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。     

基于改进交互多模型概率数据关联的机动目标跟踪（英文）

为了提高杂波条件下的空中机动目标跟踪精度,提出了一个改进的交互多模型概率数据关联算法。该算法将交互多模型、去偏转换测量和概率数据关联算法相结合,利用交互多模型算法模型集合间不同模型的相互切换来估计跟踪目标的状态;利用去偏转换测量算法对转换测量误差进行去偏补偿,从而减小观测数据坐标变换引起的误差;利用概率数据关联算法处理数据关联和测量的不确定性。通过将本文的算法和基于扩展卡尔曼滤波的概率数据关联算法进行对比分析和验证,实验结果表明本文提出的算法可以提高机动目标的跟踪精度,且跟踪精度相对基于扩展卡尔曼滤波的概率数据关联算法减少26.38%的位置误差。     

一种基于遗传模糊推理的自适应容错滤波算法

针对常规卡尔曼滤波在组合导航中容错性不足的问题,提出了一种基于遗传模糊推理的自适应容错滤波算法。首先建立了基于模糊推理的自适应滤波模型,利用模糊推理系统的输出对组合导航系统的量测噪声实时进行调整,以实现状态的精确估计,进而达到容错目的。接着利用自适应遗传算法对模糊推理系统的隶属度函数参数进行了优化,提高了系统的输出精度,改进了传统模糊建模中系统精度取决于专家知识是否完备的问题。最后以SINS/GPS组合导航系统为平台进行了仿真,并在系统工作中间时刻引入量测噪声故障。验证结果表明遗传模糊推理自适应滤波算法比常规卡尔曼滤波具有更强的容错能力和总体精度,在仿真中,平均位置和速度均方根误差分别降低了20.87%和41.94%。     

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。     

INS/ESGM组合导航系统的多模型自适应滤波技术研究

研究了一种随机系统多模型自适应估计的方法，并将此方法应用于INS／ESGM组合导航系统。通过数字仿真将单一模型的INS／ESGM组合导航系统与多模型的INS／ESGM组合导航系统的性能进行了详细比较，说明将多模型自适应估计理论应用于INS／ESGM组合导航系统，可增强系统对环境的适用性，大大提高组合导航系统的精度。     

一种基于YOLO-V3算法的水下目标识别跟踪方法

为协助水下平台完成自主拍摄任务,针对水中成像模糊,物体多自由度运动的特点,提出一种基于YOLO-V3算法的目标识别模型。通过降采样重组,多级融合、优化聚类候选框、重新定义损失函数等方式优化网络结构,提高了目标识别的准确率,同时提升算法的计算速度。将具有旋转不变性的特征描述应用于跟踪水中多自由度运动的物体,通过评价结果修正跟踪状态。实验表明,该方法能够自主识别和跟踪目标,具有自适应能力,对输入像素为416*416的图片,处理速度达到15帧/秒以上,置信度为0.5时的平均准确度值达到75.1,满足实时性和准确性要求。     

自适应卡尔曼滤波在惯性测量组合误差补偿中的应用

惯性元件误差是捷联惯导系统的主要误差源，必须在导航过程中加以补偿。根据机动目标跟踪理论和惯性测量组合动态模型，分别建立状态方程和观测方程，利用机动频率自适应的算法进行卡尔曼滤波，以此达到惯性测量组合动态误差和随机误差补偿的目的。仿真结果说明该方法可行有效，优于传统的误差补偿算法，能较好地提高系统导航精度。     

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。     

一种新型自适应模型预测组合滤波在在线标定中的应用

为了提高捷联惯性导航系统在线标定的精度和实时性,根据模型预测滤波算法和Sage_Husa自适应卡尔曼滤波算法的优点,提出了一种新的自适应模型预测组合滤波算法。该算法首先利用模型预测滤波算法估计出系统模型误差,并对系统状态方程实时修正,以减小系统模型误差对导航精度的影响;然后利用简化的自适应滤波算法对量测噪声在线调整,修正噪声统计特性,以提高滤波精度。将提出的算法进行在线标定仿真实验,并与传统的卡尔曼滤波在线标定算法进行比较,结果表明,提出的自适应模型预测组合滤波算法能有效完成在线标定,且标定精度和收敛速度均优于传统方法。     

基于强跟踪滤波的车载行进间对准

针对车载行进间对准过程中存在复杂路面和未知干扰的情况,提出基于强跟踪滤波的里程计辅助车载捷联惯导行进间对准方法。采用多重渐消因子的强跟踪滤波器进行车载行进间精对准。多重渐消因子的强跟踪滤波器利用卡尔曼滤波取得最佳增益时残差序列互不相关的性质,在线自适应地调整渐消因子,对未知干扰有较强的鲁棒性。建立行进间对准的状态方程与观测方程,针对三种不同路况进行了8次跑车行进间对准试验。试验结果表明:强跟踪滤波能适应恶劣复杂路况;精对准后航向误差(1?)≤3.6′,满足指标要求。     

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.     

自适应Kalman和零相移滤波算法在重力信号处理中的对比

为了有效消除海洋重力仪测量信号的噪声,提高重力数据的获取精度,根据随机过程理论,借助基于二阶高斯一马尔可夫异常位模型的重力异常协方差函数,得到海洋重力测量中重力异常信号的状态方程.对sage-husa滤波算法和零相移算法进行了理论分析,为了抑制零相移滤波器的首尾数据畸变,求解了滤波器的初始状态.根据实测重力数据,进行了去噪仿真试验.理论分析和仿真结果表明,sage-husa与零相移滤波算法均能较好地抑制采样重力数据中的噪声干扰,但零相移滤波算法的性能优于sage-husa滤波器.     

环路跟踪卡尔曼滤波算法的性能分析

基于卡尔曼滤波的环路跟踪算法多是通过一定仿真证明算法性能,没有系统性性能评估,难以较好指导工程应用。在原有算法基础上进行了优化,并系统性地对比分析、评估了基于卡尔曼环路滤波算法性能,以期为算法工程化提供指导。首先提出对跟踪环路反馈调整量进行预测,使之更符合系统实际,减小环路跟踪误差。而后基于卫星信号模拟器输出信号和自生产信号源,充分评估基于卡尔曼滤波环路跟踪算法的收敛时间和灵敏度。仿真结果表明,相比目前工程常用的二阶FFL辅助三阶PLL算法,基于卡尔曼滤波环路跟踪算法能够缩短环路所需稳定时间约90%,并能提升跟踪灵敏度约5 d B,有效改善弱信号场景中接收机输出信息的完好性和连续性。     

基于平方根无迹卡尔曼滤波平滑算法的水下纯方位目标跟踪（英文）

为了避免被动跟踪中非线性带来的计算复杂化及跟踪精度的下降,提出将平方根无迹卡尔曼滤波平滑算法(SR-UKFS)应用到水下纯方位目标跟踪。SR-UKFS利用Rauch-Tung-Striebel(RTS)平滑算法将平方根无迹卡尔曼滤波(SR-UKF)作为前向滤波算法得到的目标状态估计向后平滑,得到前一时刻目标状态估计,再利用该状态估计值进行再次滤波得到当前时刻目标状态估计。该算法得到的前一时刻的目标状态估计更加精确,从而进一步提高了目标跟踪的精度。最后,通过对SR-UKFS算法和SR-UKF算法的跟踪性能进行了对比分析和验证,仿真结果表明在相同条件下,SR-UKFS算法能减少59%的位置误差和54%的速度误差,SR-UKFS算法应用于水下纯方位目标跟踪系统是有效的,为水下纯方位目标跟踪系统的工程实现提供了非常有价值的参考。     

自适应Kalman滤波在SINS初始对准中的应用

为了提高捷联惯导系统的对准精度和收敛速度,提出了一种基于Sage-Husa自适应滤波算法的初始对准方法。针对方位小失准角的情况,推导出精对准误差模型和自适应Kalman滤波方程。常规Kalman滤波算法,在噪声统计特性已知的情况下,使用比较方便;多数情况下,噪声统计特性是处于未知状态,从而引入自适应Kalman滤波算法。它利用观测到的数据自动进行噪声统计特性的在线估计和修正,使系统达到最佳的滤波效果。通过仿真验证,该自适应滤波算法有效地提高了收敛速度和对准精度。     

基于四元数自适应卡尔曼滤波的快速对准算法

针对捷联惯导初始对准问题,提出了一种具有干扰抑制能力的四元数自适应卡尔曼滤波初始对准算法。通过将初始对准问题转化为Wahba姿态确定问题,直接建立四元数的滤波模型,并采用自适应卡尔曼滤波对初始时刻姿态四元数进行估计,利用姿态四元数更新求出当前姿态来实时地反映载体的姿态变化。针对直接构建量测模型导致收敛速度慢的问题,提出一种基于最优四元数估计法构造K矩阵原理的改进算法。利用三轴转台模拟不同的摇摆环境进行实验,转台实验表明了改进算法具有较快的收敛速度和良好的稳定性及精度,中等精度的惯导系统在150s至200s的对准时间内,航向角均值误差小于2'。     

自适应UKF滤波在SINS初始对准中的应用

为了缩短捷联惯导系统的初始对准时间并提高对准精度,分别设计了平淡卡尔曼滤波器(UKF)和自适应平淡卡尔曼滤波器(AUKF)用于精对准。在系统噪声统计特性未知时,AUKF算法能自动平衡状态信息与观测信息在滤波结果中的权比,以实时调整状态向量和观测向量的协方差,从而提高系统的性能。实验结果显示,使用自适应UKF算法与普通的UKF算法相比,可以获得更优的对准精度和快速性,在东、北、天三个方向上,其失准角精度分别提高了0.2′、0.2′和4′;收敛时间分别缩短了10 s、30 s和25 s。     

组合导航中模糊自适应Kalman滤波算法分析

以SINSiGPS组合导航系统为背景，在对Kalman滤波原理和工程应用进行深入分析的基础上，总结了该方法的不足，提出了应用神经网络和模糊推理技术对系统噪声、观测噪声和其相关阵进行直接调控的方法。该方法根据新息和新息方差的变化，实时调整自适应因子，间接改变Kalman滤波器的当前观测量和过去信息的比例关系。仿真结果表明，该算法对模型和噪声干扰有较强的自适应性，能够有效抑制滤波发散，在不损失原有精度的前提下，提高了系统的鲁棒性。