimal measurement subsystem to be used is selected at each sensor selection epoch. The approach described is based on using the square root V-Lambda information filter as the underlying state estimation algorithm. This algorithm continuously provides its user with the spectral factors of the estimation error covariance matrix, which are used in this work as the basis for an on-line decision procedure by which the optimal measurement strategy is derived. At each sensor selection epoch, a measurement subsystem is selected, which contributes the largest amount of information along the principal state space direction associated with the largest current estimation error. A numerical example is presented, which demonstrates the performance of the new algorithm. The state estimation problem is solved for a third-order time-varying system equipped with three measurement subsystem, only one of which can be used at a measurement update. It is shown that the optimal measurement strategy algorithm enhances the estimator by substantially reducing the maximal estimation error     

一种二维耦合模型机动目标跟踪算法

针对雷达跟踪固定翼飞机的单目标跟踪问题,提出了一种新的二维耦合运动模型。该方法把切向加速度和法向加速度作为状态变量,给出了切向加速度和法向加速度为常值时解析计算状态转移的方法。该模型可以较好地一步预测目标加速度的变化,而且法向和切向加速度的过程噪声可以分别设置。利用该耦合模型的滤波方法,显著地改善了滤波效果,尤其是对加速度的估计。     

Adaptive cubature Kalman filter with the estimation of correlation between multiplicative noise and additive measurement noise

Mobile robots are often subject to multiplicative noise in the target tracking tasks, where the multiplicative measurement noise is correlated with additive measurement noise. In this paper,first, a correlation multiplicative measurement noise model is established. It is able to more accurately represent the measurement error caused by the distance sensor dependence state. Then, the estimated performance mismatch problem of Cubature Kalman Filter(CKF) under multiplicative noise is analyzed. An i...     

基于混合粒子滤波的激光惯导系统误差的补偿

针对激光陀螺捷联惯导系统在动态尤其是高动态环境下的姿态误差显著增大的问题,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。算法基于混合粒子的卡尔曼滤波和粒子滤波的特点,用有限的高斯模型来近似后验状态密度、系统噪声和观测噪声的分布通过EM的算法设计实现模型的降阶,一定程度上克服了EM算法迭代的结果需要依赖初始值、可能收敛到局部最大点或可能收敛到参数空间边界的缺点,从而改善了粒子携带信息的衰减问题。通过仿真与试验结合,在纯动态应用环境下的姿态与定位精度补偿效果,与传统Kalman滤波相比,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。     

基于压缩感知的信源个数与信号参数估计算法

信源个数与信号参数估计是盲信号处理的关键环节，对后续信号的侦察处理意义重大。针对当前盲信号信源个数与信源参数估计研究割裂的问题，提出了一种联合估计算法。通过分析信号的稀疏系数在不同测量矩阵相同稀疏字典下位置相同的特点，提高了信源个数和信号参数的估计精度，实现算法的自适应控制；通过数理分析确定了多级搜索策略的最优级次，大大降低了稀疏字典的原子数目。仿真结果表明：算法在一定信噪比下能够实现信源个数和信号参数的有效估计；信源个数和信号参数的估计精度随着压缩比的降低而逐渐提高，随着信噪比的提高而逐步增强；噪声对信源个数和信号参数估计精度的影响很大，尤其是低信噪比下；第2个信源载波频率和调频斜率的估计误差明显高于第1个信源参数的估计误差。     

基于冗余伪观测的自适应滤波算法

现有的二阶互差分(SOMD)算法能够给出与状态估计误差解耦的观测噪声协方差估计，但是需要满足冗余测量的条件，但这一条件往往难以满足。 针对这一问题，提出了一种利用状态预测值构造相邻2个时刻伪观测的方法，将原SOMD算法扩展到具有单测量的系统中。使用目标跟踪问题对该算法的有效性进行验证。仿真结果表明，当采样周期较小时，该算法能够忽略状态估计误差的影响并给出较准确的观测噪声方差，在精度和鲁棒性方面优于其他参考算法。