基于四元数平方根容积卡尔曼滤波的姿态估计

针对飞行器姿态确定中乘性扩展卡尔曼滤波(MEKF,Multiplicative Extended Kalman Filter)在较大初始姿态误差角情况下存在估计精度低及收敛速度慢的问题,提出了一种四元数平方根容积卡尔曼滤波(QSCKF,Quaternion Square-root Cubature Kalman Filter)算法.在推导姿态确定系统四元数非线性误差模型的基础上,采用容积数值积分理论来计算非线性函数的均值与方差,同时使用平方根的形式来提高数值稳定性;针对四元数规范化问题,采用拉格朗日代价函数法求解四元数加权均值.仿真结果表明:在初始姿态误差较大的情况下,该算法相比较于MEKF以及无迹四元数估计法(USQUE,Unscented Quaternion Estimator),估计精度高且收敛速度快,滤波稳定性好,同时估计时间比USQUE缩短了1/3.     

基于四元数平方根容积卡尔曼滤波的姿态估计

针对飞行器姿态确定中乘性扩展卡尔曼滤波(MEKF, Multiplicative Extended Kalman Filter)在较大初始姿态误差角情况下存在估计精度低及收敛速度慢的问题,提出了一种四元数平方根容积卡尔曼滤波(QSCKF,Quaternion Square-root Cubature Kalman Filter)算法.在推导姿态确定系统四元数非线性误差模型的基础上,采用容积数值积分理论来计算非线性函数的均值与方差,同时使用平方根的形式来提高数值稳定性;针对四元数规范化问题,采用拉格朗日代价函数法求解四元数加权均值.仿真结果表明:在初始姿态误差较大的情况下,该算法相比较于MEKF以及无迹四元数估计法(USQUE, Unscented Quaternion Estimator),估计精度高且收敛速度快,滤波稳定性好,同时估计时间比USQUE缩短了1/3.     

基于ST-SRCKF的超高速强机动目标跟踪算法

针对超高速强机动目标运动模型难以准确建立且观测数据易出现不良量测而导致滤波发散的问题,提出一种适用于超高速强机动目标的跟踪算法。该算法根据正交性原理推导了一种新的强跟踪平方根容积卡尔曼滤波（ST-SRCKF）结构,并引入多重渐消因子,渐消因子求解方法和作用位置均不同于已有的ST-SRCKF。根据新息的统计学特性,即新息协方差矩阵的迹服从卡方分布,建立了一种改进的CS-Jerk模型,该模型对目标机动的描述更准确,它与改进ST-SRCKF算法的结合实现了对超高速强机动目标的高精度跟踪。仿真结果表明,改进算法对超高速强机动目标的跟踪性能更佳。      

基于STF和加权改进的群目标跟踪算法

为了进一步提高群目标交互多模型跟踪算法的估计性能,提出一种改进的群跟踪算法.首先,通过采用模型转换概率的自适应算法,优化模型与目标运动模式的实时匹配.并通过引入强跟踪滤波（STF,Strong Tracking Filter）中的渐消因子,提高机动阶段时的群质心的状态估计精度.其次,分别利用概率加权法和标量加权法完成群质心状态和扩展状态的融合估计.最后在变分贝叶斯滤波的基础上,建立完整的跟踪算法流程.仿真实验结果表明,该方法不仅能够提高群质心状态和扩展状态的估计精度,还能有效降低机动阶段时的峰值误差.     

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。     

基于模糊逻辑的交互式多模型滤波算法

针对交互式多模型（IMM）滤波算法在对反舰导弹的"蛇形"机动方式进行跟踪时收敛速度慢、滤波精度低的问题。在三维空间内,假定目标以匀速直线和"蛇形"机动2种方式进行运动,以相对距离和视线角为观测信息,对IMM滤波算法的模型概率更新模块进行改进,提出了基于模糊逻辑的交互式多模型（FLIMM）滤波算法。通过仿真对比分析,改进后的算法能够有效地提高收敛速度,进而获得更高的跟踪精度。      

基于交互式多模型鲁棒滤波的目标机动估计算法

针对雷达导引头的测量信息带有闪烁噪声的问题,研究了交互式多模型和鲁棒滤波在雷达导引头目标机动估计中的应用.采用Huber Based滤波理论改进高阶容积卡尔曼滤波,提出高阶容积鲁棒滤波算法,选取Singer模型、“当前”统计模型、常加速度模型作为目标机动模型,建立雷达导引头测量模型,结合交互式多模型算法框架,设计目标机动估计滤波器.蒙特卡洛数字仿真结果表明,所提算法的鲁棒性较强,与传统高斯滤波相比,所提算法对闪烁噪声具有更高的滤波精度.     

低复杂度自适应容积卡尔曼滤波算法

确定采样型滤波算法中的容积卡尔曼滤波（CKF）算法滤波性能优良,但是却难以克服目标模型不确定性或者目标状态突变带来的影响。构造强跟踪CKF能有效改善算法的自适应性,但是在求解渐消因子时大大增加了计算量。为此,提出一种低复杂度自适应CKF算法,通过设立基于新息的自适应修正判决准则和修正方式,直接对状态预测值进行修正,使滤波算法能及时跟上目标真实状态,以提高滤波精度。使用浮点操作数计算并分析了CKF算法、强跟踪CKF算法及所提算法的复杂度,同时将3种算法应用在建模不准确的目标跟踪中,并进行仿真验证。仿真结果表明:在目标建模不匹配的情况下,低复杂度自适应CKF算法和强跟踪CKF算法都能保持较好的滤波精度和数值稳定性,同时所提算法在算法复杂度上有明显改善。      

基于事件驱动的容积卡尔曼滤波定位算法

以网络化非线性滤波系统为研究对象,为了平衡系统的通信率和滤波精度之间的矛盾,引入随机事件驱动（stochastic event-triggered）的思想,并在此基础上建立了基于残差检测的事件驱动（detected event-triggered）模型。针对系统的强非线性,将线性随机事件驱动滤波系统中的更新结论推广至非线性系统,推导了两种事件驱动机制在容积卡尔曼滤波（CKF）算法框架中的滤波更新过程,得到了检测事件驱动CKF（DECKF）和随机事件驱动CKF（SECKF）两种算法。最后,通过天基平台空间目标跟踪问题对算法性能进行检验。仿真结果表明,当通信率下降20.64%时,DECKF算法的位置跟踪精度和速度跟踪精度相比标准CKF仅下降了5.50%和7.74%。此外,在通信率相同的情形下,DECKF比SECKF的精度高40%以上,证明检测事件驱动模式优于随机事件驱动模式。     

基于最小化新息协方差的修正SRCKF算法

目标跟踪过程中的模型误差会使得平方根容积卡尔曼滤波（SRCKF）性能下降,滤波精度降低;自适应滤波中的修正卡尔曼滤波（AKF）算法可以有效解决这一问题,但是难以应用到非线性滤波中。为了克服模型误差带来的不利影响,同时,进一步提高修正思想的应用范围,在SRCKF的基础上,基于最小化新息协方差准则推导了修正系数的向量形式,提出修正SRCKF(ASRCKF)算法。所提算法通过利用后期的测量数据,增加对测量值的信任度,从而达到对目标模型误差进行补偿的目的。仿真结果表明：与SRCKF和强跟踪SRCKF算法相比,所提ASRCKF算法能有效抑制模型误差,有着更优的滤波性能。     

基于AVSIMM算法的高超声速再入滑翔目标跟踪

针对跟踪高超声速目标的交互式多模型（IMM）算法中存在模型数量过多,模型之间竞争导致滤波精度降低的问题,在自适应网格交互式多模型（AGIMM）算法的基础上,提出了一种自适应变结构交互式多模型（AVSIMM）算法跟踪高超声速再入滑翔目标。根据高超声速无动力再入滑翔目标当前机动状态的角速度参数,在自适应调整当前时刻模型集中参数的同时,针对AGIMM算法运动学模型的单一性,设计了具有多种跟踪滤波运动学模型的AVSIMM算法,通过模型集参数与算法结构的双重自适应调整实现了对目标高精度的跟踪。仿真结果表明,与AGIMM算法相比,所设计的AVSIMM算法不仅对结构和参数都具有更强的自适应性,同时提高了高超目标的跟踪精度和跟踪效率。      

微小卫星鲁棒自适应姿态确定算法

基于磁强计测量的微小卫星姿态确定系统中,由于状态方程和测量方程均为轨道参数的函数,因此在轨道估计存在误差的情况下,标准的扩展卡尔曼滤波算法（ExtendedKalmanFilter,EKF）并不能获得姿态的最优解。针对轨道确定误差对姿态确定的影响,基于自适应滤波及鲁棒估计原理,提出了鲁棒自适应卡尔曼滤波（RobustAdaptiveKalman Filter,RAKF）算法。该算法通过构建合理的膨胀因子和自适应因子,自动调节观测噪声方差矩阵和一步预测方差矩阵的大小,从而改变旧有数据及观测信息在滤波中的权重,获得更合理的卡尔曼增益,使滤波器获得近似最优结果。基于标准卡尔曼滤波的稳定性理论,证明了若系统一致完全可控并且一致完全可观,该滤波器是一致渐近稳定的。数学仿真表明,与EKF相比,RAKF能够将欧拉角估计精度从0.3°提高到0.2°,从而证明了该算法的有效性。     

航天器轨道机动过程中的自主导航方法

典型的航天器自主天文导航方法利用地球敏感器和星敏感器的观测信息,根据轨道动力学模型和测量信息,采用扩展卡尔曼滤波算法（EKF）估计航天器位置矢量。为了在航天器轨道机动过程中减小滤波器的估计误差,设计了用于航天器自主导航的自适应鲁棒扩展卡尔曼滤波（AREKF）算法。仿真结果表明,采用AREKF算法能够有效地减小推力不确定性的不利影响,在不增加导航敏感器的前提下改善系统的导航性能,取得优于传统EKF算法和自适应扩展卡尔曼滤波（AEKF）的估计精度。     

基于Jerk输入估计的MCS模型及非线性跟踪算法

针对强机动目标跟踪问题,基于当前统计(CS,Current Statistical)模型、改进输入估计 (MIE,Modified Input Estimation)和无迹强跟踪滤波器,提出了一种新的自适应目标跟踪算法.该算法引入Jerk输入估计改进了当前统计模型的状态方程和机动加速度方差调整方法,利用改进的无迹强跟踪滤波器实现了状态协方差、状态噪声协方差和机动频率的联合自适应.在没有加速度先验知识的情况下,能够实时准确跟踪目标连续强机动、匀加速机动和匀速运动状态.仿真实验表明:相比CS模型无迹滤波算法、CS模型无迹强跟踪算法和交互多模型算法,该算法在对目标强机动的适应性、跟踪精度和对突变状态跟踪的收敛性方面都有更好的性能.     

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.     

实时棒材图像识别与跟踪方法研究

多目标识别跟踪的关键问题是特征提取和目标匹配.为了提取生产线上堆积棒材的特征,提出粘连目标分割和多目标识别的方法.采用中值滤波和形态学滤波去除噪声,自适应阈值化和分水岭变换分割粘连目标;然后采用区域统计、参数识别、噪声区域去除以及聚类分析等手段进行目标特征识别,提取出棒材的质心点坐标作为特征;对棒材图像序列提出采用模板匹配、相近位移匹配和Kalman滤波的方法建立跟踪链,通过插入、删除、更新链节点进行目标跟踪;对于图像处理中可能出现的漏检目标和虚增目标,进行了计数结果校正.在现场采集了100帧连续图像后,采用此方法跟踪计数的精度为96.2%.      

一种用于目标跟踪的UT-BLUE滤波方法

雷达机动目标跟踪问题中,通常目标运动模型可精确地在直角坐标系下建模,但大多数情形下模型是非线性的,同时在传感器坐标系下所获得目标量测又是直接可用的.通过将无迹变换与最优线性无偏滤波器有机结合,提出一种新的BLUE(Best Linear Unbiased Estimator) 滤波算法,以便解决上述非线性跟踪问题.首先,该算法利用无迹变换对经由直角坐标系下非线性目标运动模型得到的目标状态及其协方差作出预测,然后在保持传感器坐标系(极坐标系)下所固有的量测误差的同时,直接对它们作出状态估计.在算法推导及Monte-Carlo仿真过程中,将新的BLUE滤波算法和EKF(Extended Kalman Filter)、UKF(Unscented Kalman Filter)滤波算法进行比较,结果表明新算法的有效性和适用性.