基于修正模型的自适应跟踪算法

提出一种基于修正模型的自适应跟踪算法（CSM-AKF）。通过状态扩维和机动检测实现模型参数的自适应调整,克服＂当前＂统计（CS）模型中参数预设的负面影响,提高了系统的跟踪精度以及目标在做强机动时的快速响应能力。仿真结果验证了算法的有效性。     

自适应融合IMM的自主无线电载波跟踪算法

针对深空自主无线电接收技术中信噪比(SNR)未知的载波跟踪问题,提出了一种自适应融合的交互式多模型(IMM)算法,可以根据实际环境的信噪比自适应地调节IMM估计器的噪声方差,以实现对未知SNR信号的正常跟踪,并保证频率跟踪精度几乎不受初始噪声方差的影响。在分析系统收敛性的基础上,该算法采用模型概率自适应调整策略,根据系统收敛判断条件自适应地调整IMM模型集中各模型的概率,保证了系统的收敛性,提高了跟踪精度,与广泛使用的Sage-Husa自适应滤波算法相比,收敛时间缩短了一倍左右。     

一种基于强机动的目标跟踪改进算法

针对传统目标跟踪算法鲁棒性较差等问题,提出了一种基于当前统计模型的无迹卡尔曼滤波交互式多模型(IMM-CS-UKF)融合算法。在交互式多模型算法框架内,计算当前统计模型的概率,提高了统计模型的目标加速度和自适应性。该算法结合了交互式多模型和无迹卡尔曼滤波算法,具有对不同机动模式目标的自适应跟踪能力和精度高等优点。仿真结果表明,该算法对以多种机动策略实时机动的目标具有较好的跟踪性能。     

一类基于改进的当前统计模型的目标跟踪算法研究

提出了一种基于改进当前统计模型的交互式多模型算法。在交互式多模型中,利用滤波过程中的新息和新息协方差的变化,对当前统计模型(CS)的机动频率自适应调整,使模型更适应实际。经理论分析Singer,CS模型的先验假设条件,提出了一种改进的匀速运动(CV)模型,以适应目标弱机动的情形,弥补CS模型在目标弱机动时跟踪精度不高的缺点。理论分析和仿真结果验证了提出算法的有效性。     

基于神经网络的目标轨迹预报算法设计

提高轨迹预报精度是反高速机动目标面临的难点之一。本文基于目标运动特性分析,构建跟踪运动模型,采用交互多模型滤波算法完成多模型交互,局部滤波器采用自适应高阶容积卡尔曼滤波算法,通过与强跟踪滤波算法相结合,提高传统的估计精度,进而提高算法的鲁棒性;采用广义回归神经网络设计轨迹预报算法,并在预报过程中引入预报修正量对误差进行修正,通过样本学习提高长时间预报精准度,仿真结果表明,设计的跟踪预报算法在预报精度上较常规算法有较大幅度提升。     

一种提高GNSS测速精度的自适应Kalman滤波算法

在卫星导航系统动态定位中,采用基于瞬时多普勒观测量的最小二乘法确定速度,当载体高机动时,多普勒误差迅速增大,从而导致测速精度大幅度降低。针对该问题,提出一种同时实现动态模型自适应修正和观测模型自适应更新的Kalman滤波算法。算法采用滑动窗方式来建立实时更新的动态模型参数,使当前统计模型自适应地跟踪载体的动态特性。此外,算法提出观测模型的自适应更新方法,通过设置载体状态判决门限,高、中机动时仅进行受动态应力影响小的伪距更新,低机动下添加精度较高的伪距率更新。通过Sprient GSS8000模拟器产生的动态场景验证表明,相对于最小二乘法和常规Kalman滤波算法,提出的自适应Kalman滤波算法能够全面提高载体在多种运动状态下的测速精度。     

新型伪加速度修正自适应滤波算法研究

提出了一种新型自适应滤波算法,该算法采用球坐标系,同时根据当前目标的运动状态实时调整增益.仿真结果表明该算法易于工程实现,可实现机动目标的快速自适应跟踪.     

一种基于Kalman滤波的跟踪控制方法

为了降低无线电测控系统跟踪过程中随机误差分量的影响,提高伺服分系统跟踪精度,提出一种基于Kalman滤波的跟踪控制方法,将Kalman滤波器估计得到的目标角位置与天线实时角位置之间的角误差作为伺服分系统位置环路输入,驱动天线跟踪目标。对基于"当前"模型的Kalman滤波算法进行改进,利用UD因式分解和野值剔除算法防止Kalman滤波过程的不稳定。仿真和实测结果表明,改进的Kalman滤波算法具有很好的数值稳定性,基于Kalman滤波的跟踪控制方法具有较高的静态跟踪精度。     

基于卡尔曼滤波器的高动态GPS载波跟踪环

为解决传统锁相环( PLL)在高动态环境下对全球定位系统(GPS)信号的跟踪精度问题,将自适应渐消滤波和二级卡尔曼滤波相结合研究了一种新的自适应二级卡尔曼滤波算法,并且提出了一种利用新息协方差计算渐消因子的方法,通过自适应渐消因子在线调节误差协方差矩阵补偿不完整信息的影响,使滤波器在系统模型不完整或者噪声统计特性不准确时仍接近最优.基于自适应二级卡尔曼滤波算法提出了一种高动态GPS载波跟踪环的设计方案.仿真结果表明,提出的方案较传统PLL的跟踪精度有显著提高,频率跟踪精度提高到9.28Hz.     

一种带自适应因子的IMM-UKF的GPS/BD-2导航方法

针对GPS/北斗-2(BD-2)卫星导航系统中机动载体运动模型和噪声统计特性不确定性导致滤波精度低的问题,为提高导航定位的精确性和稳定性,提出一种自适应的滤波方法。首先,提出了一种新的自适应UKF(AUKF)算法,该方法将残差序列的协方差矩阵视为过程噪声协方差矩阵的不确定量,基于此采用平滑滤波的方法设计自适应因子,并利用该自适应因子实时调整过程噪声协方差矩阵,减弱了噪声统计特性不确定性对滤波精度的影响;其次,采用交互式多模型(IMM)算法设置模型集M,并通过实时调整模型概率来实现各个模型间的软切换,解决了单一模型对载体运动状态描述不全面而导致滤波精度低的问题。仿真结果证明该算法能有效提高载体在复杂机动状态下的定位精度。     

多星座组合导航自适应联合卡尔曼滤波算法研究

针对多星座卫星组合导航,提出了一种自适应联合卡尔曼滤波算法,采用描述机动载体运动的“当前”统计模型,直接从各卫星导航系统接收机输出的定位信息入手,将各种误差因素的影响等效为一个总误差,建立一种动态定位的自适应卡尔曼滤波模型。为了进一步提高滤波器的动态性能,通过引入调整系数、加权因子和自适应调节量对自适应滤波算法进行了改进,并分别对GPS、GLONASS和GALILEO系统设计了自适应子滤波器,然后采用联合滤波算法对各个子滤波器进行数据融合处理,最后对GPS/GLONASS/GALILEO组合导航系统进行了仿真验证,结果表明,该算法增强了滤波器的跟踪能力,改善了滤波效果,提高了定位精度。
     

高超声速滑翔飞行器多模型鲁棒跟踪方法

针对高超声速滑翔飞行器（HGV）具有机动能力强、机动样式多变、机动时机不确定等特点,提出了一种基于有向图变结构多模型的鲁棒跟踪（CHF-DSVSMM）方法。考虑到高超声速滑翔飞行器的跳跃滑翔运动特性,建立了包括自适应非零均值衰减震荡（ANMDO）模型、“当前”统计模型（CSM）等机动模型的模型集。针对固定结构多模型算法存在模型相互竞争、运算时间长的缺点,设计了基于有向图结构的切换准则自适应地改变模型集构成,提高模型匹配性。对于地基雷达探测中存在闪烁噪声的问题,采用容积Huber-based滤波方法进行状态估计。仿真结果表明,所提算法与现有方法相比具有更高的跟踪精度,并对闪烁噪声具有良好的鲁棒性。     

杂波环境下的机动目标检测和跟踪算法

交互多模式（IMM）是一种有效的机动目标跟踪算法，但由于其要求具有很多的先验前提条件而不利于工程实现。研究了一种杂波环境下更适合于工程实现的机动目标（同样适用非机动目标）的跟踪算法，该算法通过一种由测量位置估计误差决定的机动检测函数来实现杂波背景中的机动目标检测，并通过改变Kalman滤波的相关参数，实现自适应跟踪。该算法克服了IMM算法的模式限制和复杂性，同时也避免了对非机动目标的跟踪中，在跟踪模式间相互切换时所换造成的影响。通过在空管系统（ATC）的大量模拟实验，验证了该算法的有效性和重大应用价值。     

杂波环境下的机动目标检测和跟踪算法

交互多模式(IMM)是一种有效的机动目标跟踪算法,但由于其要求具有很多的先验前提条件而不利于工程实现.研究了一种杂波环境下更适合于工程实现的机动目标(同样适用非机动目标)的跟踪算法,该算法通过一种由测量位置估计误差决定的机动检测函数来实现杂波背景中的机动目标检测,并通过改变Kalman滤波的相关参数,实现自适应跟踪.该算法克服了IMM算法的模式限制和复杂性,同时也避免了对非机动目标的跟踪中,在跟踪模式间相互切换时所换造成的影响.通过在空管系统(ATC)的大量模拟实验,验证了该算法的有效性和重大应用价值.     

GPS/速率陀螺组合Kalman滤波姿态确定算法研究

建立了GPS／速率陀螺组合姿态估计系统的模型，研究比较了三种典型的Kalman滤波姿态确定算法：状态扩充法、量测量求差法和时变噪声估计跟踪自适应滤波算法。给出了某航天器采用GPS／速率陀螺组合姿态确定的仿真计算结果，并对结果进行了分析。结果表明，与传统Kalman滤波算法比较，时变噪声跟踪自适应滤波算法和量测量求差滤波算法能较好地消除GPS测量中相关时变噪声的影响，提高姿态确定的精度；而且时变噪声跟踪自适应滤波算法能很好地消除由于噪声统计性能的不确定性对Kalman滤波的影响，提高姿态确定系统的性能。     

认知结构模型机动目标跟踪算法

针对复杂战场中环境特性复杂以及目标机动性能提升所带来的跟踪难题,提出一种基于人类认知机制的机动目标自适应跟踪算法。算法将人类“记忆”机制引入机动模型构建,利用神经网络对目标特征参数进行离线学习并存储,指导机动模型参数实时调整,使模型对运动状态的描述更加合理。为进一步提高跟踪性能,基于人类认知“感知-行动”循环理论,将雷达接收端经数据处理后的目标状态估计信息反馈至雷达发射端,以最小感知信息熵为代价函数,从波形库中自适应选择最佳波形来匹配目标。仿真对比实验表明,该算法对环境及目标的感知更加准确,融入波形选择的自适应目标跟踪算法要明显优于传统采用固定波形的跟踪算法。     

基于鲁棒非线性卡尔曼滤波的自适应SLAM算法

针对传统非迹卡尔曼滤波算法缺乏在线自适应调整能力,在噪声模型出现误差时滤波精度下降的问题,提出了一种基于鲁棒无迹卡尔曼滤波的同步定位与地图创建算法。该算法引入了一个多维观测噪声尺度因子,能根据观测噪声统计特性的实际变化情况对每种传感器的噪声模型做出自适应调整,使其逼近真实噪声水平,进而将滤波增益调整到一个适当值,实现滤波器的最优估计。SLAM仿真实验结果表明,在噪声统计特性发生变化的情况下,该算法相比其它几种SLAM算法具有更好的自适应能力,估计精度更高,鲁棒性更强。     

一种临近空间高超声速目标跟踪算法

通过参考美国X-43A高超声速飞行器第二次试验飞行弹道,建立了临近空间高超声速目标的运动模型。针对目标跟踪中状态方程和量测方程存在的非线性问题,提出了一种基于不敏卡尔曼滤波的改进"当前"统计模型自适应滤波算法(ADE-UKF),并将此算法与基于"当前"统计模型的不敏卡尔曼滤波算法(CS-UKF)比较,仿真结果表明,该算法在跟踪临近空间高超声速目标时,具有良好的跟踪性能。     

GEO混合推力机动目标跟踪IMM算法

针对交互多模型(IMM)算法求解地球静止轨道(GEO)卫星混合推力机动目标跟踪问题时模型匹配难、模型转移概率近似平均和响应速度慢的问题，从交互模型集构建和模型转移概率自适应设计两个方面出发提出一种改进IMM算法。该方法通过考虑无机动、脉冲机动和有限推力机动三种模式，构建了覆盖目标机动状态的交互模型集，提高了模型与机动目标实际运行状态的匹配度；采用一种基于加速度估计自适应修正的模型交互概率修正方法，提升了算法对目标机动状态的响应速度和跟踪精度。仿真结果表明，所提算法是解决混合推力模式下的GEO机动目标跟踪问题的有效手段，在收敛速度和收敛精度等方面与传统方法相比有较大提高。     

认知雷达波形自适应数据关联跟踪算法

针对杂波背景下多交叉机动目标跟踪问题,提出一种认知雷达波形自适应数据关联跟踪算法,该算法选取目标距离-速度-方位作为观测量,并通过调整波形参数来动态改变量测误差协方差。首先,基于信息融合思想提出一种优化的概率数据关联(OPDA)算法,算法充分融合目标位置特征和运动特征对多目标交叉区域公共量测进行分类,使多交叉机动目标跟踪问题转化为多个单机动目标跟踪问题。然后,对实时更新的目标航迹,采用修正的Riccati方程估计下一时刻滤波协方差,并根据波形选择准则函数自适应选择下一时刻波形以提高系统跟踪性能。仿真结果表明,该算法增强了概率数据关联(PDA)算法的环境适应性,而且相比未采用波形自适应的数据关联算法有明显的优势。