基于时频差的正交容积卡尔曼滤波跟踪算法

针对基于时频差测量的无源跟踪中面临的非线性估计问题, 提出一种正交容积卡尔曼滤波跟踪算法. 该算法在容积卡尔曼滤波算法的基础上, 通过引入特定正交矩阵改进容积采样方法, 在高维状态估计下减小因采样产生的误差, 在没有增加计算量的前提下, 有效提高收敛速度及跟踪精度. 仿真结果表明, 在基于到达时差和到达频差的联合无源跟踪问题中, 与扩展卡尔曼滤波及容积卡尔曼滤波算法相比, 本文所提算法在跟踪性能上有明显提升.     

基于Huber的高阶容积卡尔曼跟踪算法

为改善高阶容积卡尔曼滤波算法的滤波精度和鲁棒性, 提出了一种新的基于Huber的高阶容积卡尔曼滤波算法. 在采用统计线性回归模型近似非线性量测模型的基础上, 利用Huber M 估计算法实现状态的量测更新. 进一步结合高阶球面-径向容积准则的状态预测模块构成基于 Huber的高阶容积卡尔曼跟踪算法. 重点分析了Huber代价函数的调节因子对算法跟踪性能的影响. 通过对纯方位目标跟踪和再入飞行器跟踪两个实例验证了所提算法的跟踪性能优于传统高阶容积卡尔曼滤波算法.     

水下目标跟踪的改进非线性滤波快速算法*

为了提升水下目标的跟踪精度,该文研究了测距误差有偏条件下的水下目标跟踪算法,基于水下目标跟踪中常用的无迹卡尔曼滤波(UKF)和容积卡尔曼滤波(CKF)算法,改进提出了将偏差系数作为状态变量之一进行联合估计的跟踪算法。结合水下目标跟踪场景的实际特点,进一步推导了这两种算法在线性状态方程条件下的简化形式,分别称为IS-UKF和IS-CKF算法。仿真实验和湖试实验结果表明,与常规无迹卡尔曼滤波和容积卡尔曼滤波算法相比,提出的两种改进算法(IS-UKF和IS-CKF算法)不仅具有同等运算量,而且提高了目标轨迹跟踪精度。     

不完全量测下长基线系统的水下目标跟踪算法

针对不完全量测情况下长基线系统对水下目标跟踪精度会下降的问题,提出了最小二乘-容积卡尔曼滤波(Least Squares-Cubature Kalman Filter,LS-CKF)算法。选取容积卡尔曼滤波(Cubature Kalman Filter,CKF)为基本跟踪算法并将其改进为两步滤波模式.增加的第1步滤波使用最小二乘估计优化时间更新阶段的容积点,提高了第2步滤波中量测更新的精度。进一步推导了量测信息为距离时新算法的简化形式,降低了运算复杂度,使其能更好地应用于水下跟踪系统.仿真实验和湖试数据的处理结果表明,在丢失量测数据较多且初始状态误差很大的恶劣情况下,LS-CKF收敛速度比标准CKF算法提升了1倍,且跟踪误差降低10%以上。      

卡尔曼滤波在激光跟踪测量系统中的应用

激光跟踪测量系统对于测量运动目标空间位置是行之有效的,但在测量过程中,各种干扰噪声的影响会降低测量精度。采用卡尔曼滤波来减小噪声的影响以提高测量精度。介绍了激光跟踪测量系统,建立了状态方程和测量方程,给出了卡尔曼滤波算法,仿真结果表明,运用卡尔曼滤波大大提高了测量系统的精度。     

光电跟踪系统的共轴跟踪控制技术研究

为了提高光电跟踪系统的跟踪精度,对其粗跟踪环节的共轴跟踪控制技术进行了研究。介绍了共轴跟踪控制的基本原理,分析了常用非线性卡尔曼滤波算法,并仿真比较了无迹卡尔曼滤波(UKF)和容积卡尔曼滤波(CKF)的位置和速度的预测精度。在此基础上综合UKF和CKF的优点,设计了对延迟的合成位置信号进行处理的双并联滤波器,实现了光电跟踪系统的共轴跟踪控制。利用实测数据仿真实验表明,光电跟踪系统的跟踪精度明显提高。     

一种多基阵机动目标被动跟踪算法

由多部声纳基阵获取的方位信息对水中机动目标的跟踪实质上是一个非线性状态估计问题,文中首先依据各基阵的方位信息,采用最小二乘法得到目标位置在各采样时刻的初步估计,然后将其作为测量值用于交互多模型算法(IMM)并结合线性卡尔曼滤波(KF)得到目标运动速度和轨迹,避免了应用非线性估计算法直接进行多个方位数据融合过程中存在的各种问题。仿真结果表明这一算法简便,与双基阵纯方位机动目标被动跟踪相比具有较快的收敛速度和较高的跟踪精度。     

DM-UKF混沌拟合破译混沌直接序列扩频通信

针对已有混沌直接序列扩频通信系统的破译算法在低扩频因子和较大多径衰落下无法有效破译信息码的问题,提出了一种基于双模型无迹卡尔曼滤波混沌拟合的破译算法.所提算法联合多模型滤波原理,利用信息符号为有限集的特点,针对其不同取值分别建立对应的滤波模型.各模型下滤波器并行工作,利用广义同步系统同时拟合原混沌系统并估计混沌直扩信号,通过估计误差确定最佳匹配滤波模型,从而得到信息符号的估计.进一步通过引入误差控制因子,增大了不同模型下估计误差的距离,不仅有利于信息符号判定,并且减小了噪声和多径衰落对破译结果的影响.理论推导和仿真结果均证明提出的算法优于已有破译算法.     

观测站非机动情况下的渐进无偏目标跟踪算法

针对无源目标跟踪中将非线性测量方程伪线性化带来有偏估计的缺点,提出了一种基于方位和径向速度联合估计的渐进无偏目标跟踪算法。该算法通过对方位-径向速度组成的伪线性测量方程的噪声协方差矩阵进行约束,使其均方误差达到最小,得到目标状态向量的最小二乘无偏解。仿真和实验结果表明,在观测站非机动情况下,算法能够渐进无偏地收敛到真值,收敛后的距离跟踪误差在5%以内。     

基于改进CKF的光电跟踪伺服系统二阶滑模控制

传统的光电跟踪伺服系统滑模控制中,对目标位移信号微分以求取速度、加速度等运动状态的方法会影响控制的精度和稳定性。针对这一缺点,提出了基于改进容积卡尔曼滤波(CKF)的二阶滑模控制算法。基于系统原理,建立了系统模型;应用限定下界法改进了CKF算法以提高目标状态估计的准确度;应用超螺旋算法设计了二阶滑模控制器,并将滤波预测的目标状态作为系统输入进行仿真实验。结果表明,相对于传统的二阶滑模控制,所设计的控制方法提高了控制精度,减小了抖振,且具有更好的稳定性。     

逼近积分点数下限的五阶容积卡尔曼滤波定轨算法

为了在保持滤波定轨精度不变的条件下提高定轨计算的实时性,提出一种新的逼近积分点个数下限的五阶容积卡尔曼滤波定轨算法.首先,采用一种数值容积准则对非线性函数的高斯加权积分进行近似,该准则所需的积分点个数仅比五阶代数精度容积准则积分点个数的理论下限多一个积分点,并在贝叶斯滤波算法框架下推导出本文算法的更新步骤.然后,给出实时定轨所需的状态方程和量测方程,在状态方程中考虑了J2项引力摄动和大气阻力摄动,在量测方程中利用坐标系转换推导了轨道状态与测量元素之间的非线性关系.仿真实验结果表明,本文所提算法在定轨精度方面与已有的五阶滤波算法相当,但所需的积分点个数最少,计算实时性最高,从而验证了本文算法的有效性.     

Design of Nonlinear Autoregressive Exogenous Model Based Intelligence Computing for Efficient State Estimation of Underwater Passive Target

In this study, an intelligent computing paradigm built on a nonlinear autoregressive exogenous (NARX) feedback neural network model with the strength of deep learning is presented for accurate state estimation of an underwater passive target. In underwater scenarios, real-time motion parameters of passive objects are usually extracted with nonlinear filtering techniques. In filtering algorithms, nonlinear passive measurements are associated with linear kinetics of the target, governing by state space methodology. To improve tracking accuracy, effective feature estimation and minimizing position error of dynamic passive objects, the strength of NARX based supervised learning is exploited. Dynamic artificial neural networks, which contain tapped delay lines, are suitable for predicting the future state of the underwater passive object. Neural networks-based intelligence computing is effectively applied for estimating the real-time actual state of a passive moving object, which follows a semi-curved path. Performance analysis of NARX based neural networks is evaluated for six different scenarios of standard deviation of white Gaussian measurement noise by following bearings only tracking phenomena. Root mean square error between estimated and real position of the passive target in rectangular coordinates is computed for evaluating the worth of the proposed NARX feedback neural network scheme. The Monte Carlo simulations are conducted and the results certify the capability of the intelligence computing over conventional nonlinear filtering algorithms such as spherical radial cubature Kalman filter and unscented Kalman filter for given state estimation model.     

Signal reconstruction in wireless sensor networks based on a cubature Kalman particle filter

For solving the issues of the signal reconstruction of nonlinear non-Gaussian signals in wireless sensor networks(WSNs), a new signal reconstruction algorithm based on a cubature Kalman particle filter(CKPF) is proposed in this paper.We model the reconstruction signal first and then use the CKPF to estimate the signal. The CKPF uses a cubature Kalman filter(CKF) to generate the importance proposal distribution of the particle filter and integrates the latest observation, which can approximate the true posterior distribution better. It can improve the estimation accuracy. CKPF uses fewer cubature points than the unscented Kalman particle filter(UKPF) and has less computational overheads. Meanwhile, CKPF uses the square root of the error covariance for iterating and is more stable and accurate than the UKPF counterpart. Simulation results show that the algorithm can reconstruct the observed signals quickly and effectively, at the same time consuming less computational time and with more accuracy than the method based on UKPF.     

混沌信号在无线传感器网络中的盲分离

混沌信号在本质上属于非线性非高斯信号,它在无线传感器网络下的应用还涉及到信号量化问题,这使得混沌信号在此应用环境下的信号盲分离更为棘手.针对此问题,本文在容积卡尔曼粒子滤波的框架下提出一种解决方法.文中首先推导出观测信号的概率密度函数,在量化比特有限的情况下,采用最优量化器,获得最优的量化结果.在此基础上,使用容积卡尔曼滤波器产生粒子滤波中的重要性概率密度函数,融入最新的观测值,提高粒子对系统状态后验概率的逼近,提高信号盲分离的精度.仿真结果表明算法能够有效地分离混合混沌信号,参数估计的精度及其运算量均优于已有的无先导卡尔曼粒子滤波算法,其运行时间为无先导卡尔曼粒子滤波算法的88.77%.     

基于数字非线性锁相环的相干态相位估计

基于量子理论获取相位参数的导航机制,理论上可以突破经典物理极限对导航精度的限制.利用量子零拍探测对相干态光场相位进行测量时,通常需要相位与之正交的本振光才能使测量精度达到量子标准极限.由于导航信号相位的高非线性特点,想要利用传统的线性锁相环获取完全满足条件的本振光具有一定的难度.为此,本文设计了一种基于容积准则的非线性锁相环,实现了在非正交本振光的条件下对相干态相位进行精确测量的功能.首先,利用相干态的Wigner函数推导了其相位在量子零拍探测的输出结果,设计了量子相位估计的非线性数字锁相环框架.然后基于正交单纯形容积准则设计了非线性滤波算法实现锁相环功能,该锁相环通过对本振相位进行多次状态更新,最终实现非线性迭代估计.实验结果表明,本文方法突破了本振光相位需与相干态相位正交的局限性,避免了传统量子锁相环方法引入的线性化误差,实现了对相干态相位的准确、稳定估计.