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.     

一种用于实时轨道确定的NPF-SRCKF滤波算法

针对航天器实时轨道确定中建模复杂、计算量大、估计精度低的问题,设计了一种考虑地球J 2 摄动影响的基于NPF-SRCKF的实时轨道确定算法,该算法采用非线性预测滤波(NPF)对模型误差进行补偿修正,利用平方根容积卡尔曼滤波(SRCKF)算法对修正模型误差后的系统进行状态估计。针对单测站、双测站跟踪测量设计了不同的实时轨道确定算法。实验结果显示,将非线性预测滤波和平方根容积卡尔曼滤波结合在一起,运用于简化的实时轨道确定模型,能有效降低计算复杂度,改进数值运算的稳定性,提高状态估计的精度。     

基于神经网络的目标轨迹预报算法设计

提高轨迹预报精度是反高速机动目标面临的难点之一。本文基于目标运动特性分析,构建跟踪运动模型,采用交互多模型滤波算法完成多模型交互,局部滤波器采用自适应高阶容积卡尔曼滤波算法,通过与强跟踪滤波算法相结合,提高传统的估计精度,进而提高算法的鲁棒性;采用广义回归神经网络设计轨迹预报算法,并在预报过程中引入预报修正量对误差进行修正,通过样本学习提高长时间预报精准度,仿真结果表明,设计的跟踪预报算法在预报精度上较常规算法有较大幅度提升。     

一种面向弹道再入目标跟踪的HPD-SRCQSPF算法

针对弹道再入目标轨迹跟踪问题,提出基于混合建议分布的平方根容积求积采样粒子滤波（HPD-SRCQSPF）算法,该算法以混合建议分布为框架,由两个基本建议分布组成。其中一个基本建议分布为先验分布,另一个基本建议分布为平方根容积求积卡尔曼滤波估计后的值。该混合建议分布与真实的后验分布很接近,因此有着高效性、高精度等特点。仿真结果表明,对于弹道再入目标轨迹跟踪模型,相比于标准粒子滤波（SPF）算法和平方根容积求积粒子滤波（SRCQPF）算法,HPD-SRCQSPF算法可以在较低运算负载的情况下获得更好的跟踪性能。特别是在弹道目标变轨机动的情况时,所提出算法的性能增益更为显著。     

二维地对空单站无源定位滤波算法研究

在空对地和地对空两种单站无源定位系统中,地对空单站无源定位难度比较大,因为地对空单站无源定位不仅要进行目标位置估计还要进行目标速度估计。在MATALB仿真平台上建立了地对空定位模型,并进行了EKF、MGEKF和UKF三种滤波算法100次Monte-Carlo仿真,提出了对Monte—Carlo仿真结果的若干处理方法,在此基础上对三种滤波算法进行比较,得出三种滤波算法各自的优缺点。     

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.     

GPS/速率陀螺组合Kalman滤波姿态确定算法研究

建立了GPS／速率陀螺组合姿态估计系统的模型，研究比较了三种典型的Kalman滤波姿态确定算法：状态扩充法、量测量求差法和时变噪声估计跟踪自适应滤波算法。给出了某航天器采用GPS／速率陀螺组合姿态确定的仿真计算结果，并对结果进行了分析。结果表明，与传统Kalman滤波算法比较，时变噪声跟踪自适应滤波算法和量测量求差滤波算法能较好地消除GPS测量中相关时变噪声的影响，提高姿态确定的精度；而且时变噪声跟踪自适应滤波算法能很好地消除由于噪声统计性能的不确定性对Kalman滤波的影响，提高姿态确定系统的性能。     

天基红外低轨星座对目标的跟踪算法研究

建立了天基红外低轨星座对自由段目标的观测模型,考虑了精确的目标运动模型。针对天基红外低轨星座的任务特点,从收敛速度、估计精度、估计有效性以及运算效率等方面比较了批处理滤波、EKF、UKF、高阶UKF和粒子滤波等算法的性能。仿真结果表明,综合考虑各种因素的影响,UKF具有最佳估计性能,能够对天基红外低轨星座中自由段目标进行有效跟踪。该文的理论分析和仿真实验对天基红外低轨星座的跟踪滤波器设计具有重要的指导意义。     

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。     

基于IMM_UKF的红外导弹滑模制导

针对红外空空导弹被动制导问题,将交互式多模型算法(IMM)和不敏滤波(UKF)算法结合起来估计目标状态,同时设计了滑模制导律来提高目标的可观性,从而提高导弹制导精度.仿真结果表明在同等可观性条件下,IMM_UKF较自适应两步滤波(ATSF)估计精度高,与滑模制导律结合起来提高了制导精度,减小了脱靶量.     

一种单站无源定位原理与目标跟踪算法研究

基于辐射源的信号到达方向(DOA)及其变化率信息,提出了一种对机动目标进行单站无源定位与跟踪的方法。根据建立的目标机动模型和测量方程,分别用扩展卡尔曼滤波(EKF)和修正协方差扩展卡尔曼滤波(MVEKF)算法实现对机动目标的定位与跟踪,并给出了算法模型。仿真结果表明,该法正确有效,定位精度较高、收敛速度快。     

一种用于深空高动态微弱信号的频率估计算法

研究了低载噪比与高动态环境下的深空测控系统频率估计算法,在分析已有方法不足的基础上,提出了一种基于无迹卡尔曼滤波(UKF)的闭环载波跟踪方法。此方法结合了锁频环鉴别器和UKF的优点,获得了宽的估计范围,高的估计精度和低的载噪比门限。在分析UKF模型的基础上,此方法还减少了原有UKF算法的运算量。仿真过程模拟了接收机的高动态运动轨迹,结果表明此法具有较好的动态适应能力、收敛性能和跟踪精度,能够有效地完成低载噪比与高动态环境下的频率估计。此法与基于扩展卡尔曼滤波(EKF)的频率估计算法相比,具有更低的频率估计误差,因此有着良好的应用前景。     

高超声速机动目标天基跟踪鲁棒性滤波方法

为解决高超声速滑翔飞行器(HGV)机动飞行过程中的跟踪问题,提出了一种基于机动观测器补偿的鲁棒扩展卡尔曼滤波方法。针对传统卡尔曼滤波器由于模型误差而无法稳定跟踪的问题,首先建立了HGV动力学模型和天基红外测量模型;随后,设计机动观测器对未知气动加速度进行在线估计;在此基础上,利用机动估计对扩展卡尔曼滤波中的预测步骤进行修正,克服了因模型误差而导致的滤波发散问题;最后,考虑到机动观测器的时延误差,在扩展卡尔曼滤波迭代过程中引入次优渐消因子,提高了滤波跟踪的鲁棒性。与强跟踪滤波、扩维卡尔曼滤波、交互多模型滤波等典型跟踪方法相比,所提方法可在不具备目标机动先验信息的情况下,以较低的计算耗时取得良好的稳定性和跟踪精度。     

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。     

一种多制式传感器数据融合算法

针对一有三坐标雷达、两坐标雷达和红外探测器三种传感器的分布式多站多目标跟踪系统，提出了一种多制式传感器数据融合算法。算法以测量间最小距离为关联度，对测量集间的相似程度进行度量，用极大似然法估计目标位置，通过融合方法求得目标三维航迹。在作状态估计时，采用两组非线性卡尔曼滤波切换提高融合精度。     

机载单站无源定位三维模型及其仿真

针对在空间作匀速直线运动的目标，建立了机载单站无源定位的三维模型。给出了其中的预处理过程和系统状态方程，并采用UKF算法进行滤波处理以提高定位精度。仿真结果表明，模型和算法有效。与扩展卡尔曼滤波(EKF)相比，在初始误差较大时UKF也能快速收敛。     

基于双星编队的空间非合作目标联合定轨方法

针对单颗卫星对空间非合作目标的纯测角跟踪定轨系统存在观测几何条件差和定轨误
差较大的缺点,提出利用双星编队对空间非合作目标进行协同观测。该方法引入平方根无迹
卡尔曼滤波(UKF)算法,并融合地面站观测双星编队信息、双星编队星间测量数据以及双星
编队对空间目标光学观测信息进行整网定轨,实现在纯测角条件下双星编队对空间非合作目
标的实时跟踪。仿真结果表明该方法可以改进观测几何条件和提高空间非合作目标的跟踪定
轨精度。     

一种面向临近空间高超声速再入滑翔目标跟踪算法

针对临近空间高超声速再入滑翔目标的跟踪问题,提出了一种基于回顾成本输入估计的无偏转换量测卡尔曼滤波(Retrospective cost input estimation-unbiased converted measurements Kalman filter, RCIE-UCMKF)。首先,根据再入滑翔目标的飞行特性,将加速度看成是未知的确定输入构建运动学跟踪模型;然后,对目标的非线性量测信息进行无偏转换,并将得到的噪声协方差矩阵进行解耦,降低算法的复杂度;最后,利用回顾成本的输入估计对未知加速度进行重构,采用递推最小二乘法更新输入估计器的参数矩阵,同时将估计的加速度引入到卡尔曼滤波框架下,实现对高超声速再入滑翔目标状态的准确估计。仿真结果表明了该算法的有效性和可行性。     

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）。