3D传感器检测和跟踪的联合优化

在杂波环境下实现检测－跟踪的联合优化是目标跟踪中的一个重要研究课题。对3D传感器使用PDAF进行目标跟踪的情况，本文以先验检测门限优化准则为设计准则，通过用解析近似表示拟事修正Riccati方程中的参数，给出了瑞利起伏环境下实现检测和跟踪联合优化的方法。研究和仿真表明：（1）这种检测和跟踪联合化化方法的跟踪性能优于固定虚警率方法的跟踪性能，但这种性能的改善主要体现在滤波稳定阶段；（2）基于先验检测门限优化准则实现检测－跟踪的联合优化要求信噪比要大于一定的门限，在瑞利起伏环境下，三维测量所要求的信噪比门限为2．157。     

Kalman滤波工程应用问题分析及改进方法研究

Kalman滤波方法是理论成熟和工程应用广泛的估计方法。但在工程实际中，因原始数据质量和各种初始条件的变化，Kalman滤波经常出现不收敛的现象，尽管理论上有许多克服滤波发散的机制，但工程应用效果并不明显。本文从数据残差入手，提出了改进增益矩阵的滤波方法。经仿真计算证明，该方法有效的解决了滤波发散问题，并极大的提高了估计精度。     

Kalman滤波算法在单站无源定位中的应用

无源定位技术有着广阔的应用前景 ,在现有单站无源定位方法的基础上 ,首先介绍了相位差变化率定位法 ,接下来引入Kalman算法对原始定位结果进行滤波处理 ,以减弱测量噪声的影响 ,提高定位的精度。仿真结果表明了这一处理算法的有效性。这种处理思路还可以推广到更为复杂的定位情况中去     

一种用于机动目标的线性调频脉冲估计和逆合成孔径雷达成像的自适应滤波方法

在逆合成孔径雷达（ISAR）成像中，由于机动目标的非合作运动，散射器的多普勒频移随时间变化，而雷达回波信号通常为线性调频脉冲。线性调频脉冲会计对ISAR成像的性能起着重要作用。Li和Stoica最近提出了一种自适应FIR滤波方法，用来估计正弦信号的振幅和相位，并将这种方法应用于采用正弦信号模型的合成孔径雷达（SAR）成像。本文推广Li和Stoica的算法，用来估计线性调频脉冲信号并将其用于机动目标的ISAR成像。该推广算法已由仿真数据验证。     

基于BP神经网络的自主定轨自适应Kalman滤波算法

针对Sage Husa自适应滤波方法存在的窗函数开窗大小选择问题,提出一种基于BP神经网络学习估计系统协方差矩阵的自适应Kalman滤波算法。该算法以Kalman滤波预测残差向量作为网络输入,通过网络分段离线学习确定预测残差向量与预测残差协方差矩阵间的非线性关系,自适应地估计Kalman滤波系统协方差矩阵。将其应用到自主定轨系统,仿真结果表明利用本文算法自主定轨60天星座平均URE误差小于1.9米,且能够快速跟踪到系统噪声的突变,较Kalman滤波方法和Sage Husa自适应滤波方法具有更好的性能。     

基于自适应波形设计的天基雷达目标检测方法

针对天基雷达检测海面目标时杂波特性复杂、场景变化迅速和信杂比低的问题,文中提出一种基于波形自适应设计的目标检测方法。这种方法将每个驻留时间分拆为若干个子驻留,在第1个子驻留上发射线性调频脉冲,并进行预检测和杂波协方差估计。在后续子驻留中采用多粒子滤波技术对杂波协方差进行动态更新,以适应天基雷达杂波的快速变化。进而在后续子驻留中利用平均平方优化技术自适应的设计波形,并进行主成分分析和广义似然比检验,以提高信杂比和实现恒虚警率检测。最后,文中将海杂波建模为复合高斯过程、将目标建模为若干个具有确定但未知散射幅值的散射体,并进行仿真实验。结果表明,在尖峰性海杂波环境和天基监视雷达配置条件下,用这种目标检测方法实现可靠检测所需的信杂比降低约9dB,可有效改善对弱小目标的检测效果。     

复杂电磁环境下组网雷达对隐身目标的跟踪研究

在复杂电磁环境背景下,研究了组网雷达基于粒子滤波算法对隐身目标的跟踪滤波问题,建立了雷达观测方程和隐身目标的多基地雷达截面积模型,分析了基于U PF的组网雷达目标跟踪滤波算法。利用计算机仿真验证了复杂电磁环境下组网雷达利用粒子滤波技术跟踪隐身目标的有效性,并对几种跟踪算法的效率进行了比较。     

INS/SAR组合定位技术研究

主要研究了INS/SAR组合对运动目标的定位算法。首先,建立了INS/SAR组合定位系统数学模型;其次,基于卡尔曼滤波方法和alpha-beta滤波方法完成了INS/SAR组合定位算法设计;最后,考虑组合导航系统误差及导引头测量误差,对定位算法进行了数字仿真及性能分析。仿真结果表明,所设计的INS/SAR组合定位算法在远距对运动目标具有较高的定位精度。     

欠观测条件下的扩展增量 Kalman 滤波方法

建立欠观测条件下的非线性增量量测方程,并给出其线性化方法,在此基础上提出一种欠观测条件下的扩展增量Kalman滤波(EIKF)模型及其递推算法.工程实际中,由于环境因素的影响、测量设备的不稳定性等原因往往带来未知的系统误差,传统的扩展Kalman滤波(EKF)无法对这种未知的系统误差进行补偿和校正,结果产生较大的滤波误差,甚至导致发散.提出的扩展增量Kalman滤波方法能够成功地消除测量的系统误差,从而有效地提高非线性滤波的精度.该方法计算简单,便于工程应用.      

无迹增量滤波方法

提出无迹增量滤波(UIF)的概念,建立一般无迹增量滤波模型及其分析方法,并对具有加性噪声的无迹增量滤波进行了详细讨论,给出其递推算法.在工程实际中,由于环境因素的影响、测量设备的不稳定性、模型和参数的选取不当等原因往往带来未知的系统误差.在这种情况下,传统的无迹Kalman滤波方法(UKF)在递推过程中会产生较大误差,甚至导致发散.提出的无迹增量滤波方法能够成功消除这种未知的系统误差,提高滤波的精度.该方法计算简单,便于工程应用.