可处理多普勒量测的最佳线性无偏估计算法

基于目标位置量测的一些量测转换方法已被广泛使用在目标跟踪应用中,使得卡尔曼滤波器得以在直角坐标系中应用。但是,这些量测转换方法有一些会导致估计性能恶化的根本缺陷。事实上,除了位置量测外,理论计算和实践已经证明,包含目标速度信息的多普勒量测具有有效提高目标状态估计精度的潜力。该文在直角坐标系下提出一种可使用转换多普勒量测(即距离量测与多普勒量测的乘积)的滤波器。从理论上讲,它是在最佳线性无偏估计准则下的最优线性无偏滤波器,并且避免了量测转换方法的根本缺陷。通过将近似处理后的新型最优线性滤波器与目前4种流行的方法进行仿真比较,验证了所提出的滤波器的优越性。     

引入斜距和高程预测的BLUE跟踪方法

最佳线性无偏估计（BLUE:Best Linear Unbiased Estimation）算法用于目标跟踪时,受斜距、高程参量间的“共线”效应影响,对近程目标估计误差会增大甚至发散。针对此问题,在量测转换模型中引入斜距、高程预测,构建斜距、高程参量有偏估计,抑制“共线”效应。基于非线性参数误差最小准则推导斜距、高程估计的权值和偏置,建立基于非线性观测和状态预测融合估计的量测转换模型。基于该模型的BLUE算法能更精确的捕捉转换量测误差特性,以较小计算代价获得性能提升,数值仿真鲁棒性好,有很好应用前景。      

基于转换量测高斯化的三坐标雷达跟踪算法

最佳线性无偏估计（BLUE,Best Linear Unbiased Estimation）滤波用于雷达目标跟踪时,有计算量小,置信度高等优点.但是当互斜距测量误差较大时,BLUE滤波会产生非高斯转换量测,导致跟踪精度降低.为解决此问题,对其量测转换模型进行修正：通过引入方位预测,减小方位误差三角函数的非线性影响,得到准高斯分布的转换量测.分析视线坐标系下BLUE滤波的性能,推导引入方位预测的条件,给出改进算法工作流程.推导三坐标雷达下的滤波模型参数,提出转换量测高斯化水平的评估指标并仿真证明：改进算法的转换量测更逼近高斯分布,因此跟踪性能更好,而计算量只有轻微增加.本算法思想同样适用于其他非线性误差较大的场合,对解决类似问题有借鉴意义.     

极坐标系下可处理多普勒量测的BLUE跟踪算法

事实已表明包含目标速度信息的多普勒量测具有有效提高目标状态估计精度的潜力.该文在直角坐标系下提出两种可使用转换多普勒量测(即距离量测与多普勒量测的乘积)的滤波器,一种借助了构造的多普勒伪状态,另一种没有借助多普勒伪状态.从理论上讲,它们都是在最佳线性无偏估计准则下的最优线性无偏滤波器,并且避免了量测转换方法的根本缺陷.通过将近似处理后的两种新型最优线性滤波器与目前几种流行的方法进行仿真比较,验证了所提出的滤波器的优越性.     

集中式BLUE滤波器在组网雷达中的应用

为解决组网雷达对目标跟踪中的量测非线性问题,提出基于最佳线性无偏估计器(BLUE)准则的融合滤波方法。建立以融合中心为原点的组网雷达对目标定位的量测方程,推导出极坐标系与球坐标系下跟踪目标的BLUE滤波模型。理论分析表明,集中式BLUE滤波架构在估计单个雷达量测转换误差统计特性的同时,还估计出雷达间量测转换误差的统计特性。因此,跟踪精度和置信度较分布式BLUE滤波方法有显著提高,计算量较其他算法也有明显优势。不同场景下的仿真分析证明:该方法在不同状态噪声水平下的表现优异,是一种很有竞争力的跟踪算法。     

基于修正无偏量测转换的粒子滤波算法研究

如何得到重要性密度函数是粒子滤波算法的关键问题之一。首先阐述了粒子滤波的一般方法;然后在分析修正无偏量测转换统计特征的基础上,提出了一种修正无偏量测转换粒子滤波(M-UCMPF)算法,推导了该算法的重要性概率密度函数;最后通过仿真实验对比分析了M-UCMPF算法、不敏卡尔曼粒子滤波(UPF)算法、修正无偏量测转换卡尔曼滤波(M-UCMKF)算法和不敏卡尔曼滤波(UKF)算法的性能。仿真结果表明,M-UCMPF算法具有运算量相对较小而滤波精度高的特点。     

一种精确协方差估计的转换量测卡尔曼滤波方法

传统转换量测卡尔曼滤波(CMKF)方法对误差协方差矩阵进行估计时,采用了线性近似的方式。当量测方位误差较大时,无法准确估计出协方差矩阵。针对该问题,提出了一种基于精确协方差估计的CMKF方法,可有效抑制方位误差对协方差估计的影响。仿真结果表明该方法可有效抑制量测方位误差的影响,提升目标跟踪的定位精度。     

基于量测转换IMM的多普勒雷达机动目标跟踪

多普勒雷达目标跟踪中,如何有效解决系统量测与目标状态之间的非线性并实现机动目标跟踪,是亟待解决的问题.本文提出一种基于量测转换交互多模型（Interactive Multiple Model,IMM）的目标跟踪算法,其以IMM为框架,并结合静态融合滤波器处理多普勒量测的结构,解决多普勒雷达机动目标跟踪问题.仿真结果表明了所提出算法的有效性.     

一种基于预测值量测转换的卡尔曼滤波跟踪算法

在雷达目标跟踪中,系统量测信息通常在球坐标系下获得。为了采用经典卡尔曼滤波算法实现有效目标跟踪,通常采用量测转换方法将非线性量测信息转换到直角坐标系中。针对传统量测转换方法基于量测值计算转换误差统计特性而导致的估计结果有偏问题,提出了一种基于预测值的量测转换方法,并将其与卡尔曼滤波算法相结合,获得了一种基于预测值量测转换的卡尔曼滤波跟踪算法。仿真结果表明,与现有的基于量测转换的卡尔曼滤波算法相比,该算法能在不提高运算量的情况下有效改善目标跟踪效果,跟踪精度提升约20%。     

量测变换在配电状态估计中的应用

本文将量测变换方法运用在配电网自动化系统的状态估计中,并按状态量的不同,分别以电压和支路功率两种状态量结合量测变换法来实现状态估计算法,并对两种算法进行比较分析,得出基于支路功率的配电状态估计算法。此算法具有运算效率高特点,能够更好的满足在线状态估计的实时性要求。     

一种基于CMKF建立跟踪初始估计的方法

针对极坐标观测条件下的目标跟踪，本文基于去偏转换测量卡尔曼滤波算法(CMKF-D)，提出了一种建立跟踪初始估计的方法：目标初始状态由前两点观测值估计，初始估计误差协方差由状态方程和CMKF-D中观测误差协方差计算得到。仿真结果表明，使用该方法建屯初始估计，能使滤波器迅速收敛至稳态，提高滤波初始阶段的跟踪精度。     

网络随机指数噪声环境下时钟同步与定位的联合研究

在无线传感器网络中,基于消息到达时间的时钟同步与定位联合研究是一项重要的研究课题.网络的随机时延一般用指数分布描述.基于消息到达时间的测量值,推出了在指数随机噪声条件下同步与定位的联合最大似然估计(JMLE)算法以及联合最佳线性无偏估计(JBLUE)算法.仿真表明,与已有的联合算法相比,提出的JMLE算法与JBLUE算法估计精度较高.     

未建模系统基于观测值的实时分块Kalman滤波估计方法研究

 本文以一类具有周期随机变化特点的随机过程为对象,在仅有测量模型的情况下研究估计方法的设计问题.首先,通过离散化方法建立点采样的离散输出方程、分块形式的输出方程以及描述点采样与被估状态块向量之间关系的输出方程;其次,利用待估变量具有的周期性随机游走特性,建立对应的状态模型;再者,利用扩展强跟踪滤波算法,分别得到了实时点估计滤波器、半实时块估计滤波器和实时块估计滤波器等三种未建模系统随机变量基于输出测量值的估计方法;最后,利用计算机仿真对三种滤波器的性能进行了比较分析.     

基于约束最小二乘的纯方位多站被动跟踪算法

纯方位单站目标被动跟踪需要观测站作机动才能满足可观测条件,导致跟踪算法收敛时间较长。基于纯方位多站被动跟踪算法可以解决算法收敛时间较长的问题,文中提出了一种约束最小二乘算法用于纯方位多站被动跟踪,它首先为最小二乘算法引入约束条件,利用矩阵最小特征值所对应的特征向量,解决了EKF 算法需要初值的问题,避免了滤波的发散,同时也极大地减小了最小二乘估计的偏置。仿真表明,这种算法能够渐进地逼近估计误差的下限,并且其精度有所增加,是一种渐进、稳定以及近似无偏的估计算法。     

基于转换瑞利滤波器的红外目标跟踪算法

利用转换瑞利滤波器(SRF),研究了仅有角度量测的单站红外目标跟踪问题,推导了基于SRF的红外目标跟踪算法,并给出了具体步骤.该算法利用量测方程本身的非线性结构,仅在每次迭代时用\     

基于平行因子四线性分解的二维角度和频率联合估计

该文提出了一种新的2维角度和频率联合估计方法.首先给出双平行线阵结构,将阵列天线输出的信号进行建模分析,表明此信号具有平行因子四线性模型特征,分析了该模型低秩分解的唯一性,从分解得到的矩阵中联合估计出信源的频率和到达角.该方法无需谱峰搜索,可实现参数的同时估计与配对,并与现有的算法进行了比较,具有更高的估计精度,而且在...