天基无源方式空间目标定位跟踪算法的实现

针对空间目标定位跟踪会因受到天气、地域和时间等因素的影响而导致跟踪精度下降、滤波不稳定的问题,采用天基无源方式对空间目标进行观测、定位和跟踪;依靠光电传感器的被动测角和针对无线电信号的侦察截获;通过天基观测站获取角度量测信息,建立仅测角无源跟踪状态方程和量测方程,再分别通过EKF、UKF和SCKF三种卡尔曼滤波算法对角度量测信息进行滤波估计从而实现对空间目标的实时跟踪。仿真结果表明,天基无源方式空间目标定位跟踪算法具有精度高、滤波稳定的优点,EKF、UKF、SCKF三种滤波算法均能实现对空间目标的实时跟踪,其中以SCKF效果最佳,验证了天基无源方式空间目标定位跟踪算法的有效可行性,对军事应用具有极大意义。     

基于多模型GGIW-CPHD滤波的群目标跟踪算法

针对伽马高斯逆威夏特-概率假设密度(GGIW-CPHD)滤波算法跟踪机动群目标误差较大的问题,提出基于最适高斯近似(BFG)和强跟踪的多模型GGIW-CPHD滤波的群跟踪算法.首先,在对群目标量测分割的基础上,采用BFG方法实现CPHD预测阶段的多模型融合.其次,利用强跟踪滤波(STF)中的渐消因子来修正GGIW分量的预测协方差矩阵.最后,在CPHD更新阶段完成群质心和扩展状态估计的基础上,利用多个模型对应的似然函数完成模型概率的更新.实验结果表明:所提算法能够在GGIW-CPHD框架下实现多个模型的交互,有效降低机动阶段时群目标的状态估计误差,并能有效处理群目标的合并和衍生情况.     

基于粒子滤波的目标跟踪算法

随着当前计算机性能的不断提高,粒子滤波算法日益受到人们的关注,因为其在非线性、非高斯系统和状态滤波等方面具有独到的优势,也被广泛应用到运动目标跟踪研究当中。     

基于Kalman 滤波的Camshift 运动跟踪算法

提出将Camshift与Kalman滤波相结合的方法.首先,通过二次搜索来调整搜索窗口的位置和大小,保证Camshift跟踪的可靠性;然后,在Camshift算法的基础上,通过卡尔曼滤波对搜索窗口进行运动预测,保证实时跟踪.实验结果表明,在图像背景复杂且目标不规则运动的情形下,采用此方法仍能有效地跟踪到目标.在真实视频数据上的实验结果表明该方法具有很好的应用前景.     

多源二维测角信息的三维动态目标跟踪定位算法

针对纯角度非线性估计法对量测方程进行线性化处理后的运动要素估计出现发散或偏置现象等问题,提出了基于多源二维测角信息的三维动态目标跟踪定位算法.利用最大似然估计法对多基站提供的角度量测信息进行融合处理,由此获得的量测方程经伪线性化后的均方等效误差期望值最小,从而实现了目标运动要素无偏估计.通过仿真表明,利用所提算法获得的位置跟踪误差曲线能快速、准确地逼近Cramer-Rao下界,比扩展的卡尔曼滤波器的收敛速度快,精度高,跟踪精度可提高50%.     

常用目标跟踪滤波算法分析

概括了在目标跟踪中常用的几种滤波算法,从目标模型建立到滤波器的算法原理进行了分析和归纳。这些算法各有特点．在不同的情况下它们的跟踪精度、实时性有很大差异。针对一种典型的目标运动,对其中有代表性的算法进行数据仿真,分析和验证了这几种典型滤波算法各项性能的差别。     

基于CNN的粒子滤波目标跟踪算法研究

针对复杂场景下目标跟踪算法存在的跟踪目标丢失漂移等问题,提出一种粒子滤波框架下基于卷积神经网络（convolutional neural network,CNN）的目标跟踪算法.该算法采用CNN提取跟踪目标的高层语义特征,并引入离线训练方式,提高训练效率以及特征提取的泛化能力;利用粒子滤波算法框架,实现目标运动状态的有效估计;同时采用长时与短时两种更新策略,并引入困难样本挖掘的在线训练方式,以适应目标外观变化与背景干扰等复杂情况.仿真实验结果表明本文算法能有效适应遮挡、光照、剧烈运动等场景.与多个当前的跟踪算法在公开测试样本下进行了结果比较和分析,验证了本算法在解决跟踪目标丢失漂移等问题上的有效性.      

基于强跟踪滤波的车辆非线性状态估计

针对车辆稳定性控制过程中较难直接测得的车辆关键状态参数,提出基于强跟踪滤波理论的多传感器线性组合状态最优估计算法.建立包含纵向、侧向及侧倾运动的汽车4自由度非线性动力学模型和状态估计模型,并运用多传感器线性最优融合强跟踪滤波估计器,对汽车关键状态进行仿真分析.分析结果表明,采用该方法可以解决由于模型不确定性造成状态估计值偏离系统真实状态的现象,并能有效抑制滤波发散,具有较大范围的自适应跟踪能力.该方法为汽车先进控制系统中的状态参数估计提供了一种准确且低成本的实时软测量技术.     

有色噪声干扰的非线性系统强跟踪滤波

推广了现有的强跟踪滤波理论,解决了一类具有色噪声干扰的非线性时变随机系统的强跟踪滤波问题,为使状态估计值更加平滑,引入了弱化因子的新概念,最后通过计算机仿真验证了本方法的有效性。     

编队卫星自主相对导航简化强跟踪UKF滤波算法

针对编队卫星自主相对导航过程中存在模型不确定性及噪声统计特性时变导致EKF滤波算法估计精度降低、鲁棒性较差的问题,以STF为理论框架,设计了简化强跟踪UKF(SSTUKF,simplified strong tracking unscented kalman filter)滤波算法。该算法基于STF的等价表示来计算次优渐消因子,避免了计算Jacobi矩阵,通过在线实时调整滤波增益矩阵,确保系统理论模型偏离实际模型时输出残差序列相互正交,增强算法的鲁棒性,并且对时变的噪声统计特性不敏感。结合CW系统模型线性特点,用标准卡尔曼滤波中的时间更新代替相应的UT变换过程,在提高估计精度的同时有效地降低了运算量,增强算法的实时性。仿真结果验证了该算法的有效性。     

基于无迹卡尔曼滤波的导航星座并行式自主定轨

针对卫星轨道动力学模型的高度非线性及星座自主定轨的高精度需求,基于星间双向测距观测信息,提出了采用无迹卡尔曼滤波（Unscented Kalman Filter, UKF）作为星载算法的导航星座并行式自主定轨方案,并且给出了UKF算法中可见星先验信息引入的额外方差矩阵,以保证滤波的稳定性.仿真结果表明,该方案可以实现星座的长期自主定轨并维持一定精度.
     

用于无陀螺卫星姿态确定的预测UKF算法

为了降低卫星姿态动力学模型误差和初始姿态误差对无陀螺卫星姿态确定的影响,提出了一种预测无迹卡尔曼滤波(UKF)算法。该算法利用预测滤波中的泰勒级数展开方法对未知的卫星姿态动力学模型误差进行估计,然后将其带入UKF中实现无陀螺卫星姿态确定。用三维偏差四元数代替四元数作为状态变量,避免了估计过程四元数单位约束性被破坏的现象。仿真结果表明,当较大的卫星姿态动力学模型误差和初始姿态误差同时存在时,该算法仍能精确地实现卫星姿态确定。     

改进的粒子滤波算法在目标跟踪中的应用

粒子滤波算法中通常采用先验转移概率代替重要性函数,由此重要性密度函数对后验函数的偏差将增大。将小波去噪应用到粒子滤波过程中,降低了偏差,提高了粒子算法的滤波精度,并将该算法应用到目标跟踪的过程中,通过仿真证实该方法能够提高粒子滤波精度。     

强跟踪有限微分扩展卡尔曼滤波算法在异步电机中的应用

针对异步电机直接转矩控制低速转矩脉动大的问题,提出了一种自适应强跟踪有限微分扩展卡尔曼滤波算法(STFDEKF)。该算法采用多项式近似技术和一阶中心差分法计算非线性函数的偏导数,它具有二阶非线性近似的能力;同时引入强跟踪因子来修改状态的先验协方差矩阵。文中将STFDEKF算法扩展至感应电机参数辨识,设计了针对非线性系统的STFDEKF滤波器;同时对五个电机变量进行观测,并将观测到的转速信息引入至感应电机控制系统,组成无速度传感器控制闭环。仿真结果表明,STFDEKF算法相比扩展卡尔曼算法(EKF)和有限微分扩展卡尔曼算法(FDEKF)虽然计算过程复杂,但是该算法具有更好地跟踪能力和滤波可靠性,所以在对磁链和转速目标进行跟踪时,STFDEKF算法是一种很有效的算法。