利用伯努利滤波的多目标机动雷达误差配准方法

传统的组网雷达多目标误差配准方法通常假设数据关联关系已知,但在平台机动的情况下,系统同时存在雷达测量偏差和平台姿态角偏差,且雷达观测过程中会受到杂波干扰,导致数据关联尤为困难。针对这一问题,该文提出一种基于伯努利滤波的多目标机动雷达误差配准方法。首先建立系统偏差的量测与状态方程,然后将系统偏差建模成伯努利随机有限集,利用公共坐标系下的原始量测可实现系统偏差在伯努利滤波框架下的递推估计,有效避免了数据关联问题。同时,为了充分利用多目标量测信息,提出一种修正的贪婪量测划分方法,在每个滤波时刻挑选出系统偏差对应的最优量测子集,利用量测子集中的多量测信息实现系统偏差的集中式融合估计,提高了系统偏差的估计精度和收敛速度。仿真实验表明,所提方法能够在数据关联未知的多目标多杂波场景下对雷达测量偏差和平台姿态角偏差进行有效估计,在平台姿态角变化率较低时,所提方法具有较强的适应性。

一种多站雷达协同时空误差配准方法研究

多站雷达协同系统各个节点工作具有异步性,多节点雷达对同一个或多个目标的测量误差不一致,导致在多站雷达协同进行数据融合时将同一目标误认为不同目标,使得融合航迹性能下降,失去多雷达协同的优势。文中研究了一种基于多站协同数据处理的航迹误差校准方法,利用最小二乘滤波对多站雷达航迹进行关联,同时利用多站协同关联的优势剔除转发式干扰航迹,对多站探测到的同一目标航迹进行时间统一。并基于多站协同迭代最近点算法,使用多站协同系统中高精度节点数据对低精度节点数据进行误差配准。仿真结果表明,文中方法在多目标复杂运动场景中具有更高的航迹关联正确率,且具有较好的抗转发干扰能力。与传统空间误差配准算法相比,具有更低的配准均方根误差。

基于回归神经网络的误差配准算法

神经网络系统理论已受到广泛关注,它的理论和方法已被应用到许多研究领域。本文介绍了神经网络雷达配准原理,并推导了基于回归神经网络的误差配准算法。

基于ECEF的广义最小二乘误差配准技术

雷达组网数据处理首先要进行误差配准,来准确地估计和消除系统误差。传统的误差配准技术多基于球极投影,当雷达之间距离较远时,给配准结果引入一定的误差。基于地球中心坐标系(ECEF),提出了一种广义最小二乘的ECEF-GLS误差配准技术,较好地解决了远距离误差配准问题,误差分析表明,如果忽略模型线性化引入的误差,配准结果达到了CRLB下限。最后,使用仿真数据验证了算法的性能,并和Zhou提出的基于ECEF坐标系的最小二乘ECEF-LS误差配准算法进行了比较。

基于TDOA与GROA的多运动站误差配准算法

针对多运动站无源定位过程中存在系统误差的问题,该文提出一种基于到达时差(TDOA)与到达增益比(GROA)最小二乘配准算法。该算法利用泰勒展开把非线性的量测方程线性化,利用最小二乘算法得到对目标状态和系统误差的联合估计,并考虑了量测噪声和站址误差的影响。同时推导了存在量测噪声、站址误差和系统误差时的克拉美罗下界(CRLB),并分析了系统误差对CRLB的影响。多种条件下的仿真表明,该算法对系统误差和目标状态的估计精度较高,说明了算法的有效性。

基于极大似然的单传感器误差配准算法

对单传感器系统误差配准问题进行了研究,首先理论分析了传感器量测系统误差对固定目标探测定位的影响,给出了传感器运动将造成固定目标产生虚像做类似运动的结论;在此基础上,提出了一种基于极大似然的单传感器误差配准算法,该算法基于极大似然准则,利用运动传感器对固定目标虚像位置的多时刻跟踪滤波信息,构建对传感器量测系统误差的极大似然估计,并通过进一步迭代估计获得系统误差最终估计结果,从而能够利用位置未知的固定目标实现运动平台单传感器量测系统误差的精确配准。

一种多传感器实时误差配准算法研究

针对多传感器的系统误差配准问题,研究了系统误差时变的情况,提出了一种基于迭代扩展卡尔曼滤波(IEKF)的配准算法。该算法将目标的运动状态和传感器系统误差组合在同一状态方程中,构建扩维状态的系统动态方程,采用IEKF的方法对目标状态和系统误差进行联合估计。仿真结果表明,与采用EKF和UKF的方法相比,该算法能取得和UKF相近估计精度,并且时间效率和EKF相当。

3D雷达与2D雷达联合误差配准技术研究

分析了地心地固(ECEF)坐标系下,两坐标(2D)雷达和三坐标(3D)雷达联合估计类误差配准方法和3D雷达校正2D雷达系统误差的方法。前者直接使用3D雷达和2D雷达的量测值,通过滤波得到各自的系统偏差估计值;后者则首先使用常规方法对2个3D雷达进行误差配准,然后使用配准后的3D雷达数据来校正2D雷达。2种算法都以卡尔曼滤波为基础构建等效量测方程和状态方程。根据2D雷达是否使用3D雷达提供的高度估计值,分2种情况进行公式推导和分析。仿真结果表明,联合类估计算法和不使用高度估计值的算法性能较好。

多传感器距离误差配准算法研究及仿真分析

舰艇编队组网定位系统中距离维量测受舰艇摇摆影响较小,因此利用多传感器纯距离信息进行目标定位具有精度高的特点。基于多传感器纯距离定位算法中的解二次方程法,研究通过对多传感器进行网络组合,从n个传感器选n 1个传感器构成n个子网。再利用不同子网对同一探测目标的定位差值,构建了系统误差观测模型;推导给出了多传感器距离误差配准算法;分析了系统误差条件下定位系统的GDOP表达形式。通过采用相对阈值和截断奇异值方法减轻矩阵病态性,提高了估计的稳健性。仿真结果表明给出的算法对于纯距离误差估计的有效性。

基于两级扩展Kalman滤波的海上多平台误差配准算法

为了建立统一态势图,利用平台的低精度导航信息和相互测量的位置信息来进行海上多平台传感器数据位置对准,避免了对高精度导航设备的依赖以及将地表近似为平面所带来的误差。分析数据位置对准过程中的主要误差来源,给出对准的坐标变换模型,分别构建关于导航系统误差和传感器系统误差的测量方程和状态方程,设计两级扩展Kalman滤波配准算法对两种系统误差进行在线估计和补偿,完成海上多平台的误差配准,为后续数据关联和融合提供更高精度的传感器数据。仿真实验结果验证了算法的正确性和有效性。

基于改进EX的机动雷达误差配准算法

针对EX(Exact Method)算法的大计算量和耗时对其工程应用造成的不利影响,提出了一种改进的EX算法(MEX算法),通过优化EX算法的算法结构,消除其存在的冗余运算,提高了实时性;为解决机动雷达情况下的误差配准问题,通过改进MEX算法以适应系统存在姿态角系统误差的特点,提出了扩展的MEX算法(EMEX算法);把EMEX算法推广应用到多机动雷达情况下的系统误差估计中,得到了采用集中式融合结构的EMEX算法(CEMEX算法)。为验证提出算法的正确性和有效性,对算法进行蒙特卡洛仿真比较,结果表明,MEX算法在保持EX算法估计性能不变的前提下,大大减少了算法耗时,提高了EX算法的估计效率;EMEX算法能够有效地估计出机动雷达的各种系统误差;CEMEX算法能够有效地融合多部雷达量测的信息,具有良好的系统误差估计性能。

一种基于神经网络和UKF的自适应目标误差配准方法

针对多传感器数据融合的误差配准问题,提出了一种自适应的误差配准方法。该方法使用无迹卡尔曼滤波方法训练神经网络,在偏差先验模型未知的条件下,通过学习待配准目标量测与配准目标之间的误差变化,实时估计配准误差并同时将其应用于目标状态估计。仿真实验表明,该方法能够实时有效地估计目标配准误差和目标状态。

粒子滤波在误差配准中的应用

系统偏差严重影响了多部雷达航迹的互联和目标状态的融合,因此如何解决误差配准成为一个关键问题。因为系统偏差和雷达的量测之间是一种非线性关系,所以无法直接使用Kal-man等线性滤波直接进行系统偏差的估计。为解决这一问题,利用非线性的粒子滤波器(PF),对目标状态和系统偏差的估计进行了探讨,为了对比其性能,设计了一种扩展Kalman滤波算法。仿真结果表明PF在误差配准中的应用是可行的,性能高于扩展Kalman滤波。

三种实时误差配准算法性能分析与比较

对雷达组网中现有的三种实时误差配准算法即扩维扩展卡尔曼滤波算法(Augmented State Extended KalmanFilter)、解耦卡尔曼滤波算法(decoupled Kalman Filter)和准确算法(Exact method)进行了介绍与分析,并通过蒙特卡罗仿真试验从算法估计的均方根误差、估计的一致性检验和算法耗时等方面对算法进行了性能比较。根据仿真的结果并结合分析对算法做出评价,从而为实际系统选用合适的估计算法提供了有益指导。

基于H_∞滤波的3D雷达与2D雷达误差配准方法

针对工程上难以对3D雷达与2D雷达进行直接配准这一问题,提出了一种基于H∞滤波和当前统计模型的目标状态和系统偏差联合估计方法。基于机动目标的当前统计模型,采用鲁棒H∞滤波算法对目标状态和系统偏差进行联合估计。本算法克服了对目标最大加速度的依赖,而且在目标过程噪声统计特性和运动模型未知的情况下,估计结果仍然很稳定。仿真结果表明,该算法要优于基于实时卡尔曼滤波的3D雷达和2D雷达配准算法,并且不受目标运动模型的限制。

基于NLS的多机只测角误差配准算法

多机无源融合定位中的误差配准是目前多传感器误差配中的难点之一。当无源传感器获得的观测量存在系统误差却不进行配准时,多机融合定位的效果将受到严重影响。针对这一情况,在多机只测角无源定位问题中提出了一种基于非线性最小二乘(NLS)的误差配准算法。该算法将多机只测角误差配准问题转换为非线性最小二乘估计问题,并采用高斯-牛顿法求解,即先将非线性量测方程线性化并采用加权最小二乘进行估计,然后进行迭代直至收敛到最优估计值。仿真结果表明,与EKF配准算法相比,当观测时间足够长时,本文提出的NLS误差配准算法的定位误差可以接近克拉美罗限(CRLB),并且对系统误差的估计精度非常高。

基于SINGER模型的实时误差配准算法及分析

系统误差配准是多平台、多传感器目标跟踪的关键环节,可以有效地估计雷达跟踪系统误差,并进行准确误差补偿。若不进行精确的系统误差配准,则可能导致多平台、多传感器跟踪系统对目标融合跟踪的错误或对同一目标产生多条航迹,从而导致系统性能恶化。给出了基于目标SINGER运动模型的扩维卡尔曼滤波算法。通过仿真实验分析了误差配准精度与机动频率的关系,结论为针对不同机动频率目标进行雷达跟踪系统的误差配准提供理论参考。

基于SRUKF的3D雷达与2D雷达的误差配准方法

系统误差配准技术是雷达组网数据处理系统中必不可少的基础和关键技术,其目的是准确估计及消除组网雷达的系统误差。采用ECEF坐标系作为公共参考坐标系,推导了使用3D雷达配准2D雷达的3种方法,并采用均方根不敏卡尔曼滤波(SRUKF)对组网雷达系统误差进行实时估计。仿真结果表明,该算法可以有效地实现3D雷达与2D雷达之间距离和方位角的系统误差配准。

基于EM-EKF的异类传感器系统误差配准算法

期望最大算法(EM算法)是参数估计中一种很重要的方法,在处理不完全数据中有重要应用。针对异类传感器误差配准过程中的未知参数,采用EM与EKF相结合的算法进行多传感器误差配准与航迹融合。该算法通过使似然函数的期望最大化,简化了似然函数的优化估计,EKF滤波和平滑过程实现了更加准确的期望估计,迭代算法可以有效地实现异类传感器的误差配准,使估计的系统误差收敛到似然函数的局部最优解,仿真结果显示了该算法的有效性。。

基于Metropolis-Hastings抽样的系统误差配准方法

针对目标运动模型不完全的跟踪系统,为解决系统误差配准问题,提出一种基于Metropolis-Has-tings抽样的系统误差配准方法。该方法通过系统误差的最大似然估计导出的等效概率平稳函数作为Metropo-lis-Hastings算法要求构造的概率密度函数,同时给出不同的提议函数来提高系统误差空间分布的全局性。对时变和时不变系统误差情况分别进行了仿真,仿真结果表明,所提方法在考虑系统误差统计特性的同时对解决系统误差配准问题具有有效性和可行性。