基于多特征融合的改进UPF目标跟踪算法

针对单特征目标跟踪算法的鲁棒性较差以及不能充分利用最新的量测信息等问题,提出了一种基于多特征融合的改进UPF(Unscented Particle Filter)跟踪算法.基于比例最小偏度单形采样策略的UKF(Unscented Kalman Filter)算法和IKF(Iterated Kalman Filter)算法对粒子滤波算法进行改进,并在改进的算法框架下,采用不确定性度量方法融合目标的颜色和纹理特征,对目标进行跟踪.仿真实验表明,改进算法提高了跟踪精度,对复杂背景下的目标进行跟踪有较好的效果,并能有效跟踪被遮挡的目标.

比例最小偏度单形采样的UKF及其在卫星定轨中的应用

基于Unscented变换(UT),在最小偏度单形采样策略中使用比例修正算法,提出了一种比例最小偏度单形采样的Unscented卡尔曼滤波(UKF)算法,用于基于地基观测的低轨卫星实时定轨。仿真结果表明:比例最小偏度单形采样UKF的精度与比例对称采样UKF相当,但计算效率至少可提高三分之一。

基于极大后验估计的STUKF算法跟踪再入弹道目标

针对弹道导弹再入阶段飞行受力情况复杂多变,状态噪声未知时变的非线性跟踪问题,提出基于极大后验估计的STUKF非线性滤波跟踪算法。该算法采用最小偏度单行采样策略,在保证跟踪精度的同时,提高实时性;引入带有多重次优渐消因子的强跟踪算法,在线调整状态一步预测均方误差阵,提高系统对突发机动跟踪的稳定性;采用指数加权的方法,利用次优无偏MAP时变噪声统计估计器,在线估计未知系统过程噪声的统计特性,提高系统应对噪声变化的能力。仿真结果表明:该算法具有比不敏卡尔曼滤波算法(UKF)和扩展卡尔曼滤波算法(EKF)更好的跟踪性能。

基于SMSS-UKF的机载单站无源定位算法

基于机载单站无源定位中常用的扩展卡尔曼滤波具有近似线性方程的雅可比矩阵计算困难、不敏卡尔曼滤波(UKF)具有计算量较大的问题,提出了基于改进的变尺度最小斜度不敏卡尔曼滤波(SMSS-UKF)的机载单站无源定位算法,该方法采用最小斜度采样策略进行Sigma点采样,减少Sigma点提高计算效率,利用变尺度不敏变换克服了采样点非局部效应问题。同时,针对大部分定位跟踪模型中状态方程为线性方程的特点,依据在线性状态方程情况下的贝叶斯理论,运用卡尔曼滤波状态预测的方法进行UKF的最优状态预测,使状态预测避免了不敏变换的数值近似误差和Sigma采样点计算的复杂性,提高了算法的运行效率和滤波精度。仿真实验的结果证明了SMSS-UKF滤波算法的有效性。

基于观测域平方根UKF的机载无源定位算法

针对机载无源定位存在滤波稳定性差、收敛速度慢、定位精度低等问题,提出一种观测域平方根UKF滤波算法,新算法充分利用了观测域滤波的自动解耦功能和平方根UKF良好的数值稳定性及非线性滤波能力,并通过最小偏度单形采样的UT变换减少了算法在状态域与观测域之间转换时存在的舍入误差,同时也提高了算法的运行效率。仿真结果表明新算法提高了滤波稳定性、收敛速度和定位精度。

基于UKF算法的异步电机无速度传感器矢量控制系统

针对异步电机无速度传感器矢量控制系统的转速、磁链估计问题,提出一种基于无轨迹卡尔曼滤波(UKF)的状态估计算法。为避免常用的对称采样方法仅适用于处理高斯噪声并且sigma点多带来的计算量大问题,依据UT变换理论,采用最小偏度单形采样方法,减少了近1/3的计算量。仿真结果表明,所提出的基于最小偏度采样的UKF估计器能够准确地估计转子磁链、转速。

基于变尺度变换减少Sigma点的粒子滤波算法研究

为了减少传统无味粒子滤波(Unscented particle filter,UPF)算法的计算负担,提出了最小斜度单形无味转换(Minimal skew simplex UT,MSSUT)方法,这种方法是用最小斜度无味卡尔曼滤波来产生粒子的重要性函数.它不仅能够扩大重要性分布与系统状态的后验概率密度的重叠性,而且能够通过减少Sigma点来减少计算负担.但是,随着状态空间维数的增加,Sigma点集的覆盖半径增大,导致了Sigma点集的聚集性变差.辅助随机变量变尺度无味变换(Auxiliary random variable formulation of the scaled unscented transformation,ASUT)能够克服Sigma点集分布扩展的缺点.所以,提出了一种高维空间中改进的变尺度最小斜度无味粒子滤波(Scaled minimal skew simplex unscented particle filter,SMSSUPF)算法.仿真结果表明:在高维状态空间中,与传统的无味粒子滤波(UPF)相比,计算复杂度和计算负担显著减少.与最小斜度无味粒子滤波(Minimal skew simplex unscented particle filter,MSSUPF)相比,SMSSUPF减少了系统噪声方差和测量噪声方差所带来的估计误差.

一种新的UPF算法在导航定位中的研究

为解决导航解算中粒子滤波的粒子退化现象和UPF(Unscented Particle Filter)算法存在计算量偏大的缺点,利用最小偏度单形采样结合比例修正算法,优化UPF算法中的重要性密度函数,并应用于PVA模型的导航定位解算。最终通过仿真实验结果表明,改进后的算法尤其能在平面方向得到较好的导航解,并且减少了计算量,提升了导航效率。

变尺度最小斜度UPF的Jerk模型机动跟踪研究

为提高Jerk模型在复杂环境下对机动目标的跟踪能力,减小计算较精确机动目标状态的高阶模型的负担,提出变尺度最小斜度无味粒子滤波(Scaled Minimal Skew Simplex Unscented Particle Filter,SMSS-UPF)算法。SMSS-UPF在轻量级计算中解决非线性空间高维数滤波精度低的问题,同时满足重要性分布与后验概率密度的高重合性,可改善对弱Jerk模型机动的跟踪能力。仿真结果表明,SMSS-UPF能自适应逼近不同强度的Jerk机动进行跟踪,减小系统噪声方差和测量噪声方差带来的估计误差。与传统UPF相比,计算复杂度显著减小。

迭代最小斜度单型sigma采样UPF算法

针对condensation算法以状态转移作为建议分布从而导致权值蜕化的问题,提出了以迭代最小斜度单型sigmaUKF建立建议分布的UPF算法.以最小斜度单型UKF产生统计线性误差项,再对IEKF推导产生不依赖于系统非线性映射Jacobian矩阵的迭代式,以此对状态均值、协方差进行迭代修正,以近似0残差使状态收敛到MAP估计,平滑了状态一步预测误差,从而提高了估计精度.结果表明,该算法扩大了预测样本与观测似然峰值区的重叠区域,提高了非线性系统的状态估计精度.