一种改进的多传感器伪序贯滤波算法

传统的多传感器数据融合算法假定传感器之间的测量噪声是不相关的 ,但实际上测量噪声存在着一定的相关性 ,因而会引起滤波精度的损失 .针对该问题 ,文中研究了测量噪声相关情况下的同步多传感器跟踪系统的测量融合技术 .在测量噪声相关的条件下 ,根据线性无偏最小方差估计理论 ,提出了一种改进的同步多传感器伪序贯滤波算法 ,该算法不但适用于噪声不相关情况 ,而且也适用于噪声相关情况 .经仿真研究表明 ,该算法明显提高了航迹的融合精度 :在测量噪声相关时 ,融合精度比传统算法有明显提高 ;而测量噪声不相关时 ,性能与传统的数据融合算法相同 .

测量噪声相关情况下改进的多传感器融合算法

为了研究测量噪声相关情况下,同步多传感器跟踪系统的测量融合技术,根据线性无偏最小方差估计理论,给出了测量噪声相关情况下,同步多传感器系统测量融合的伪序贯和数据压缩实现算法,它们对测量噪声相关与不相关情况都适用。仿真表明,在测量噪声相关时,尤其是相关性较强时,本算法的融合精度比传统算法有明显提高;而测量噪声不相关时,性能与传统的融合算法相同。仿真结果表明了算法的有效性。

基于纯方位角测量的水下目标被动跟踪技术

水下目标的被动跟踪技术在军事上具有重要的应用价值,为了解决基于纯方位角测量的水下目标被动跟踪技术在实际应用中的问题,研究了几种适合于单、双观测站的水下目标被动跟踪算法。分别对伪线性估计算法、扩展卡尔曼滤波算法、无迹卡尔曼滤波算法在不同参数情况下的性能进行了详细的仿真与分析。仿真结果表明,静止单观测站虽不能获得目标的完全观测,但是在具有一定先验信息的情况下,伪线性估计算法也可以实现对目标轨迹的估计;双观测站可以获得对目标的完全观测,并且在观测方程严重非线性的情况下,无迹卡尔曼滤波方法的性能要优于扩展卡尔曼滤波方法。仿真结果对工程应用具有重要的参考价值。

基于修正输入估计的机动目标无源跟踪

文中将修正的输入估计算法和伪线性滤波算法相结合,提出了一种对机动目标进行自适应纯方位跟踪的新算法,该算法将未知的输入向量作为新的元素补充到原来的目标状态向量中得到新的扩维状态向量,然后在只有角度测量数据的情况下利用伪线性滤波算法对原来的目标状态向量和新增的目标加速度向量同时进行估计。仿真结果表明,该算法可适应目标机动和非机动两种工作模式,能够实现对机动目标的自适应纯方位跟踪。

带频率信息的机动目标被动跟踪

对于被动目标跟踪,在引入了测频信息后,目标的可观测条件大大放宽,在某些条件下,观测站甚至可以不动。本文对带频率信息的被动跟踪由二维常速目标延伸到三维机动目标,并采用伪线性估计器(PLE)。仿真结果表明,伪线性估计器(PLE)在一定程度上能够改善带频率信息的机动目标被动跟踪。

基于红外传感器方位跟踪算法的性能分析

针对项目需要,研究了当毫米波雷达/红外双模导引系统中的雷达系统不可用时,仅通过红外传感器的目标角度信息进行纯方位跟踪的卡尔曼滤波算法以提高系统的抗干扰能力。文中分析了扩展卡尔曼滤波器、伪线性估计器和基于修正球坐标系滤波器3种滤波方法用于解决此类问题的特点,并以纯方位跟踪的观察数据对上述算法进行了仿真。结果表明:扩展卡尔曼滤波器是一种不稳定的算法,在许多情况下是发散的;伪线性估计器稳定性较好,但产生的估计是有偏的;基于修正球坐标滤波解决了跟踪不稳定性问题,估计效果相对较好,具有一定的工程应用意义。

跳变约束下马尔可夫切换非线性系统滤波

针对系统状态演化多模不确定性和状态约束多样性,本文提出了跳变约束下马尔可夫切换非线性系统的交互式多假设估计方法.定义了包含跳变马尔可夫参数可能取值的假设集,根据最优贝叶斯滤波,推导出状态与假设的后验概率递推更新.基于统计线性回归线性化非线性函数,利用伪量测法,将线性化的约束扩维到真实量测中,给出了非线性系统滤波的近似解析最优解.最终给出所提算法的稀疏网格积分近似最优估计实现.在交叉道路机动目标跟踪仿真场景中,所提算法的滤波精度优于基于泰勒展开的交互式多模型算法,基于统计线性回归的交互式多模型算法,以及基于泰勒展开的非线性系统约束滤波算法.