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。      

基于特征模型的高超声速飞行器姿态控制器与自适应滤波算法的设计

提出一种基于特征模型的强跟踪无迹卡尔曼滤波（CSUKF）算法对状态和参数进行联合估计,利用特征模型参数构造时变的二阶状态转移阵,使滤波和辨识模型简化;结合强跟踪滤波（STF）的强跟踪能力和无迹卡尔曼滤波的（UKF）的非线性高逼近性对含测量噪声的高超声速飞行器系统进行参数辨识和滤波,并将其与非线性黄金分割自适应控制律相结合,对高超声速飞行器进行姿态控制.最后,将提出的CSUKF与基于特征模型的无迹卡尔曼滤波（CUKF）和基于特征模型的普通扩展卡尔曼滤波算法（CEKF）进行比较,仿真结果说明CSUKF与非线性黄金分割自适应控制律相结合可以有效改善控制的平稳性,且具有更好的滤波精度和系统输出,从而能更好地处理含测量噪声情况下的高超声速飞行器的辨识与控制问题.     

基于随机模型近似的再入目标自适应跟踪算法

针对再入目标跟踪问题,基于加速度动力学模型和随机模型近似思想,提出了分段匀Jerk自适应模型及跟踪算法.该算法引入Jerk动力学模型和Jerk分段均匀假设,给出了机动加速度的递推模型;根据随机模型近似思想提出了新的过程噪声定义方法并给出了分段匀Jerk模型和过程噪声的自适应方法;结合状态扩展方法和分离差分滤波算法实现了再入目标的实时自适应跟踪.仿真实验表明,相比基于分段匀加速模型的跟踪算法,该算法在保证了再入目标稳态跟踪精度的同时,对目标突变状态具有较强的跟踪能力.      

自适应关联波门机动群目标跟踪算法

为解决中心群跟踪（CGT）算法中由于群机动造成的量测丢失、估计误差增大的问题,提出了一种基于自适应关联波门的机动群目标跟踪算法。首先,将CGT算法与交互式多模型（IMM）算法结合,并利用最新量测信息对IMM算法中的转移概率矩阵进行实时修正。其次,设计了一种用于整体机动和分离机动的自适应关联波门,根据机动时刻模型的新息协方差对其进行自适应调整,确保量测点迹进入波门。仿真结果表明,所提算法一方面减小了传统固定转移概率矩阵带来的估计误差,将优势模型的平均概率由0.58增加到了0.7;另一方面,设计的自适应关联波门有效解决了目标机动带来的有效量测减少的问题,相比于传统波门,目标失跟率减少了30%,具备工程实用性。      

基于AIGWO-IMMUKF的目标跟踪算法

针对目标跟踪算法中滤波器选择和模型设计问题，提出了一种具有自适应性的交互式多模型无迹卡尔曼滤波（IMMUKF）目标跟踪算法。首先，介绍了IMMUKF的算法步骤；其次，提出运用改进的灰狼优化（IGWO）算法优化其中的滤波参数，通过构造调节因子建立了时变的Markov状态转移概率，形成了AIGWO-IMMUKF算法，并给出其算法流程；最后，将所提AIGWO-IMMUKF算法与传统算法在相同条件下进行仿真，得出位置、速度均方根误差曲线，以及时效性对比。结果表明，所提AIGWO-IMMUKF算法克服了传统IMMUKF算法的不足，提升了算法性能，精度和时效性都更优。      

基于耦合气动参数的HGV多模型估计

利用气动参数对未知气动力建模是提高高超声速滑翔目标跟踪精度的有效途径。对目标气动加速度及其导数项进行分析,在非耦合气动参数模型的基础上,考虑气动加速度在转弯和俯仰方向存在的先验信息,推导滚转和螺旋2种耦合气动参数模型。利用一种分离估计模型对目标状态与气动参数进行估计,分别给出状态滤波器和气动参数滤波器的表达式。同时,考虑不同飞行模式下参数的机动频率,构建基于耦合气动参数的交互多模型跟踪算法。仿真表明,本文所提算法精度显著高于针对该类目标的其他跟踪算法。同时,滚转模型的性能优于螺旋模型,且计算复杂度更小。      

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.     

基于模型混合的多分辨率多模型跟踪算法

在原有的多分辨率多模型算法的基础上引入了滤波器混合的方法,提出了一种新的机动目标跟踪算法.原多分辨率算法在多分辨率框架下应用硬切换多模型算法,改善了多模型算法在非机动段的跟踪性能,但是保留了硬切换算法的固有缺点.交互式多模型算法由于采用模型混合,避免了硬切换算法存在的问题,但是非机动段的跟踪性能不如多分辨率多模型算法.所提出的新算法综合了两者的优点,不仅解决了多分辨率多模型算法中存在的问题,而且其综合滤波性能优于交互式多模型算法.      

基于遗传算法的多模型Kalman滤波算法 及应用研究

基于长航时无人机惯性/天文/卫星(INS/CNS/GPS)组合导航系统模型,针对复杂环境所引起的系统模型参数变化导致单一固定参数滤波器精度降低问题,提出了一种基于遗传算法的多模型自适应Kalman滤波算法,并与单一模型下的Kalman滤波器方法进行了比较.仿真结果表明,与采用单一模型的Kalman滤波算法相比,该方法不仅能大大提高导航系统的精度和可靠性,而且还可以较好地辨识出组合导航系统惯性器件噪声统计模型参数.      

基于数据驱动的弹性高超声速飞行器控制方法

高超声速飞行器存在气动非线性强、复杂振动干扰等特点,参数不确定性大条件下传统依赖于精确模型的控制方法品质下降明显,需要进一步提高控制系统在线适应能力。针对弹性高超声速飞行器过载跟踪性能在线优化和弹性振动影响下的控制参数优化问题,提出了一种基于数据驱动的自学习控制方法,首先将高超声速飞行器输出反馈控制问题转化为状态反馈形式,采用鲁棒自适应动态规划算法设计了适用于过载跟踪问题的无模型控制参数在线优化方法,然后针对飞行器复杂弹性振动干扰的问题,提出了基于陷波滤波器的自适应动态规划控制方法,从而保证了振动影响下的控制参数在线优化效果。仿真结果表明,在不依赖于准确模型参数的条件下,所提的方法能够有效实现弹性振动干扰下的控制参数在线优化,并提高过载跟踪控制品质。     

多模型GGIW-GLMB算法跟踪机动群目标

针对多个机动群目标跟踪问题,提出了一种多模型伽马高斯逆威夏特-广义标签多贝努利（MM-GGIW-GLMB）算法。采用多模型算法对群目标进行运动建模,利用最适高斯（BFG）近似在预测阶段对多模型进行融合,减小了多模型算法的运算量,为进一步提高算法在目标机动阶段的跟踪性能,引入强跟踪滤波器（STF）对BFG算法得到的预测状态协方差进行修正。利用最优次模式分配（OSPA）距离及其一倍标准差和航迹标签正确率衡量算法对机动群目标的跟踪性能。仿真结果表明,本文算法能够提升对机动群目标的跟踪精度和稳定性。      

利用一次雷达实现低空空域的安全监视

介绍了一种低成本的低空空域雷达监视实验系统,并提出了一种基于雷达平面位置指示(PPI,Plane Position Indicator)图像的目标检测与跟踪算法,其中杂波抑制和目标状态估计是两项关键技术.经过背景差分的雷达PPI图像,仍然含有大量的背景边缘杂波,该算法利用其空域特性进行杂波抑制,并采用交互式多模型(IMM,Interactive Multiple Models)方法对目标的匀速、加速、减速、转弯等机动运动进行跟踪.详细分析了仿真数据的跟踪效果,并将整套算法应用于两组实测PPI图像,实验结果说明其有效性.     

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.     

高超声速巡航飞行器在线自适应反馈控制设计

由于飞行器模型的强非线性,各种建模不确定性以及飞行环境的复杂性,高超声速飞行器控制成为一个研究难点.针对某类具有参数不确定性的非线性系统,提出了一种反馈线性化与自适应估计相结合的方法,对非线性系统的输入输出动态应用反馈线性化处理以得到拟线性模型,并设计反馈控制律;对不确定参数采用自适应在线估计,利用Lyapunov方法分析稳定性;针对选择不同输出的情况,对如何消除内动态进行了讨论.为了验证该方法的可行性,将其应用于某高超声速飞行器巡航段纵向非线性模型,对速度和高度通道进行跟踪控制仿真,由于飞行器和大气环境存在建模不确定性,利用自适应控制对不确定参数进行在线估计.仿真结果显示该方法能够快速收敛,并且具有良好的在线自适应能力.