基于多速率交互式多模型的快速光电跟踪算法

针对交互式多模型粒子滤波算法运算量大的问题,提出了一种基于多速率跟踪思想的交互式多模型算法.该算法根据各模型假定的机动性,采用不同的数据更新速率,实现了模式空间和测量空间的混合滤波.同时,多模型综合选配了不同的滤波算法,其中,弱机动模型匹配卡尔曼滤波器,强机动模型匹配粒子滤波器.仿真结果表明,与传统的交互式多模型粒子滤波算法相比,本文算法在保证滤波精度的基础上,具有较低的计算复杂度,降低了约38.9%,能够有效地改善光电目标跟踪系统的可靠性和实时性.     

联合方位-径向速度的粒子滤波目标运动分析

纯方位目标运动分析方法要求观测平台有效机动才能估计目标运动状态,针对这一问题,联合径向速度与方位角作为测量信息对目标进行运动分析,但基于卡尔曼滤波算法进行解算需要已知粗略的目标状态初始值,且收敛时间较长、误差较大,不利于目标实时跟踪.针对以上问题,提出了一种基于粒子滤波的方位径向速度联合目标运动分析方法,建立目标运动状态分析的粒子滤波算法模型,对目标位置和速度等运动要素进行估计.在目标初始状态未知的情况下,一定程度上缩短了收敛时间,减小了估计误差,海试数据处理结果显示:相同条件下,与原有方法相比,本文所提方法收敛时间从35.1 min缩短至30.0 min;跟踪精度从6.1%提高至3.8%,且无需已知目标状态初始值。      

基于强跟踪平方根容积卡尔曼滤波的纯方位目标运动分析方法

针对纯方位目标跟踪系统中模型状态简化、系统噪声统计特性未知、目标初始距离信息不准确导致的滤波收敛时间长和滤波精度不高的问题,以自主水下机器人(Autonomous Underwater Vehicle, AUV)跟踪水下动态目标为例,提出了一种基于强跟踪平方根容积卡尔曼滤波器(Strong Tracking Square Root Cubature Kalman Filter, STFSRCKF)的纯方位目标运动分析算法。该算法在滤波过程中,利用平方根容积卡尔曼滤波器(Square Root Cubature Kalman Filter, SRCKF)完成预测更新,对于SRCKF中的每个容积点采用强跟踪滤波器(Strong Tracking Filter, STF)进行更新,设计滤波增益以抑制噪声对系统状态估计的影响,有效提高了滤波的数值稳定性,减小了状态估计误差。通过仿真分析,比较了扩展卡尔曼滤波器(Extended Kalman Filter, EKF)、无迹卡尔曼滤波器(Unscented Kalman Filter, UKF)、平方根容积卡尔曼滤波器(Square-Root Cubature Kalman Filter, SRCKF)、STFSRCKF的算法性能,实验表明所提算法具有跟踪速度快,精度高等优点。     

基于粒子滤波的运动目标光电定位仿真研究

运动目标的光电定位不能像静止目标那样简单做均值滤波，鉴于此，引入粒子滤波算法，它不仅可以应用于线性系统，而且还适用于非线性系统。结合光电定位需求，详细推导了计算公式及初值和参数选取公式，对只含测量噪声以及含有测量和运动噪声等的海面运动目标光电无源定位算法进行了仿真计算，验证了算法的有效性，讨论了噪声强度对滤波效果的影响，滤波参数选择对滤波效果的影响，目标运动方式对滤波跟随性的影响，重采样算法对滤波效果的影响等。所得结论为:粒子滤波可用于运动目标光电定位过程，可有效降低定位误差；粒子滤波算法具有较强鲁棒性，适用于噪声较大、目标运动形态变化大等情况。     

基于MGEKF的反辐射无人机末制导律设计

针对反辐射无人机攻击空中机动目标的特点,提出了一种利用MGEKF滤波算法估计无人机-目标接近速度信息的变结构导引律;该导引律利用变结构控制的干扰不变性特性,将目标机动看成是未知的有界干扰,实现了目标有界机动条件下视线角速度的零化;同时针对无人机和目标的接近速度信息不能直接测量的特点,对典型的目标运动模式进行运动状态估计;最后在无人机非线性六自由度仿真模型上仿真证明,其末制导精度优于传统广义比例导引律,且具有较好的工程应用前景。     

混合退火粒子滤波器

针对非线性、非高斯系统状态的在线估计问题，提出一种新的基于序贯重要性抽样的粒子滤波算法. 在滤波算法中，用状态参数分解和退火系数来产生重要性概率密度函数，此概率密度函数综合考虑了转移先验、似然、噪声的统计特性以及最新的观察数据，因此更接近于系统状态的后验概率. 理论分析与仿真实验表明该粒子滤波器的性能明显优于标准的粒子滤波器和扩展卡尔曼滤波器. 关键词： 非线性 非高斯 粒子滤波 序贯重要性抽样     

无源声呐场景中使用辅助粒子滤波的邻近目标检测前跟踪方法

针对无源声呐多目标方位跟踪问题,研究了一种基于粒子滤波的检测前跟踪方法,关注于改善邻近目标和机动目标的跟踪性能。首先,提出了一种考虑了邻近目标影响的似然函数;其次,采用辅助变量利用量测信息优化粒子采样,当算法运动模型与目标实际运动状态失配时,这种策略具有很大优势。结合以上两点,提出了一种检测前跟踪算法,该算法将邻近目标划分为一组,使用邻近目标的预测状态计算目标的似然,计算效率较高。利用仿真生成的数据和海上采集的实际数据分别验证了该算法的性能,并与其他多目标粒子滤波检测前跟踪算法进行比较,证明了该算法具有良好的跟踪性能。在目标邻近和目标机动的情况下,该算法的优势更加明显。     

基于多级直线表述和M-估计的三维目标位姿跟踪优化算法

为了实现复杂环境下已知模型目标姿态的快速跟踪和估计,提出了一种结合三维(3D)粒子滤波跟踪和M-估计优化的位姿跟踪估计算法。基于直线的多级向量表示构造了新颖的模型直线和图像直线相似性度量函数;基于粒子滤波跟踪的姿态设计了模型直线和图像直线快速对应方法;利用M-估计实现了目标姿态的优化估计;利用重要性采样方法将优化姿态有效地融合到了粒子滤波框架。另外根据预测的目标位姿定义了图像动态感兴趣区域(ROI),极大地减少了特征检测和搜索的时间。实验表明,所提方法能够实现复杂环境下自由移动目标的快速跟踪和位姿的高精度解算,相比已有方法,所提方法在跟踪精度,计算效率以及稳健性上均有优势。     

光电跟踪目标的强跟踪滤波算法及其仿真研究

针对光电武器对机动目标跟踪精度较差的问题,在"当前"统计模型的基础上,形成了机动目标"当前"统计模型下强跟踪滤波算法。该算法通过引入强跟踪滤波器的渐消因子,实时调节滤波器增益,增强了系统对突发机动目标的跟踪能力,同时保留了"当前"统计模型跟踪算法对一般机动目标跟踪精度高的特点。仿真结果表明,该算法对机动目标具有较好的跟踪精度和适中的计算复杂度,是一种较好的光电跟踪算法。     

基于概率假设密度滤波平滑器的检测前跟踪算法

基于概率假设密度滤波(PHD)的检测前跟踪(TBD)技术可以有效解决未知弱小多目标检测问题。PHD-TBD算法粒子权重计算受量测噪声影响明显,导致目标数估计存在起伏现象,制约了PHD-TBD算法性能。对PHD-TBD技术进行研究,引进概率假设密度滤波平滑器,提出基于平滑的PHD-TBD算法。该算法对当前帧目标数估计时,综合利用前向递推和后向平滑结果对粒子权重进行更新,在一定程度上克服了随机量测噪声的影响。通过仿真验证,该算法能够有效发现目标,准确估计目标数目和位置,性能有较大提高。     

改进的CS-UKF加速度方差自适应跟踪算法

针对基于当前统计模型的状态噪声协方差阵中的加速度方差调整方法对一般机动目标、非机动目标跟踪精度差的问题,研究其改进方法;在建立机动目标当前统计模型离散状态方程和雷达导引头离散观测方程的基础上;利用雷达导引头测量信息和位置预测值之间的扰动对加速度方差进行调整,提出了改进的加速度方差自适应调整无迹卡尔曼滤波跟踪算法;数字仿真验证了该算法对非机动目标、一般机动目标以及高机动目标均具有良好的跟踪效果。     

An algorithm for terrain-aided inertial navigation based on nonlinear optimal filtering

When the initial position error or the altimeter measurement noise is large,the BUAA Inertial Terrain-Aided Navigation (BITAN) algorithm based on extended Kalman filtering can not be located accurately.To solve this problem,we propose a modified BITAN algorithm based on nonlinear optimal filtering.The posterior probability density correction is obtained by using the prior probability density of the system's state transition model and the most recent observations.Hence,the local unobservable system caused by...     

卡尔曼滤波法的模型误差

卡尔曼滤波法用于ＩＣＰ－ＡＥＳ时，在白色测量噪音条件下给出很准确的分析结果，因此引起了越来越多分析工作者的重视。然而，由于实际试样的复杂性，要搞清其中的每一种成分是困难的，有时甚至是不可能的。当一些未知谱线没有被测量模型考虑时，测量噪音不再是白色的，模型误差也就随之产生。本文讨论的重点是模型误差及其对分析准确度的影响。我们的研究表明，该问题对卡尔曼滤波法来说是严重的。     

电视与红外机动目标数据融合的研究

从跟踪性能、计算的复杂性以及应用范围等方面对红外与电视传感器的三种融合模型进行了比较，得出了来自同一平台上的红外与电视传感器的数据，在各传感器没有自己的数字处理机的情况下，点迹融合模型较其余两种模型实用的结论，在点迹融合模型的基础上，用极大似然融合算法对点迹进行融合处理，在理论上证明了该算法用于此种模型能提高目标状态信息的估计精度，降低测量误差。并给出了本算法用于此种模型在计算机上的仿真结果，从实际应用上进一步说明了本算法的有效性。最后利用卡尔曼滤波实现了红外与电视机动目标的跟踪。     

一种用于“蛇形”机动目标的跟踪方法研究

为了满足光电跟踪系统中对“蛇形”机动目标跟踪的要求,针对以前应用的Singer模型的缺陷,根据“蛇形”机动目标运动规律,提出一种机动目标转弯模型,结合扩展卡尔曼滤波算法,对典型“蛇形”机动目标进行跟踪。通过Monte Carlo仿真,实现了在平面内对“蛇形”机动目标位置的准确跟踪,并且距离均方根误差（RMSE）比Singer模型要小很多,从而验证了该方法的有效性。     

基于粒子滤波的INS／GPS组合导航滤波算法

针对INS／GPS组合导航系统中噪声统计特性不准确时,现有的卡尔曼滤波工作性能会降低的问题,提出了一种基于粒子滤波的INS／GPS组合导航滤波算法。仿真结果表明该算法能有效降低统计特性不准确对系统造成的不利影响。     

Tracking noisy limit cycle oscillation with nonlinear filters

For engineering systems, the dynamic state estimates provide valuable information for the detection and prediction of failure due to noise and vibration. From this perspective, nonlinear filtering techniques are applied to the problem of state estimation of dynamical systems undergoing noisy limit cycle oscillation. Specifically, the extended Kalman filter, ensemble Kalman filter and particle filter are used to track the limit cycle oscillations of a Duffing oscillator using noisy observational data. The noisy limit cycle oscillations feature highly non-Gaussian trends. The efficiency and limitations of the extended Kalman filter, ensemble Kalman filter and particle filter in tracking limit cycle oscillations are examined with respect to the model and measurement noise and sparsity of measurement data. For the limit cycle oscillations considered here, it is demonstrated that the ensemble Kalman filter and particle filter outperform the extended Kalman filter in the presence of sparse observational data or strong measurement noise. For moderate measurement noise and frequent measurement data, the ensemble Kalman filter and particle filter perform equally well in comparison to the extended Kalman filter.     

加权增量卡尔曼滤波法在ICP－AES中的应用

卡尔曼滤波法用于ＩＣＰ－ＡＥＳ分析时，在白色噪音情况下能给出准确的分析结果，当试样的某些组分未知时，测量噪音将不是白色的，分析结果将不准确。本文提出了一种加权增量卡尔曼滤波法来解决这个问题。     

基于辅助粒子滤波算法的红外目标跟踪

针对红外目标在跟踪中计算复杂的问题,构建辅助粒子滤波算法。利用贝叶斯重要性采样算法,在权值大的粒子基础上引入辅助粒子变量,然后重新定义重要采样分布函数,防止重采样后粒子概率密度变化。两次加权计算,使粒子权值比仅用重采样的粒子权值变化更稳定,采样点最接近真实状态;同时不同权值粒子的概率阈值可作为粒子滤波是否完成的判断准则。在二维平面构造红外运动目标模型中,系统为零均值高斯白噪声。仿真数据表明:该算法在x,y方向的均方误差、画面处理时间、RM SE性能上优于粒子滤波算法和重采样粒子滤波算法。     

基于简化模型与自适应滤波的车载SINS静基座快速对准

为了实现捷联惯性导航系统(Strap-down Inertial Navigation System,SINS)快速初始对准,根据已有可观测性分析结果,通过理论分析和计算得到了扩展观测量时初始对准系统最优可观测状态量组合,在此基础上简化了对准模型,建立了新的系统方程。针对载车发动机启动或其他情况导致系统噪声无法精确统计,提出了运用基于强跟踪滤波原理的自适应卡尔曼滤波(Kalman Filter,KF)算法抑制滤波发散,加快收敛速度。仿真结果表明运用简化模型和自适应滤波在系统噪声不匹配时具有更快的收敛速度和更高的对准精度,车载实验结果也表明运用简化模型和自适应滤波可以实现快速对准。