基于改进当前统计模型的模糊自适应车辆定位算法

分析比较了"当前"统计模型和Singer模型各自的特点,提出了基于改进的"当前"统计模型的模糊自适应车辆定位算法(MCS-FAEKF),实时动态选择机动模型和调整系统噪声协方差矩阵。相对于传统的"当前"统计模型卡尔曼滤波算法(CS-EKF)和Singer-EKF算法,MCS-FAEKF算法对车辆目标的定位精度和可靠性等都得到了较大提高,计算机仿真结果验证了算法的有效性和可行性。

一种基于航位推算的水下机器人导航算法

本文针对智能水下机器人(AUV)导航信息较少的特点,进行了基于航位推算的AUV导航系统研究。首 先利用传感器信息进行了航位推算,然后建立了基于一阶时间相关函数的辛格模型,利用强跟踪卡尔曼滤波 算法对推算结果进行了次最优估计,提高了系统的跟踪能力,改善了导航精度,同时对GPS数据进行了野值 剔赊。松花湖上的试验结果验证了算法的有效性。

IMM-Singer模型的机动目标跟踪算法

交互式多模型(IMM)算法是一种有效机动目标跟踪算法,但其性能与模型的选择、个数以及参数有关。Singer模型算法可以实现对机动目标的跟踪,但该算法存在机动频率和过程噪声大小等参数难以选取的问题。针对以上情况,利用IMM算法易于结合其他算法的特点,提出一种基于IMM-Singer模型的机动目标跟踪算法,实现Singer模型参数的自适应选择。仿真结果表明,该算法比单一的Singer模型算法或一般的IMM算法更能有效提高机动目标跟踪精度。

机动目标跟踪MS模型

针对Singer模型中人为设定参数的不合理性,对机动时间常数的倒数α和驱动白噪声方差σ2w进行估计,提出新的Modified Singer(MS)模型,并给出相应的参数自适应滤波算法。该模型在估计目标状态的同时,能够实时估计参数α及σ2w的值。仿真结果表明MS模型比Singer模型状态估计更精确,结果也更稳定。

机动目标模型的研究进展

回顾了近年来机动目标模型的研究与发展;重点分析讨论了Singer模型、"当前"统计模型、自适应当前输入统计模型、Jerk模型及坐标转弯模型的优缺点,指出了各个模型的局限性,并得出有意义的结论;最后指出了机动目标模型研究的难点及未来的研究方向。

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。

一种基于复合模型的机动目标跟踪算法

针对一类飞行器纵向机动能力大、侧向机动能力小,提出了一种基于"当前"模型与Singer模型的复合模型自适应卡尔曼滤波空间机动目标跟踪算法;"当前"模型具有对机动目标跟踪效果好的特性,Singer模型具有对机动性较小的目标跟踪精度高的特性,利用这2种模型的优势建立机动目标的复合模型,运用自适应卡尔曼滤波算法对机动目标进行状态估计,其算法具有简单、精度高和工程应用强等的特点;最后通过仿真验证了所提算法的有效性与正确性。

基于Singer模型的机动目标无源定位跟踪方法研究

对双站测向无源定位跟踪方法进行了研究,分析了双站交叉定位的基本原理,应用Singer模型和扩展卡尔曼滤波对三维空间中的机动目标无源定位跟踪问题进行了仿真分析。仿真结果表明,在假设的仿真条件下以及测向精度为1 mrad时,对机动目标定位跟踪的相对测距误差保持在1.5%以下,滤波跟踪效果良好,表明该方法对机动目标的无源定位跟踪是有效的,对工程应用有一定指导意义。

无源北斗/惯导两级滤波闭环组合算法

针对北斗卫星定位系统和惯性导航系统的组合设计组合导航卡尔曼滤波定位算法,引入伪距率作为观测量,基于高稳定度用户时钟,提出了双星下用两级滤波器对惯导进行闭环校正的闭环组合设计方案。其最大的优点是能根据收星情况稳定地在闭环和开环方式之间转换,这是采用惯导模型设计滤波器所不具有的。最后通过仿真说明本文方案有效地提高了丢星时组合导航系统的滤波定位精度,能够有效校正惯导的姿态误差角,并以较高的精度估计用户的三维速度。

基于BP神经网络修正的自适应Singer模型

针对传统Singer模型在跟踪机动目标时存在稳态误差以及模型对加速度的先验统计量存在依赖等缺点,提出了基于BP神经网络修正的自适应Singer模型。该模型的样本数据选用卡尔曼滤波状态量中的加速度估计量,采用Burg算法估计加速度的功率谱密度,并利用BP神经网络对谱估计结果进行修正,进而导出当前统计模型下的Singer模型的参量。Simulink仿真结果表明,该模型能够克服传统Singer模型跟踪机动目标性能差的缺点,并且模型在收敛之后不再依赖加速度的先验统计量。

利用Singer模型的无陀螺姿态和角速度估计

给出了一种利用Singer跟踪模型的扩展卡尔曼滤波器 (ExtendedKalmanFilter) ,用于无陀螺姿态和姿态角速度估计。在滤波器中 ,姿态和姿态误差分别由姿态四元数和误差四元数表示 ,而姿态角加速度由一阶Markov过程描述 ,从而避免采用姿态动力学模型。利用数值仿真计算验证了滤波器的性能。在所有的仿真过程 ,滤波器显示出快速收敛能力。

Singer模型下α-β-γ滤波的新息序列特性分析

卡尔曼滤波条件下新息序列的白噪声特性在跟踪过程中具有十分重要的作用。但在实际工程中,α-β-γ滤波器因其较小的计算量常取代卡尔曼滤波器得以应用,这时需要对该滤波条件下的新息相关特性进行研究,以此来指导野值剔除和机动检测方案的重新设计。从理论上推导了Singer模型下α-β-γ滤波的新息序列相关特性计算的一般表达式,在两组特定的取值下,研究和分析了滤波达到稳态时新息序列的相关特性,用仿真验证了理论推导的正确性。理论和仿真结果均表明,两种情况下的新息序列都具有一定的相关性。

一种基于径向加速度的Singer-EKF机动目标跟踪算法

针对雷达均不能提供目标加速度信息,在目标机动时会出现跟踪精度差甚至跟踪发散的问题,提出一种基于径向加速度的Singer-EKF算法。该算法在信号处理阶段利用Radon-Ambiguity变换(RAT)估计出目标的径向加速度,并通过坐标转换将其引入量测向量中,然后采用基于Singer模型的扩展卡尔曼滤波(EKF)算法实现机动目标的跟踪。仿真验证了该方法的有效性,并与传统的不带径向加速度的扩展卡尔曼滤波(EKF)方法进行了比较,结果表明该方法在径向距离、位置、加速度和速度估计精度方面都有所提高。

粒子滤波在MEMS陀螺仪初始对准中的应用

针对微机电系统MEMS(Micro-Electro-Mechanical-System)陀螺仪的随机误差,引入了粒子滤波处理MEMS IMU的输出数据。借助于机动目标的Singer模型建立了系统状态方程,论文讨论了粒子滤波算法在MEMS IMU滤波处理的应用,详细描述了算法的推导过程。应用经典卡尔曼滤波和粒子滤波分别处理MEMS陀螺仪初始对准时输出的数据,滤波结果发现,两种算法滤波后随机误差得到有效减小,而粒子滤波有一定优势。

基于航迹信息的舰船姿态角估计研究

提出了一种利用航迹信息估计出舰船目标姿态角的方法。该方法首先建立了舰船目标运动模型,然后采用Singer模型对舰船目标的雷达数据进行处理,最后对舰船目标航迹数据进行多项式拟合,使目标数据更加优化,进而精确地估计出舰船目标的姿态角。仿真结果表明,该方法能够有效地估计舰船目标姿态角。

ANSYS下单层椭圆抛物面网壳自动建模方法

根据单层椭圆抛物面网壳结构的几何特性,考虑用圆弧代替抛物线形成的曲面替代椭圆抛物面。在ANSYS平台下利用其自带的编程语言APDL(ANSYS Parametric Design Language),编制了相应的宏,实现单层网壳的快速参数化建模,实例证明此法简单、快捷,可以满足工程要求。

机动目标跟踪Jerk模型的改进

Jerk模型是Singer模型的改进模型,它提高了对机动目标的跟踪精度,但延长了从起始跟踪到稳定跟踪所需时间。提出一种对Jerk模型的改进,选取一个合适的分段点,初始段采用四维扩充的Singer模型,分段点后采用Jerk模型,通过调入不同的参数就可以实现跟踪模型的转换,仿真结果表明改进的Jerk模型到达稳定跟踪的时间缩短,并且跟踪精度不受影响。

基于改进IMM运动模型的室内定位算法

针对目标运动状态改变会导致目标跟踪算法精度下降甚至发散的问题,提出了一种基于交互式多模型(IMM)的目标跟踪算法。首先,IMM改进算法融合了非机动模型和Singer模型,Singer模型通过改变机动频率和加速度方差可以较好地适应强机动目标。其次,针对初始定位数据精度低的问题,采用到达时间差(TDOA)算法对定位数据进行初步估计,TDOA算法在视距环境下具有较高精度和较低的计算复杂度。实验结果表明:相比于传统IMM滤波算法,改进后的IMM算法能有效提高定位精度,实现了对目标的稳定跟踪。

基于MS-IMMIKF的MEMS陀螺输出信号消噪处理

陀螺用于感知稳定平台相对于惯性空间的角速率,进而得到稳定平台在惯性空间的姿态,通过反馈稳定平台伺服控制机构相应的控制量来实现对稳定平台的稳定控制。通过分析陀螺随机误差对稳定平台精度影响,提出了一种新的陀螺随机漂移处理方法。首先针对机动跟踪领域的Singer模型中人为设定机动频率α的不合理性,对机动频率α进行在线估计,提出基于Modified Singer(MS)模型直接对陀螺输出进行建模的方法;在此基础上建立基于交互式多模型(IMM)的改进卡尔曼滤波算法(MS-IMMIKF)对陀螺输出随机误差进行处理,并对交互式多模型的改进卡尔曼滤波(IKF)进行理论分析和推导;通过数值仿真分析和稳定平台中某型号陀螺试验验证和仿真计算得出,静态滤波后均方根误差达到0.022 7°/s,证明了该方法对陀螺漂移处理的有效性与可行性;最后通过稳定平台动静态稳定试验表明,MS-IMMIKF滤波算法对提高稳定平台精度有效且实用。

基于轨迹预测的高超声速飞行器拦截中/末制导研究

针对因高超声速飞行器全程飞行速度快且具较强的机动能力,导致中末制导需用过载超出可用过载,采用传统制导律难以满足拦截需求的问题,对一种基于虚拟目标的高超声速飞行器轨迹拦截方法进行了研究。基于目标Singer运动学模型和量测模型,用扩展卡尔曼滤波(EKF)估计目标运动信息,将预测命中时刻目标运动轨迹作为虚拟目标点,考虑拦截交会角约束,采用针对虚拟目标的中制导拦截策略,在末制导段采用比例修正制导。通过随距离可变的末制导过渡段指令,以避免中末制导弹道交班的过载抖动。仿真结果表明:基于虚拟目标点高超声速目标拦截能有效减小末端弹目交会角同时降低需用过载。为降低中制导误差,可在拦截过程中实时更新一次虚拟目标的预测结果。该法可用于高超声速飞行器拦截,以及其他大机动目标的轨迹预测和拦截。