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。     

一种用于SINS行进间对准的模糊抗野值滤波算法

针对观测存在野值的非线性系统滤波问题，本文综合运用多高斯和近似算法(GSA)、贝叶斯公式、马尔科夫链蒙特卡洛算法(MCMC)以及集合卡尔曼滤波算法(EnKF)设计了一种能从状态后验分布中抽取粒子的改进粒子滤波算法，并根据模糊理论为此改进算法设计了模糊抗野值功能，从而提出了模糊抗野值集合粒子滤波算法，命名为REnPF。GPS辅助SINS行进间对准的仿真实验表明，REnPF能够很好地避免虚警、漏检问题，并能提供良好的滤波精度。     

状态估计中两种非线性滤波算法的对比研究

分析了粒子滤波算法和Unscented卡尔曼滤波算法的原理和算法实现；在状态估计模型中对两种算法的适应性进行了比较。通过实例进行仿真，结果表明粒子滤波算法估计精度比UKF算法高，但是计算量却相对较大。     

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。     

Rao—Blackwellized粒子滤波在SINS／GPS深组合导航系统中的应用研究

在组合导航系统数据处理中,有时会出现线性非线性混合模型的高维滤波问题,此时采用传统的线性卡尔曼滤波无法直接处理,而一般的非线性粒子滤波计算量往往很大,难以满足导航系统实时性要求.因此,本文提出了利用Rao-Blackwellized(R B)思想对上述组合导航滤波模型进行分块处理,对于线性子空间采用卡尔曼滤波方法,对于非线性子空间采用粒子滤波方法.优化处理后的粒子滤波维数从20减少到3,使抽样所需的粒子数大大减少.通过仿真验证表明,在选取相同粒子数目前提下,本算法的滤波精度明显提高,并有效保证了导航计算的实时性.     

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.     

关于卫星姿态确定非线性滤波算法的研究

本文探讨了利用方位矢量和陀螺速率观测信息确定卫星姿态的问题。该问题实际上是一个非线性/非高斯状态滤波问题,因此,经典的基于EKF和UKF算法的姿态滤波器有可能失败,尤其是当初始状态的先验估计不可能精确得知的情况下。近来,粒子滤波理论已经开始应用于姿态确定问题,但是,这类算法往往需要大量的“粒子”,这对有限计算能力来说是一个沉重的负担。为此,本文尝试利用双重滤波方法,在每个序贯估计过程中,将有陀螺姿态确定问题暂时分解为1个四元数估计问题和1个陀螺常漂参数估计问题。本文提出了2个双重滤波器,包括1个姿态确定双重粒子滤波器和1个姿态确定的混合型滤波器。这两者都采用一个相同的四元数粒子滤波器,但在粒子重采样和平滑处理方面,不同于近来提出的类似滤波器。至于陀螺常漂估计,双重粒子滤波器发展了一个辅助粒子滤波器,而混合滤波器中则发展了一个参数UKF滤波器。通过与经典的姿态确定滤波器的仿真比较,证实了本文新提的2个算法的有效性和优越性。
     

H∞滤波与粒子滤波在SINS传递对准方面的比较研究

为提高传递对准的精确性和鲁棒性,将H∞滤波和粒子滤波运用到SINS动基座传递对准,并对H∞滤波和粒子滤波应用于传递对准的鲁棒效果进行了比较。仿真结果表明,在有色噪声和白噪声强度较小时,两种滤波方法的滤波精度差别不大,但当有色噪声和白噪声强度较大时,粒子滤波精度优于H∞滤波。并且就估计精度而言,其鲁棒性优于H∞滤波,但H∞滤波的估计速度优于粒子滤波。     

免微分非线性Bayesian滤波方法评述

以非线性递推Bayesian滤波问题的求解及其历史渊源为起点,分两类对各种免微分非线性Bayesian滤波方法或免微分方法的原理和算法进行了评述:一类是以线性最小均方误差最优估计子为特点的免微分高斯滤波,包括无味卡尔曼滤波、均差滤波器、中心差分滤波器和Gauss-Hermite滤波器或积分卡尔曼滤波器;另一类是后验密度数值逼近免微分方法,包括栅格法(GBMs)与近似栅格法、矩近似法和以粒子滤波为代表的Monte Carlo方法.其中还包括了作者的一些最新研究成果,如迭代UKF算法、裂变自举PF算法和关于粒子滤波算法有限收敛界的概念等.之后从加权统计线性回归的角度对两类免微分方法进行了统一认识,统一为以数值方法为特点的广义PF.为了建立一个关于各种免微分算法性能的整体印象,论文还通过一个复杂的递推非线性滤波估计例子,用MonteCarlo仿真实验的方法对7种典型的免微分方法和和传统的EKF算法进行了比较研究.最后对两类免微分方法进行了简单的比较,并指出了进一步研究的方向.     

改进高斯混合粒子滤波的纯方位目标跟踪算法

针对纯方位跟踪系统非线性较强、传统跟踪滤波方法收敛速度慢且容易发散的问题,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。该算法基于Sigma点卡尔曼滤波(SPKF)和粒子滤波的特点,用有限的高斯混合模型来近似后验状态密度、系统噪声和观测噪声的分布。利用贪心EM算法实现模型的降阶,一定程度上克服了EM算法假定混合成分数为已知、迭代的结果需要依赖初始值、可能收敛到局部最大点和可能收敛到参数空间的边界的缺点,从而改善粒子枯竭的问题。仿真实验结果表明在纯方位跟踪领域,与传统粒子滤波(PF)和基于EM的高斯混合粒子滤波相比,该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。