基于神经模糊网络的自适应α-β-γ目标跟踪算法

针对传统α-β-γ滤波器噪声统计特性未知时,受色噪声的影响精度严重降低,甚至出现发散等现象,设计了一种基于神经模糊网络的自适应的α-β-γ滤波跟踪器。该滤波器通过利用神经模糊网络作为误差估计器,估计出α-β-γ滤波器的估计误差,从而对α-β-γ滤波跟踪器的预测结果进行修正,得到更优的预测值。通过计算机仿真以及在图像目标跟踪平台验证结果表明,该算法可以克服传统算法的局限性,有效地防止滤波器发散,缩小实际的滤波误差,提高滤波精度,实现对跟踪结果的在线改进。     

强跟踪-容积卡尔曼滤波在弹道式再入目标跟踪中的应用

对于具有一定机动能力的弹道式再入目标跟踪问题,稳定性好、鲁棒性强、收敛精度高的估计方法是保证跟踪精度的关键。针对再入运动模型和测量体制的强非线性以及目标机动引起的滤波精度下降问题,提出一种将强跟踪滤波(STF)和基于三阶球面-向径容积规则的容积卡尔曼滤波(CKF)相结合的强跟踪-容积卡尔曼滤波(STCKF)。通过将强跟踪算法中的自适应渐消因子引入到滤波时间更新和测量更新方程中,在线实时调整滤波增益矩阵,能有效避免模型失准造成的滤波性能下降,使该算法兼具CKF滤波精度高和STF鲁棒性强的优点。通过数学仿真表明,改进后的STCKF可以实现对具有机动的弹道式再入目标的高精度跟踪,相对于CKF精度提高50%,并且具有更强的鲁棒性和自适应能力。     

一种基于自适应去偏转换滤波的机动目标跟踪（英文）

针对于机动目标的跟踪问题,提出了一种基于交互式多模型的自适应去偏转换卡尔曼滤波器。该算法利用交互多模型算法来完成不同跟踪模型的相互切换;根据自适应去偏转换测量卡尔曼滤波算法来推导跟踪目标状态,同时自适应因子可以确保不正常测量时的鲁棒性。与传统的去偏转换卡尔曼滤波算法对比,该算法可以很好地改善所获量测信息在雷达被干扰时的目标跟踪精度。仿真结果表明了算法的有效性和可行性,且跟踪精度相对传统的去偏转换卡尔曼滤波算法减少9.38%的位置误差。     

一种基于自适应去偏转换滤波的机动目标跟踪

针对于机动目标的跟踪问题,提出了一种基于交互式多模型的自适应去偏转换卡尔曼滤波器.该算法利用交互多模型算法来完成不同跟踪模型的相互切换;根据自适应去偏转换测量卡尔曼滤波算法来推导跟踪目标状态,同时自适应因子可以确保不正常测量时的鲁棒性.与传统的去偏转换卡尔曼滤波算法对比,该算法可以很好地改善所获量测信息在雷达被干扰时的目标跟踪精度.仿真结果表明了算法的有效性和可行性,且跟踪精度相对传统的去偏转换卡尔曼滤波算法减少9.38％的位置误差.     

基于可见光与红外图像特征融合的目标跟踪

针对单一图像源下目标跟踪精度不高的问题,利用跟踪状态下的目标存在于可见光与红外图像中的特征对连续自适应均值移动跟踪算法做出改进。首先选取可见光图像的“颜色梯度背投影”作为改进的目标模型,选取红外图像的“灰度梯度背投影”作为改进的目标模型;然后根据可见光序列图像和红外序列图像各自进行连续自适应均值移动跟踪算法得到的对应的qi系数判定两种图像跟踪的效果,对两种图像的权重进行自适应调整,得到这两种图像的特征级融合图像和跟踪结果。实验结果表明,对于320像素×240像素的可见光和红外图像,基于可见光与红外图像特征融合的目标跟踪算法在复杂背景下能够较准确的跟踪目标,目标跟踪精度为0.5像素,跟踪速度为30~32 ms/帧。     

快速传递对准用联合强跟踪Kalman滤波器设计与仿真

针对用于快速传递对准的卡尔曼滤波器阶数高,计算量大,滤波更新率低,鲁棒性差及对准精度不高等问题,提出采用联合强跟踪Kalman滤波器进行快速传递对准。文中设计了联合强跟踪Kalman滤波器的结构和算法,同时利用改进的Elman网络进行信息分配系数的自适应调节,以实现融合信息在各子系统中的自适应分配。仿真结果表明,该滤波器不仅提高了解算速度,而且提高了系统鲁棒性和对准精度。     

动基座传递对准非线性滤波器的设计及应用

在非线性、非高斯条件下进行动基座传递对准,如果采用卡尔曼滤波会出现误差较大甚至发散的问题。本文引入强跟踪自适应滤波器,建立对估计误差的一步预测方差PK/K-1的加权算法,来达到抑制噪声的目的;同时,针对初始对准对准精度与快速性的要求,建立了动基座传递对准精确的非线性滤波模型。通过计算机仿真,模拟了飞机机动模式,验证所提滤波器的可行性。最后,通过与扩展卡尔曼滤波的比较,说明非线性强跟踪自适应滤波器在对准精度与速度上都有更好的表现。     

基于模糊自适应强跟踪滤波的惯性/地磁组合导航方法

针对在量测噪声统计特性发生变化时,基于滤波算法的惯性/地磁组合导航系统存在精度下降甚至发散的问题,提出了一种基于模糊自适应强跟踪滤波算法的惯性/地磁组合导航方法,该方法通过制定模糊规则,实时监控系统残差变化,自适应地调整柔化因子的大小,即增强了滤波器对时变噪声的跟踪能力又保证了滤波器处理当前信息的能力.仿真结果表明:该方法能够很好地抑制纯惯性导航系统随时间累积的误差,而且在量测噪声统计特性发生变化时,系统误差没有出现明显的跳变,保证了整个导航系统的精度,提高了系统的鲁棒性.     

刚弹性耦合的高超声速飞行器自适应有限时间控制

针对高超声速飞行器刚性-弹性耦合动力学特性诱发的再入姿态稳定控制难题,提出了一种具有有限时间收敛功能的自适应积分Lyapunov控制方法。建立了刚性-弹性耦合动力学模型,将弹性模态与外部不确定性视为归一化扰动,构造辅助误差补偿子系统。设计自适应律跟踪归一化扰动,可使姿态跟踪误差在有限时间内收敛,同时增强积分Lyapunov控制方法的鲁棒性。此外,为解决传统反步法控制的“微分爆炸”问题,引入一阶线性滤波器,避免了直接求导,得到了平滑且可执行的控制指令。仿真结果表明：所提控制方法在气动参数摄动±20%的条件下,实现速度跟踪误差不大于0.1 m/s,高度跟踪误差不大于0.5 m,可有效抑制弹性模态和外部扰动对姿态控制的不利影响。     

基于H∞滤波技术的传递对准方法

从实际应用的角度出发,提出利用跟踪微分滤波器抑制机翼挠曲变形产生的影响,通过杆臂效应补偿消除干扰加速度,用延时补偿算法减少由数据传输延迟造成的量测信息误差。在此基础之上,采用"速度 姿态"匹配方案,研究了基于H_∞滤波估计的快速传递对准方法。大量数值仿真、静态试验、动态跑车试验表明,这些方法有收敛速度较快、精度较高的特点,并具有较强的抗干扰能力。试验也验证了传递对准方法的有效、可行,能满足控制系统对导航信息的精度要求。     

一种针对临近空间滑跃目标的轨迹跟踪方法

针对临近空间跳跃滑翔目标运动建模困难,跟踪精度低的问题,提出了一种基于自适应衰减震荡模型的轨迹跟踪方法。首先,对临近空间滑翔跳跃目标的运动特点进行了深入分析,确定其运动具有周期性和衰减性的特点;根据这一特点,利用二阶时间自相关随机过程对加速度和飞行路径角进行建模,通过傅里叶变换推导了零均值衰减震荡模型;考虑到临空目标受气动阻力的作用,加速度小于零的情况,借鉴"当前"统计模型的思想,进一步对零均值衰减震荡模型进行改进,提出了自适应衰减震荡模型,实现了目标运动描述在周期性和衰减性上的统一。在此基础上,建立了地理坐标系下的目标运动模型,给出了基于雷达的测量模型。针对该系统非线性较强的特点,利用无迹卡尔曼滤波算法完成了跟踪滤波器的设计。仿真结果表明,所提出的算法具有更好的跟踪效果,其位置跟踪精度和速度跟踪精度较正弦波模型分别提高了17.91%和26.33%。     

抑制线振动台扰动的鲁棒自适应重复控制

针对线振动台系统中存在的非线性动态摩擦力及周期性纹波推力扰动,为获得线振动台较高的跟踪精度及鲁棒性能,提出了鲁棒自适应重复控制方法.该方法的控制律包含参数自适应控制、等效PID控制、重复空制和滑模控制.滑模控制用来镇定不确定性系统和保证自适应重复学习过程收敛,参数自适应律用来估计未知模型参数并予以补偿,重复控制用来抑制周期性扰动,提高周期性位置信号的跟踪性能.Lyapunov理论证明该控制律保证了闭环系统渐近稳定性.通过对线振动台系统仿真研究表明该控制律的有效性.     

北斗/INS深耦合接收机基带滤波器设计

随着北斗导航系统的组网,北斗/INS深耦合接收机的研制具有重要价值。传统的接收机基带滤波环路通常为相互独立的载波环路滤波器与码环路滤波器,码环路无法充分利用载波环路的信息,因此码环的动态性能受到限制。设计了载波/码组合滤波器,将载波环与码环的测量信息在一个滤波器内进行耦合,实时估计码相位、载波相位、多普勒频移与其变化率。通过北斗B3频点实际静态数据和GNSS模拟器采集的卫星-用户视线方向40g高动态数据进行离线跟踪测试,载波/码组合滤波环路可跟踪40g高动态信号,且静态数据的跟踪精度相比传统滤波环路提高27%。上述算法成功应用于基于Xilinx平台的卫星信号处理设备在线跟踪。提出的组合滤波器结构简单,测试有效,为北斗/INS深耦合接收机的工程实现提供参考。     

组合导航系统多重衰减因子自适应估计算法比较研究

提出了多重衰减因子自适应估计卡尔曼滤波方法,用该方法对系统每个误差状态估计进行控制,提高滤波器的估计性能。仿真结果表明,新算法在系统噪声特性不准确的情况下,能够抑制卡尔曼滤波估计的发散,GPS/SINS组合导航精度比强跟踪滤波估计的精度高。这种算法推导形式简单,计算量小,适合在线运算。     

自适应联邦滤波器及其在组合导航系统中的应用

针对现有的信息分配方法在滤波精度和自适应性方面存在不足的问题,设计了一种在模糊神经网络基础上改进的自适应联邦滤波器,利用模糊神经网络自适应地调整信息分配系数,从而有效抑制干扰对子滤波器工作状态的影响,使主滤波器能够充分、有效地利用子滤波器的信息。将这种自适应联邦滤波器应用到MINS/GPS组合导航系统设计中,并对系统进行了仿真。通过与基于常规联邦滤波器的组合系统的仿真结果比较可知,自适应联邦滤波器的组合系统在性能上有了显著的提高,且速度误差标准差控制在0.06m/s以内,位置误差标准差控制在3.3m以内,具有良好的导航精度。     

基于卫星跟踪和星敏感器的地月L2点星座自主导航（英文）

近年来在地月L2点构建自主导航星座用于深空探测已经成为研究热点。针对摄动引起的未知模型误差和量测异常造成单独使用卫星跟踪定轨性能较差的问题,提出了一种基于卫星跟踪和星敏感器组合的导航方案。在方案中融合了星间跟踪的距离、多普勒频移信息以及星敏感器测量的星座卫星与月球之间的角度信息,设计了一个联邦自适应平方根容积卡尔曼滤波器,利用自适应尺度矩阵对测量协方差进行改进,提高了异常测量下的定轨精度和鲁棒性。仿真结果表明,在异常测量下所提出的导航滤波方法的位置误差和速度误差,相比传统的联邦平方根容积卡尔曼滤波分别降低了68.85%和44.17%。     

一种基于光流跟踪的航天器多未知地标导航方法

传统的未知地标导航方法是通过对同一地标的多次观测来估计航天器的状态。相较于使用已知地标,该方法无需进行地标识别与地标库建立,但由于地标状态未知,该方法收敛速度较慢,导航精度也较差。针对上述问题,提出一种同时估计航天器位置、速度及地标位置的多未知地标导航方法,在模拟的遥感图像序列中,使用Lucas-Kanada稀疏光流法跟踪多个未知地标,将地标视线矢量作为观测量,利用扩展卡尔曼滤波器对航天器和地标的状态进行估计。以轨道高度300 km的卫星进行仿真验证,仿真结果表明,所提方法可实现300 s内快速收敛,滤波收敛后卫星位置和速度误差分别为402.67 m、0.481 m/s,地标位置误差为679.88 m,在提高收敛速度的基础上,获得了较高导航精度。     

基于DFI一体化网络的水下抗干扰目标跟踪方法

由于水下环境的特殊性,水下机器人容易受水流、可见光反射、遮挡等复杂水下环境影响,从而干扰目标检测器的性能,进而使跟踪算法效果下降,影响跟踪效果。针对这一问题,提出了一种基于目标检测特征提取一体化网络（DFINetwork）的水下抗干扰目标跟踪方法。在传统YOLOv3检测网络基础上,设计了特征提取网络,通过卷积和最大池化运算,输出目标特征信息,并将状态向量维度扩充为10维,同时针对扩维状态向量,构造了扩维滤波器,进而通过后续匹配、跟踪控制等步骤,实现了水下机器人在干扰环境下的目标跟踪。使用标注的水下目标跟踪数据集对所提算法进行测试,并与YOLOv3算法进行对比验证。测试结果表明,与原版YOLOv3算法对比,所提出的算法以2FPS的较小帧率损失,将跟踪精度提高了30%以上。     

基于模糊迭代均方根容积卡尔曼滤波的天基非合作目标跟踪

针对非合作航天器相对导航中测量噪声不确定的问题,提出了一种模糊迭代均方根容积卡尔曼滤波算法,实现对非合作目标相对状态的测量。该算法利用容积点均方根迭代策略和模糊推理系统实时调整改进容积卡尔曼滤波的量测噪声协方差阵权值,修正量测噪声协方差阵,使其接近真实噪声值,从而提高目标跟踪算法的自适应能力,提高了滤波精度。通过建立数学仿真模型,分别采用扩展卡尔曼滤波、容积卡尔曼滤波以及模糊迭代均方根容积卡尔曼滤波进行跟踪仿真,仿真结果表明,与标准容积卡尔曼滤波相比,该改进算法能够提高13.17%的跟踪精度。     

捷联惯导系统初始对准中Kalman参数优化方法

针对Kalman滤波器在捷联惯导系统（SINS）初始对准中的应用，系统分析了Kalman滤波器参数（包括估计误差协方差阵初值P0，模型噪声方差阵Q和量测噪声方差阵R）选取对系统状态变量的估计精度和收敛速度的影响。采用协方差性能分析法，进行了Kalman滤波器参数优化仿真，仿真结果表明：调整扁的取值可改变状态变量估计的收敛速度，调整Q或R的取值，既可改变状态变量（尤其是陀螺误差）的收敛速度又可改变它们的估计精度。综合考虑时，局的取值要比真实值大一些，Q和R的取值要比真实值小一些，这样既可缩短陀螺误差和加速度计偏置误差的估计时间，又可提高它们的估计精度。中还给出了使滤波器正常可靠工作的P0、Q和R参数的范围。