一种平均矩独立重要性指标及其拒绝抽样方法

在矩独立重要性分析过程中,重要性指标往往用于衡量结构系统输出不确定性向输入变量不确定性的逆向分配问题。假设输入参数的方差可以减缩一定比例因子,那么矩独立重要性指标可以定义为该缩减因子的函数。同时,假设输入参数的方差缩减因子为一随机变量,那么可以取矩独立重要性指标函数的均值定义一个新的平均矩独立重要性指标。由于使用Sobol方法计算平均矩独立重要性指标的模型需要循环抽样,计算量很高,故引入拒绝抽样（RS）方法,通过重复利用矩独立重要性分析中的一组输入输出样本,就可以额外计算得到矩独立指标函数和平均矩独立重要性指标,这大大节约了计算成本。本文所提指标函数及平均指标的有效性和RS方法的准确性、高效性通过数值和工程算例得以验证。      

粒子滤波及其在航天器交会对接相对导航中的应用

在全面分析粒子滤波原理的基础上,提出一种改进高斯粒子滤波方法.该方法利用确定性采样滤波算法进行时间更新,替代高斯粒子滤波算法中的随机采样过程;另外,针对厚尾噪声情况,利用鲁棒统计方法对确定性采样滤波方法进行鲁棒性改进,并将其应用于所提出的改进高斯粒子滤波.将粒子滤波算法应用于交会对接相对导航问题,仿真结果表明,在多种测量噪声情况下,改进高斯粒子滤波较其他粒子滤波,能够在不过多损失估计精度的同时有效降低计算量.文中的研究成果为将粒子滤波应用于航天器导航问题提供了理论参考.     

拉普拉斯-高斯滤波图象的过零边界及其分形维数

本文考察了用拉普拉斯—高斯滤波器对遥感图象过零边界的计算方法.给出了直接从遥感图象边界转换成过零边界的稳函数.分析可看到,从遥感图象边界化算出过零边界是局地性决定的方式,得到的过零边界相对于原遥感图象边界的偏差主要取决于图象尺度、边界的局地曲率半径和所用高斯函数的尺度常数.证明拉普拉斯—高斯滤波过零边界法在图象尺度和曲率半径都大于高斯尺度常数10倍以上时,是获得遥感图象边界的精确方法.      

基于IRAPF算法的航天器姿态确定

针对航天器姿态确定系统中存在较大初始误差及非线性较强的问题,提出了一种基于改进的正则化辅助粒子滤波（IRAPF）算法的航天器姿态确定方法。该算法将正则粒子滤波（RPF）与辅助粒子滤波（APF）相结合,将快速高斯变换（FGT）方法引入其中以减少计算量提高滤波的收敛速度。算法不仅有效地抑制了粒子退化问题,而且利用最新观测粒子来优化采样,并且在引入FGT后计算量与正则化的辅助粒子滤波相比降低了30%,改善了滤波的实时性。仿真结果表明了滤波的有效性。     

基于URD的非线性滤波算法

非线性滤波算法一直是个活跃的研究方向,本文引入数论中的均匀随机设计（URD）,提出了一种URD的非线性滤波算法（URD-KF）,用于处理非线性高斯系统的滤波问题,并从理论上分析了该算法的性能。分析表明,该算法的性能要好于Unscented变换方法。仿真结果也证实了该算法的滤波性能优于UK滤波算法,且在相同滤波性能的前提下,该算法的计算代价要小于PF滤波算法。将该算法应用于Bearing—Only跟踪中,实验结果表明,该算法的性能优于PF。     

融合高斯过程回归的UKF估计方法

高精度滤波估计是SINS/GNSS组合导航系统的关键技术之一,其估计精度直接影响了导航精度。传统滤波估计方法一般只基于惯导误差模型,未考虑惯导误差模型不确定性的影响。针对此问题,提出了一种采用高斯过程回归（GPR）增强无迹卡尔曼滤波（UKF）预测和估计能力的高精度滤波估计方法。一方面,能在有限的训练数据条件下通过UKF估计误差状态量;另一方面,高斯过程既考虑了噪声,也考虑了UKF的不确定性。将所提方法应用于SINS/GNSS组合导航系统中,车载实验结果表明,所提方法能有效提高滤波估计精度。      

近似二阶扩展卡尔曼滤波方法研究

 在综合考虑计算量和估计精度的情况下,提出一种新的非线性滤波方法——近似二阶扩展卡尔曼滤波（AS-EKF）方法。该方法基于线性最小方差递推滤波框架,对均值的非线性变换采用二阶近似,其精度高于扩展卡尔曼滤波（EKF）采用的一阶近似。通过计算机仿真表明该滤波方法对非线性系统的滤波精度高于EKF,且计算量明显低于无迹滤波（UKF）,该方法适用于对估计精度和计算量都有所要求的非线性系统滤波器设计。     

基于NCCO的十字图像特征亚像素定位

利用标准互相关算子(NCCO)对机器视觉领域常用的十字图像特征进行匹配运算,发现相似函数在峰值区域的分布特征为4个互相对称的双曲面.据此提出一种基于NCCO图像匹配的双曲面拟合亚像素精密定位方法:首先进行粗定位,确定整像素级的相似函数峰值点;然后使用伪逆法对峰值区域的4个卦限分别进行最小二乘拟合;最后求解4个拟合双曲面的交点,得到图像特征的亚像素定位坐标.在微装配显微视觉系统上实现了该算法并进行了实验验证.实验表明:与常用的高斯拟合或二次曲面拟合方法相比,双曲面拟合方法在定位精度上为0.25个像素,而计算量大为减少.     

自适应空间机动目标跟踪算法

在空间目标跟踪问题中,目标机动导致的模型不匹配问题会导致滤波算法出现滞后现象。为了对空间机动目标进行快速跟踪,在平方根容积卡尔曼滤波〖（Square rootCubatureKalmanFilter,SCKF）的基础上,引入强跟踪滤波（StrongTrackingFilter,STF）的思想,推导得到了次优渐消因子在SCKF中的等价描述。并通过建立以矩匹配方法为基础的自适应机制,设计了兼顾滤波精确性和鲁棒性的自适应强跟踪平方根容积卡尔曼滤波（AdaptiveStrongTrackingSquare rootCubatureKalmanFilter,AST SCKF）算法。仿真结果表明,在目标机动前,AST-SCKF算法和SCKF算法的位置收敛精度相差不足1%;在目标机动后,AST-SCKF算法的位置和速度的收敛精度相对SCKF算法分别提高了95.19%和30.50%,同时,其收敛速度相对SCKF算法分别提高了57.20%和24.68%。     

匹配数据的平滑滤波技术

讨论了匹配测量数据的平滑，滤波和外推问题，所谓匹配测量数据是指位置参数和速度参数呈求导的匹配关系，提出了利用数据的匹配特性这一先验信息来改善多项式最小二乘滤波器的设计，对测量数据中的位置和测速数据进行统一处理，在最小方差意义下给出了平滑滤波公式及其效率方差比，由于充分利用了先验信息，减少了待估计参数的个数，显著提高了参数的估计精度，仿真计算结果表明该方法能显著改善目标运动参数的估计精度。     

基于SRCKF的多传感器融合自适应鲁棒算法

为解决模型误差和异常量测值发生时平方根容积卡尔曼滤波（SRCKF）算法滤波性能下降甚至滤波发散的问题,提出了一种多传感器融合自适应鲁棒算法。基于新息协方差匹配原则设计了鲁棒子系统以抑制量测异常值,同时为克服模型误差使用基于新息修正的低复杂度自适应SRCKF(LCASRCKF)算法设计了自适应子系统,根据2种子系统的特点和局限提出全局融合架构,使系统可以充分平衡并利用滤波过程中先验的模型预测值信息和后验的量测值信息,最终降低估计误差。仿真结果表明：相比鲁棒多渐消因子容积卡尔曼滤波（RMCKF）等算法,所提融合算法在滤波精度、稳定性和收敛速度等方面有明显优势。     

基于MM-GGIW-PMBM滤波的扩展目标跟踪算法

针对多机动扩展目标跟踪问题,将交互式多模型的思想引入泊松多伯努利混合滤波(PMBM)算法中,提出了一种多模型的伽马高斯逆威夏特-泊松多伯努利混合滤波(MM-GGIW-PMBM)算法。该算法融合多种运动模型,通过模型的交互实现对机动扩展目标扩展状态和质心状态的混合估计预测;通过引入强跟踪滤波(STF)中的渐消因子修正预测之后GGIW分量中的协方差矩阵,防止发生跟踪模型失配的现象;在PMBM更新阶段扩展目标外形和质心估计完成的基础上,利用似然函数完成模型概率的更新。仿真实验结果表明:MM-GGIW-PMBM算法能够对多机动扩展目标的数量和状态进行有效的估计。      

基于双谱的eLORAN接收机干扰抑制方法研究

针对eLORAN导航定时接收机传统自适应滤波干扰抑制算法性能易受高斯噪声影响的问题,提出了一种基于双谱检测的干扰抑制方法。该方法采用双谱估计,在高斯噪声中检测出干扰信号,再用检测信号调节自适应滤波器的系数,完成系数更新,最终达到去除干扰的目的。理论分析与实验结果表明：双谱检测方法能够有效的抑制高斯白噪声,提取信号。基于双谱检测的干扰抑制方法,可有效去除和减轻干扰,特别是在强高斯噪声干扰的情况下,抑制干扰效果明显,解决了eLORAN接收机在强噪声下的干扰抑制问题,具有一定的推广和应用价值。     

基于双谱的eLORAN接收机干扰抑制方法研究

针对eLORAN导航定时接收机传统自适应滤波干扰抑制算法性能易受高斯噪声影响的问题,提出了一种基于双谱检测的干扰抑制方法。该方法采用双谱估计,在高斯噪声中检测出干扰信号,再用检测信号调节自适应滤波器的系数,完成系数更新,最终达到去除干扰的目的。理论分析与实验结果表明：双谱检测方法能够有效的抑制高斯白噪声,提取信号。基于双谱检测的干扰抑制方法,可有效去除和减轻干扰,特别是在强高斯噪声干扰的情况下,抑制干扰效果明显,解决了eLORAN接收机在强噪声下的干扰抑制问题,具有一定的推广和应用价值。     

基于SINS/CNS组合导航系统的多模型自适应估计算法

针对单一模型滤波器在未知或不确定的系统参数下适应性较差的问题,提出了一种新的基于多模型自适应估计(multiple model adaptive estimation,MMAE)的滤波方法。该方法利用改进的卡尔曼滤波代替传统的卡尔曼滤波,比如扩展卡尔曼滤波(extended Kalman filter,EKF)和无迹卡尔曼滤波(unscented Kalman filter,UKF)。EKF和UKF被用来作为多模型自适应估计的子滤波器,从而实现对非线性系统的状态估计。同时,还将该方法应用于基于弹道导弹模型的组合导航中实现了系统仿真。仿真结果表明,与传统的EKF和UKF算法比较,改进的滤波方法可以解决传统模型滤波器适应性差的问题,并提高系统的导航精度。     

衰减因子自适应滤波及在组合导航中的应用

从卡尔曼滤波技术的稳定性出发,分析了卡尔曼滤波算法发散的原因,提出了一组衰减记忆卡尔曼滤波中衰减因子的自适应估计方法,并在GPS/SINS组合导航系统中进行了计算机仿真.在计算衰减因子时,利用滤波残差序列在最优估计时为零均值白噪声的性质,构造了服从χ2分布的变量,并分别检验滤波残差每一个分量得出衰减因子值.仿真结果表明,该组算法能够自适应地估计出衰减因子的大小,有效地抑制滤波发散,且计算量较其它方法小.      

一种用于高动态GPS频率估计的滤波算法

针对常用高动态GPS(Global Positioning System)频率估计算法扩展卡尔曼滤波(EKF,Extended Kalman Filter)的缺陷,提出了一种新的称为简化无迹高斯粒子滤波(SUGPF,Simplified Unscented Gaussian Particle Filter)的算法.SUGPF将卡尔曼滤波(KF,Kalman Filter)、无迹卡尔曼滤波(UKF,Unscented Kalman Filter)与高斯粒子滤波(GPF, Gaussian Particle Filter)三者相结合.在时间更新阶段,用KF的方法更新预测分布;在测量更新阶段,用UKF的方法得到重要采样函数,并用GPF的方法更新后验分布.仿真结果表明:与EKF和UKF相比,SUGPF性能更优越,功能更全面,在高斯与非高斯观测噪声环境下均能取得与GPF类似的良好性能,并且其计算复杂度低于GPF.     

基于PHD未知杂波密度多机动目标跟踪

基于随机有限集（RFS）的跳变马尔可夫系统（JMS）是多机动目标跟踪的有效方法。但现有的方法假设杂波密度是先验已知的,而实际中杂波密度是未知且可能随着环境的改变而变化。针对这一问题,提出了一种适用于线性高斯模型的未知杂波密度下多机动目标跟踪算法。该算法以未知杂波密度高斯混合概率假设密度（λ-GMPHD）滤波为基础建模杂波和真实目标,采用线性高斯JMS模型描述目标机动,推导了未知杂波密度下多机动目标跟踪的GMPHD迭代解析表达式。仿真结果表明,所提算法可实现对于杂波密度以及目标数和目标状态的准确估计。