一种TASIMM-UKF导弹状态估计方法

为了提高对机动导弹状态估计的精度和速度,提出了一种三轴分离IMM-UKF(TASIMM-UKF)滤波算法。将导弹运动状态按坐标轴方向进行三轴分离,并基于CV,CA和CJ模型集,采用无迹卡尔曼滤波器并行估计导弹三轴状态信息,有效地解决了导弹不同运动轴间的模型竞争问题。仿真结果表明,该方法能有效提高状态估计精度,缩短了估计时间,对复杂大机动目标状态估计具有良好的性能。     

常增益变采样率自适应滤波

作者曾给出一种跟踪飞机机动的自适应滤波,采用直角坐标系中的9维状态量,利用最优检测统计量探测目标机动,并用估计到的机动加速度修正目标的预报值。 本文将在文献[1]的基础上,提出两种简化自适应滤波。其一,采用两套直角坐标系中的9维卡尔曼滤波,其中的一套滤波用于取代最优检测统计量,完成对目标机动的探测和估计的功能;其二,采用三通道解偶的常增益变采样率自适应滤波。     

增广误差模型算法在目标跟踪中的应用

针对目标机动运行过程中,滤波模型与机动状态模型失配的问题,提出了一种新的增广状态误差滤波模型。不同于现有增广方案,该模型从模型失配所致状态滤波误差的角度出发,将状态估计误差增广为一状态量,通过滤波估计后用其校正原状态量。算法分析表明,该增广滤波模型具有自适应调节多重渐消因子的等效特性,增强了对目标的跟踪能力。基于该增广状态误差滤波模型,给出了滤波算法设计并进行了仿真实验。实验结果表明,基于该模型的滤波算法在对机动目标进行跟踪时具有更强的鲁棒性。     

交互多模型PHD滤波跟踪多目标方法

在机动多目标跟踪问题中,目标数未知或随时间而变化,概率假设密度（PHD）滤波可以在每一时间步估计多目标状态和目标数,但单模型方法不能给出精确的估计。提出了一种交互多模型PHD滤波方法,建立多模型描述多目标运动方式,利用PHD滤波结合多模型跟踪目标运动轨迹。同时,给出了多传感器交互多模型PHD滤波方法,以提高目标跟踪精度。     

一种IRST双机协同被动探测机动目标定位新方法

针对红外搜索跟踪系统（IRST）双机协同被动探测定位作战使用中，机动目标建模与实际运动失配造成定位误差偏大的问题，研究了一种基于曲线模型的自适应滤波新方法。该方法改进了传统方法根据方向角估计转弯率以及基于帧间插分线加速度估计切向加速度的思路，将转弯率及线加速度联合作为状态变量进行了状态扩维，并推导了扩维后的过程噪声协方差表达式，在缓解传统两层滤波结构带来的计算量大问题外，也提高了切向加速度的估计精度。另外基于反正切函数的值域，结合方向角在四象限间的转移关系，优化了方向角的设计。通过IRST双机协同仿真实例，验证了所提方法对机动目标的适应性更强、目标定位精度更高。     

机动目标的多项式预测模型及其跟踪算法

根据匀变速运动的多项式描述形式,利用多项式预测滤波器对目标状态建模,提出了一种全新机动目标运动的动态模型——多项式预测模型,并针对这个全新的模型给出了相应的最优滤波算法。分析表明：该模型可以精确描述任意可以由多项式描述的目标运动,而不需要已知运动的具体参数,因此相应的最优滤波算法适用于任何可以用多项式描述的机动目标状态估计问题。一个机动目标跟踪问题的计算机仿真证明了本文方法的有效性和实用性。     

强跟踪滤波在高超声速滑翔目标跟踪中的应用

高超声速滑翔目标(HGT)机动模式复杂多样、轨迹形态灵活多变,增加了跟踪模型建模的不确定性,导致目标跟踪的精度低。为了提高跟踪精度,提出了一种基于强跟踪滤波的高超声速滑翔目标跟踪方法。首先,在地基雷达坐标系下建立目标运动模型和量测模型,利用维纳随机过程来表征运动模型中未知项的变化特性。其次,采用强跟踪无迹卡尔曼滤波(UKF)算法对目标运动状态进行估计,提高模型不确定性存在时滤波器的状态跟踪能力。最后,利用目标常用的基于标准轨迹的制导方法生成了一条可行飞行轨迹。仿真结果表明,该方法的跟踪精度高,强跟踪滤波能够有效降低模型不确定性存在时的状态估计误差。     

跟踪飞机机动的自适应滤波方法

本文研究了对目标机动的最优检测问题,针对飞机主要有三种飞行状态:匀速直线运动、加速直线运动与圆运动这一特点,提出了既探测飞机机动又同时判断飞机作何种形式的机动的方法;并建议对飞机的不同飞行状态,采用相应的动态模型。在此基础上,给出了自适应滤波方法。最后给出的仿真计算果表明,自适应滤波方法有较高的跟踪精度。     

通信约束下UAV集群协同拦截任务分配算法

针对多无人机协同拦截多机动目标的任务分配问题,同时考虑到真实战场环境中存在的通信约束以及探测范围约束条件,本文提出了分步一致性拍卖算法（SCBAA）。首先,对真实战场环境中存在的通信约束以及探测范围约束等问题进行了描述分析,构建了多无人机协同拦截任务分配模型,设计了综合效能函数以及相应约束条件。其次,为解决多无人机协同打击单一目标的不平衡任务分配以及冲突消解问题,将原任务分配过程分为主要任务分配以及次要任务分配两部分,通过多次拍卖以及冲突消解实现多无人机对单一目标的任务分配。仿真结果表明,该算法可有效解决通信约束条件下的分布式多无人机协同拦截问题,并适应动态环境中任务分配对实时性的要求。     

一种新的基于机动检测的机动目标跟踪算法

针对Kalman滤波跟踪机动目标发散和目前多数自适应Kalman滤波算法对运动模型适应性不强的问题,提出了一种新的基于机动检测的机动目标跟踪算法,通过实时自适应的改变滤波模型提高对机动目标跟踪精度。对这种方法与Kalman滤波算法进行了计算机仿真比较,结果表明,该方法计算量小,可实时精确地自适应匹配目标的运动模型,可实现对机动目标稳定可靠的跟踪。     

基于交互多模型和中值滤波的加速度估计方法

针对交互多模型算法对目标加速度估计误差较大的不足,提出了一种基于交互多模型和中值滤波的目标加速度估计方法.通过对交互多模输出的加速度信息进行中值滤波提高对加速度估计的精度.计算机仿真表明,该方法比交互多模型对匀速目标,特别是机动目标具有更好的加速度估计能力,且便于工程实现.     

基于IMMKF算法的ADS-B监视应用目标跟踪

目标跟踪是机载广播式自动相关监视（ADS-B）应用的基础功能,对提升航空器周边的弱机动民航飞机目标跟踪性能具有重要意义。提出一种基于交互式多模型卡尔曼滤波（IMMKF）算法的ADS-B 监视应用目标跟踪方法。首先,针对弱机动背景下的民航飞机的飞行特点,建立包含匀速模型和标准协同转弯模型的运动模型集,并对模型进行线性化近似;然后,将模型预测和ADS-B 状态矢量量测数据作为IMMKF 算法中多个并行卡尔曼滤波器的输入,进行并行滤波;最后,计算得到目标状态矢量的估计和模型近似概率,并作为下一次迭代的输入。结果表明：相比于基于匀速模型的卡尔曼滤波目标跟踪方法,IMMKF 方法的位置跟踪误差降低了59%,速度跟踪误差降低了77%,显著提升了状态估计性能,具备较高的跟踪精度、稳健性与计算效率,在ADS-B 监视应用中具有实际应用价值与借鉴意义。     

基于试探机动算法的专家系统优化方法

在进行无人机自主决策系统的设计中,专家系统方法是一种工程可行性高的常用设计方案。专家系统方法能够充分利用空战理论和专家经验,提供合理的建议。但是传统的专家系统在实际应用中,存在规则前件无法匹配规则而导致决策失败的问题,一定程度上限制了专家系统的应用范围。针对这一问题,提出了一种试探机动选择算法,该算法可以根据当前飞行状态和敌我两机的相对态势,对专家系统规则无法匹配情况下的决策结果进行优化,从而得到更好的决策结果。     

基于IMM-UIF的多无人机纯角度机动目标跟踪

针对单无人机不能及时捕捉到目标的运动状态信息,很容易跟丢目标的问题,结合无迹信息滤波(UIF)算法和交互多模型(IMM)算法,提出了基于IMM-UIF的多无人机分布式融合估计算法。将各个无人机上的观测信息传输至中心节点,并统一优化各无人机的控制输入。仿真结果表明,基于IMM-UIF的多无人机分布式融合估计算法比基于IMM-UIF的单无人机跟踪精度提高了约30%,有效融合多无人机平台的量测信息,实现对目标稳定的高精度跟踪。     

一种实时飞行轨迹重构方法

提出一种有效的实时纵向飞行轨迹重构的新方法。为了得到状态估计的快速算法,本文把非线性飞行轨迹重构转化为线性、离散、时变状态和参数估计问题。将数值稳定性好、计算量也小的序列U-D分解滤波算法用于状态方程为线性、观测方程为线性或非线性的滤波问题中。由于测量值中常常含有系统偏差,本文把这些偏差作为增广状态加入增广状态模型中,并利用模型的一些特点,提出偏差分离的U-D分解算法,使计算量大大减少。仿真和实际试飞数据计算表明、本文的方法可得到比平方根协方差滤波更有效的实时飞行轨迹重构结果。     

基于滤波扩张观测器的有限时间收敛制导律

为提高拦截机动目标的精度,基于滤波扩张状态观测器提出了一种考虑自动驾驶动态特性的有限时间收敛制导律.通过滤波扩张状态观测器对制导律中目标机动信息进行补偿,使导弹在拦截目标时具有更高的拦截精度.仿真结果表明,在目标机动情况下,设计的制导律能保证视线角速度在有限时间内收敛到零,拦截弹过载较小,具有较好的动态特性和鲁棒性.同时与普通的扩张观测器的估计结果相比,滤波扩张状态观测器对机动目标的跟踪效果较佳.     

带通信约束的多无人机协同搜索中的目标分配

为了研究通信约束对多无人机(UAV)协同搜索中目标分配任务的影响,提出了一种带通信约束的多无人机协同搜索中的目标分配方法,研究在通信约束条件下多无人机在协同搜索中如何进行目标分配。首先,基于无人机数学模型和搜索模型,建立了目标分配模型。其次,分析了通信约束条件,如通信距离限制、通信角度限制和通信时间延迟等对目标分配的影响,限定多无人机在通信距离和角度范围内才能通信,使用蒙特卡罗法来验证通信距离和角度对目标分配的影响,同时采用基于状态估计的无人机状态信息补偿方法来消除通信延迟的影响。仿真验证了带通信约束的多无人机协同搜索中的目标分配方法的合理性。     

基于记忆融合模式的多无人机分散式协同导航方法

针对多无人机协同交互过程中存在的通信时滞问题，提出基于记忆-融合的多无人机分散式协同导航算法。在无人机惯性和全球卫星导航系统（GNSS）紧组合导航框架基础上，建立含时滞影响的系统状态向量，并对系统状态误差及其方差进行推导，进一步构建关于各无人机状态的最优估计模型，并基于状态误差方差最小准则对状态进行最优估计。建立了基于机间相对测量的多无人机分散式协同导航算法，提出了基于记忆融合模式的时滞处理方法。在GNSS可获取及拒止环境下进行多无人机协同导航仿真与实验测试，结果表明，所提出的基于记忆-融合的分散式协同导航算法能有效补偿通信时滞造成的精度损失，有效提高定位精度。     

包含乘性噪声自适应修正的非合作目标相对导航算法

无人机（UAV）态势感知的任务是利用机载传感器对未知环境进行目标识别和引导,针对无人机与非合作目标间中远距离的相对导航问题,提出了一种基于角度和距离量测的相对状态估计算法。在现有滤波算法的基础上,为了提高精度和稳定性,本文利用了列文伯格-马夸尔特（LM）优化的思想对迭代卡尔曼滤波（IEKF）算法进行改进,提出了一种LM-IEKF算法,并推导该算法在迭代过程中的状态更新方程及协方差阵的递推公式。在此基础上,考虑到距离传感器由于信号相关特性而引入的乘性噪声,现有的加性噪声模型难以适应,因此,进一步提出了基于量测噪声自适应修正的Modified LM-IEKF方法,通过在线实时更新噪声阵提高滤波的精度,并设置渐消记忆指数平滑估计结果。算法验证结果表明,与现有的EKF、IEKF算法相比,在仅含加性噪声的情况下,LM-IEKF算法具有更好的性能;在包含乘性噪声的情况下,Modified LM-IEKF可以有效地估计量测噪声,与目前广泛使用的EKF算法相比,在综合相对位置和相对速度精度上分别提高了10%和23%。     

在线学习的循环自适应机动目标跟踪算法

针对机动目标难以精确跟踪的问题,提出了一种可在线学习的循环Kalman神经网络跟踪算法。考虑到状态转移矩阵、量测噪声和过程噪声矩阵在机动目标跟踪中难以实时、离线估计,且在实际应用中对应数据集获取成本高,因此使用在线学习的神经网络对其进行实时估计。由于Kalman滤波算法本身是一种循环结构,将简单的全连接层网络与其嵌合,全连接层网络实时输出状态转移矩阵、量测和过程噪声矩阵估计,构成一种广义的循环Kalman神经网络,根据网络最终输出的位置估计进行端到端的在线学习,并且通过理论推导证明了其在线学习的可行性。将提出的循环Kalman神经网络同3种经典机动目标算法进行了仿真对比,结果表明：循环Kalman神经网络跟踪需要很少的先验信息,在最优区域内较之其他3种算法具有最高的跟踪精度和鲁棒性,并且具有效率高、训练成本低以及可扩展性强的特点。