天基低轨空间监视雷达密集短弧观测数据的定轨应用研究

当天基雷达采用多波束扫描时,每次与空间目标交会可获取类似跟踪的观测数据。本文讨论了这些密集短弧观测数据在目标轨道改进中的应用。在没有测量时,采用矩阵Ricatti方程计算状态误差;引入观测数据时,比较了EKF和UKF两种滤波算法的轨道改进效果。仿真表明,UKF的收敛速度优于EKF;天基短弧观测数据可以很好地抑制误差发散,满足监视任务需求。     

多目标跟踪的概率假设密度粒子滤波

在多目标跟踪中,当目标数很大时,目标状态的联合分布的计算量会非常大。如果目标独立运动,可用各目标分别滤波来代替,但这要求考虑数据互联问题。文章介绍一种可以解决计算量问题的方法,只需计算联合分布的一阶矩——概率假设密度(PHD),PHD在任意区域S上的积分是S内目标数的期望值。因未记录目标身份,避免了数据互联问题。仿真中,传感器为被动雷达,目标观测值为距离、角度及速度时,对上述的PHD滤波进行了粒子实现,并对观测值是否相关的不同情况进行比较。PHD粒子滤波应用在非线性模型的多目标跟踪,实验结果表明,滤波可以稳健跟踪目标数为变数的情况,得到了接近真实情况的结果。     

基于自适应Kalman滤波的改进PSO算法

针对基于Kalman滤波的PSO算法在设计与应用过程中存在的不足,提出了基于自适应Kalman滤波的改进PSO算法。利用粒子群状态空间Markov链模型,建立粒子群系统状态方程;采用粒子的速度和位置作为观测量,构建观测方程;引入记忆衰减因子动态调整Kalman滤波模型参数及噪声方差阵,降低模型误差,提高粒子的位置估计精度。仿真实验表明:改进的PSO算法无论在优化精度、收敛速度,还是在稳定性方面都有很大的改进和提高,这就有效避免了粒子的"早熟"收敛问题;尤其在处理复杂多峰问题上,改进算法表现出很明显的优越性。     

陀螺仪随机误差的渐进遗忘多新息Kalman滤波

MEMS陀螺仪由于小体积、低价格等优点在民用领域得到了广泛应用,但是由于工艺水平限制,MEMS陀螺仪测量数据中存在大量的随机误差。为了减小MEMS陀螺仪测量的随机误差、提高测量精度,提出了基于渐进遗忘多新息Kalman滤波的随机误差滤波方法。建立了MEMS陀螺仪随机误差的AR模型,在经典Kalman滤波中引入了多新息修正方法,并使用渐进遗忘因子削弱历史数据的积累干扰作用,从而给出了随机误差的渐进遗忘多新息Kalman滤波方法。同时,使用经典Kalman滤波和渐进遗忘多新息Kalman滤波对MEMS陀螺仪输出数据进行处理,并使用Allan方差分析各噪声含量,可知：渐进遗忘多新息Kalman滤波后的数据其QN噪声比经典Kalman滤波减小了2个数量级,ARW噪声减小了1个数量级,BI噪声减小了2个数量级,RRW噪声和RR噪声减小为原来的约1/5,实验结果验证了渐进遗忘多新息Kalman滤波在陀螺仪随机误差滤波中的先进性。     

基于均值漂移无味粒子滤波的地面运动目标变结构交互多模型跟踪(英文)

为了跟踪地面运动目标,本文提出在变结构交互多模型基础上使用均值漂移无味粒子滤波的算法。模型滤波中,通过均值漂移将无味粒子滤波产生的采样粒子向目标状态最大后验密度估计方向移动。"停止"模型基础上,提出了"遮蔽"模型:出现地形遮蔽时,使用上一时刻的预测代替下一时刻的测量,且保持道路模型与遮蔽前一致。仿真实验采用地面运动目标指示雷达,考虑地面运动目标的三种常见场景:进入或离开道路、经过道路交叉点以及无测量值。使用了RMSE和ANEES两种评价指标,实验结果表明本文算法有效地提高了目标改变行驶道路时的跟踪精度;且目标速度过低或被遮蔽时,可以避免轨迹中断。     

基于多参量信息的水下地磁滤波导航算法

由于水下运载器使用地磁滤波导航方法时难收敛、易发散,根据水下运载 器的特点设计了一种基于多参量信息的水下地磁滤波导航算法。针对单纯使用地磁数据 进行位置匹配精度较差的问题,该算法在匹配及滤波过程中引入了地磁强度、航向、航 速等多参量信息,采用非线性滤波框架进行信息融合,采用粒子群算法根据多参量信息 进行位置搜索,并以之为系统滤波的观测值,通过提高位置观测精度改进滤波的收敛性 和鲁棒性。仿真结果表明,算法滤波精度高,稳定性好,能够较好地抑制各类传感器干 扰和误差对滤波估计的影响,适用于水下运载器的地磁导航定位。     

基于知识辅助的海面目标航迹起始方法

针对海环境下不同雷达观测测量准确度存在差异而导致观测数据质量存在差异的问题,提出了一种基于知识辅助的海面目标航迹起始方法。该方法首先利用先验知识幅度信息计算幅度似然比,并以幅度似然比的大小来表示观测数据质量的高低;然后,利用幅度似然比辅助Hough空间参数积累,并对航迹初选参数进行初值修正,提高Mean Shift多尺度聚类滤波初值的准确性,减少迭代次数,再通过最优筛选的方法分析得到目标的真实航迹起始数目和航迹起始参数;最后,通过仿真数据证明了本文所提方法的有效性和优越性。     

多传感器数据融合的权值因子确定

对多传感器位置级的数据融合,从静态单传感器的特点入手,建立可靠的数据评价函数,引入到动态多传感器系统中,以多传感器测量数据的算术平均值或滤波对目标的状态估计值作为评价参考,从而量化对测量数据的评价,进而确定加权因子,得到融合值。从仿真结果来看,当评价函数确立合理、参考点选用得当时,融合数据能够很好地剔除假数据,减小偏差大的测量值的影响,在采用不够准确的参考点时,使用评价函数确定加权因子得到的融合数据仍能够优于算术平均值方法得到的数据。     

基于高斯和粒子滤波的动态称重数据处理

由于动态称重过程中的噪声干扰,导致动态称重信号处理中存在数据处理速度慢与精度低等不足。为了提高动态称重的快速性与准确性,本文将高斯和粒子滤波算法应用于动态称重数据处理。在对动态称重系统建立状态空间模型的基础上,引进高斯和粒子滤波算法,利用高斯和逼近状态的后验密度,提高了对状态分布估计的精确性。实验结果证明,高斯和粒子滤波方法有效地提高了动态称重的速度与精度,比较实验结果说明本文方法优于传统的扩展卡尔曼滤波和粒子滤波效果。     

基于混合滤波的无线传感器网络融合跟踪方法

 针对无线传感器网络(WSN)中的多传感器融合目标跟踪,提出一种混合滤波算法,称为无迹混合集中式粒子滤波(UM CPF)。该算法使用了一个混合的粒子传播方案。在使用集中式粒子滤波(CPF)对WSN中的节点测量信息进行融合时,粒子滤波器中的一部分粒子使用从无迹变换(UT)获得的高斯分布作为建议分布进行粒子传播,而剩余的另一部分粒子则简单地使用状态转移先验分布进行粒子传播。WSN中的融合跟踪仿真结果表明,和纯粒子滤波算法CPF相比,在仿真速率相当的情况下,混合滤波算法明显提高了跟踪精度和稳定性。     

改进的Chan-粒子滤波算法超宽带室内三维定位

针对超宽带室内定位时容易受到非视距误差的影响，导致定位精度大大下降，甚至无法准确定位的问题，提出了一种融合粒子滤波的改进Chan定位新方法。首先，在Chan定位方法中引入模拟退火算法，对到达时间差（TDOA）算法的测量值进行优化，获得初步定位的最优解；然后，采用粒子滤波对测量值进行再次优化，粒子重采样后得到的中心位置即为目标节点的精确位置。仿真和实验结果均表明，该算法能有效提高在非视距环境下超宽带室内定位的精度，较好地消除非视距误差的干扰。     

再入(返回)测量的自校准α-β-γ滤波

在导弹、航天器试验任务的实时数据处理中,α-β-γ滤波已得到应用。由于外测系统的观测数据中,除含有随机误差外,还含有系统误差,而且系统误差经常大于随机误差。随着对实时处理测量精度要求的日益提高,应用α-β-γ滤波解算弹道参数,必须考虑外测系统误差的修正,否则,在较长测量弧段利用其滤波时,系统误差会造成弹道参数的滤波“发散”。本文基于“EMBET”自校准原理,将其推广到α-β-γ滤波中,完成了具有自校准α-β-γ滤波公式的推导,并给出再入(返回)测量弧段时的常用测量元素下的相应公式。     

基于最优基站选择的超宽带和惯导融合定位方法

为提高基于超宽带的室内定位精度,设计了一种超宽带和惯性导航组融合定位方法.首先,采用基于改进马氏距离的异常值检测方法对超宽带测距过程中的异常值进行了剔除;然后,采用紧耦合滤波以超宽带测距值作为扩展Kalman滤波观测量,以惯性导航的位姿信息作为扩展Kalman滤波预测量,通过超宽带测距来不断校正惯性导航解算的数据融合定...     

基于高斯权值-混合建议分布粒子滤波的疲劳裂纹扩展预测

飞行器结构的疲劳裂纹扩展预测对保障结构安全、实现视情维护具有重要意义。结合粒子滤波算法和结构健康监测方法进行在线的疲劳裂纹扩展预测是近年来刚刚开始研究的新方法,该方法通过状态空间模型表征疲劳裂纹扩展过程中的不确定性,同时通过贝叶斯方法将结构健康监测所获取的结构实际裂纹观测值用于修正裂纹扩展模型的预测误差,实现更准确的疲劳裂纹扩展在线预测。由于该方法的研究刚刚开展,已有研究中粒子滤波算法的重要性密度函数往往简单选取为先验转移概率密度,存在严重的粒子退化问题。另一方面出于简单考虑,仅采用表征裂纹稳定扩展区的Paris模型。针对上述问题,本文提出一种基于高斯权值-混合建议分布粒子滤波的疲劳裂纹在线预测方法,基于表征裂纹全扩展区域的NASGRO裂纹扩展模型建立疲劳裂纹扩展状态方程,以主动Lamb波监测方法实现结构裂纹的在线监测,借助在线结构健康监测的优势,在粒子滤波时选取重要性密度函数为观测概率密度和先验转移概率密度的混合分布,同时基于先验估计获取高斯权值进行权值更新。本文进一步进行了仿真研究,结果表明所提出的方法优化了疲劳裂纹扩展预测的准确性。     

基于EKF的天线罩误差斜率多模型估计方法

 提出一种新的滤波器结构,利用基于扩展卡尔曼滤波(EKF)的多模型(MM)算法,对天线罩误差斜率进行估计,降低天线罩误差对雷达自寻的导弹的影响,提高系统性能。在三维坐标下,创建包含导弹运动方程、目标运动方程、弹目相对运动方程的滤波模型。采用EKF算法,对包含天线罩误差的非线性观测方程进行线性化处理;依照多模滤波的思想,对天线罩误差进行离散建模,构建伪观测方程,更新模型概率,得到天线罩误差斜率的估计值;将斜率估计结果代入EKF,得到滤除天线罩误差影响的系统状态量估计结果并形成制导指令。仿真结果表明,所提方法可以有效地估计天线罩斜率,提高系统制导精度。     

基于免疫粒子群优化的不等时间间隔发动机性能综合指数组合预测

首先利用奇异值分解滤波算法,对测量参数进行滤波处理,进而合成发动机性能综合指数。针对性能综合指数为不等时间间隔的情况,在改进灰色预测模型中引入新陈代谢思想,提出一种基于免疫粒子群优化权值的改进灰色模型与支持向量机相结合的性能指数预测方法。仿真实例表明:组合模型的预测精度明显高于改进灰色预测模型,略高于支持向量机模型;且对于大多数样本点,组合模型的预测结果变化更加平稳。     

拟线性最优平滑滤波及其应用

在普通推广卡尔曼滤波（Ｅ．Ｋ．Ｆ．）的基础上，提出了一种更加适用于非线性状态方程和观测方程的改进的滤波算法－－拟线性最优平滑滤波（Ｑ．Ｌ．Ｏ．Ｓ．Ｆ．）算法，在求该滤波算法的状态转移矩阵时，加进了二阶导数项，同时线性化的标称值取为单步平滑值，降低了非线性对滤波的影响，提高了滤波精度。通过对某歼击机的仿真飞行试验数据及实测数据的处理，表明该算法比普通推广卡尔曼滤波具有更好的收敛性、精确性。     

自适应滤波算法在SINS/GPS组合导航系统中的应用研究

以SINS/GPS组合导航系统为应用背景,对具有代表性的Sage自适应滤波和渐消卡尔曼滤波进行了研究,分析了这些方法在SINS/GPS组合导航应用中存在的问题,提出了适合工程应用的改进方法。改进的Sage自适应滤波主要对系统状态噪声协方差阵利用状态误差进行估计,更符合SINS/GPS组合导航系统的实际情况,提高了滤波稳定性。改进的渐消卡尔曼滤波采用矩阵因子的形式直接对状态预测协方差阵各分量进行不同程度的调节,使调节更趋合理。此外,改进算法增加了对观测粗差的处理,降低了观测粗差对滤波结果的影响。最后,用实际跑车试验验证了改进方法的有效性。     

改进的MMPHD机动目标跟踪方法

基于序列蒙特卡罗方法的经典多模概率假设密度滤波方法及其各种衍生方法,在预测过程中依据多个并行的状态转移模型,通过将大量粒子散布到下一时刻目标所有可能出现的状态空间实现目标状态的捕获,造成计算量大、目标跟踪精度差。为此,提出一种改进的多模粒子概率假设密度机动目标跟踪方法。该方法利用最新量测信息估计目标运动模型概率及模型参数,并将估计得到的目标模型应用到粒子概率假设密度滤波方法的预测过程中生成预测粒子,从而将大部分粒子聚合在目标最可能出现的状态空间邻域中,实现粒子的有效利用。数值仿真表明,所提方法不仅显著地减少了目标丢失个数,而且提高了目标跟踪精度。     

面向目标航迹融合的坐标变换运用技术

测量数据在大区域内投影变换不可避免地会引入偏差,如果不纠正这种误差,会影响航迹滤波和状态融合后目标位置、航向、航速的统计精度。文章提出以CGCS2000坐标系为基础的坐标变换运用方法,包括融合计算公共坐标系原点选择方法、目标状态误差协方差矩阵旋转模型。仿真分析结果表明,该方法在保持计算量不变的情况下,能够克服大区域情况下坐标投影给海上情报处理系统带来的正北指向误差和距离变形误差,提高航迹融合正确率和估计精度。