基于“当前”统计模型的自适应不敏卡尔曼滤波算法

基于机动目标"当前"统计模型在直角坐标系下建立了三坐标雷达跟踪系统的状态方程和观测方程。针对非线性自适应滤波这一问题,提出了一种基于"当前"统计模型的自适应不敏卡尔曼滤波算法(CS-UKF),并对算法作了说明。通过计算机仿真验证了CS-UKF算法的有效性,并且该算法跟踪效果良好,精度好于基于"当前"统计模型的自适应扩展卡尔曼滤波算法(CS-EKF)算法。

基于改进当前统计模型的容积卡尔曼滤波算法

针对当前统计模型存在机动加速度极大值和机动频率难以确定、影响机动目标跟踪性能的问题,首先利用滤波新息的特性,自适应调整了加速度极大值;然后利用当前统计模型中加速度的非零均值时间相关模型,推导了一种自适应机动频率表达式;最后给出了基于改进当前统计模型的容积卡尔曼滤波算法.仿真结果表明,与标准的当前统计模型相比,本文改进算法对机动目标具有更好的跟踪性能.

基于“当前”统计模型的容积卡尔曼滤波算法

由于雷达探测目标是在极坐标系下进行的,因此在直角坐标系下建立雷达跟踪系统的状态方程和观测方程时,观测方程是非线性的,基于"当前"统计模型的机动目标跟踪不能直接通过标准卡尔曼滤波实现。文中在"当前"统计模型基础上,提出用容积卡尔曼滤波来实现非线性滤波,并将其与扩展卡尔曼滤波进行比较。通过对一个三维空间中机动目标跟踪的仿真,表明该算法能稳定跟踪目标,且跟踪精度高。

基于“当前”统计模型的卡尔曼滤波在北斗单向授时中的应用

为了提高北斗单向授时的授时精度,提出了一种基于“当前”统计模型的卡尔曼滤波单向授时方法。将“当前”统计模型应用于接收机时钟频率漂移的建模以建立状态方程,使用经过卡尔曼滤波后的钟差和钟速对本地时钟进行修正。实验结果表明,在选取合适的机动频率和最大频率漂移的情况下,相比于未滤波修正,温补晶振时钟的峰峰值最多可以减小36.7%,标准差最多可以减小42.5%;恒温晶振时钟的峰峰值最多可以减小71.8%,标准差最多可以减小67.0%。基于“当前”统计模型的卡尔曼滤波单向授时方法,可以有效地降低观测量的误差与噪声对于接收机钟差与钟速的影响,从而提高授时精度。

卡尔曼滤波回归统计模型及工程应用分析

将统计模型的回归系数看做状态向量,统计模型视为观测方程,利用卡尔曼滤波算法实现了统计模型的建模。该建模方法不仅便于实时处理、计算机实现、节省机时,而且由于卡尔曼滤波属于线性最小方差估计,所以相比最小二乘建模方法可望获得更高的建模精度。工程实践也验证了卡尔曼滤波回归统计模型的上述特性。

自适应CS模型的强跟踪平方根容积卡尔曼滤波算法

对于目标跟踪过程中的强机动问题,基于当前统计(current statistical,CS)模型和改进的强跟踪平方根容积卡尔曼滤波器(square-root cubature Kalman filter,SCKF),提出新的跟踪算法。在CS模型和改进输入估计算法的基础上,引入加加速度估计,使得状态过程噪声与状态协方差矩阵相联系,实现模型的自适应调整。从正交性原理出发,重新确定了渐消因子的引入位置,并提出了新的渐消因子计算形式,以克服传统渐消因子在雷达量测坐标系中的失效问题,从而构造强跟踪平方根容积卡尔曼滤波器。另外,构造强机动检测函数,利用SCKF的输出来调整自适应CS模型中的机动频率。仿真结果表明,相比基于CS模型的多重渐消因子强跟踪SCKF算法、改进CS模型的强跟踪SCKF(SCKF-STF)算法和交互式多模型(interacting multiple-model,IMM)SCKF算法,所提算法具有更佳的目标机动适应性和跟踪精度;相比于IMM-SCKF算法,实时性有明显改善。

“当前”模型自适应卡尔曼滤波在有轨电车定位中的应用

有轨电车常与地面其他交通工具混行,因此其准确定位是列车调度指挥和运输安全的重要保障。为节约成本,有轨电车系统一般采用GPS结合速度传感器等方式进行定位,而非大量铺设应答器,因此,GPS信号的处理对于列车定位精度的提高具有重要作用。从简化系统、节省费用、计算难度和精度等方面综合考虑,采用卡尔曼滤波方法对GPS定位信息进行修正。同时,为更好地描述列车运行状态,使其更贴近列车真实运动情况,采用机动加速度"当前"统计模型结合自适应卡尔曼滤波方法对有轨电车位置进行最优估计处理。通过Matlab仿真对在试验场地采集的GPS定位信息进行最优估计处理。仿真结果表明:采用"当前"模型下的自适应卡尔曼滤波算法后,列车定位结果能够更好地跟随其运动的真实轨迹,更接近其真实值,很好地提高了定位精度。

基于自适应容积卡尔曼滤波的交互多模型算法

ADS-B航迹处理主要包括航迹数据滤波和滤波后数据可靠性的判断。飞机飞行运动复杂,而报文需要在飞行过程中向外界发送,此时报文会受到来自外界的影响和干扰,从而使航迹信息出现误差或丢失。为提高ADS-B航迹报文的准确性,文章采用了交互多模型滤波算法,将自适应容积卡尔曼滤波器作为交互多模型滤波算法的滤波器,并将当前统计模型作为交互多模型的子模型。仿真结果表明,论文改进的算法提高了滤波算法的滤波性能,相较于传统的交互多模型滤波算法具有更高的滤波精度。

基于“当前”统计模型的ADS-B航迹滤波与处理

针对ADS-B航迹处理的精度问题,提出了一种ADS-B航迹滤波与处理的方法。首先,介绍了ADS-B航迹处理的流程;其次,针对在ADS-B航迹处理时出现的精度问题,引入“当前”统计模型进行研究;然后基于“当前”统计模型,利用自适应滤波算法进行航迹预测,实现航迹平滑;最后,通过对比仿真实验对自适应滤波算法的航迹滤波与处理性能进行分析,对比卡尔曼滤波算法与自适应滤波算法对航迹的处理效果,以及两种算法的误差均值。结果表明:基于“当前”统计模型的自适应滤波算法对航迹的处理有较好的效果,能够有效实现航迹的平滑与预测。

一种新的更好的基于“当前”统计模型的自适应滤波算法

提出一种新的基于"当前"统计模型的自适应滤波算法,针对"当前"统计模型自适应滤波算法中加速度极限值需要预设的不合理性,通过新息量和滤波值对加速度极限值进行估计,从而实现加速度极限值的自适应。通过对机动目标进行Monte Carlo仿真,结果表明了新算法的有效性和合理性。

基于扩展卡尔曼滤波的GPS多径抑制技术

本文研究 GPS系统中多径误差抑制技术。利用小范围多天线系统中多径对各天线之间伪距测量值影响的相关性 ,采用扩展卡尔曼滤波技术得到多径信号各参数 ,从接收信号中消去多径信号 ,以抑制多径信号影响。文章推导了多径信号对码环误差影响的闭合表达式 ,建立了采用当前统计模型的状态方程和观测方程。

机动加速度辅助的航姿系统扩展卡尔曼滤波

低精度航姿系统一般采用基于重力场和地磁场矢量观测的6态扩展卡尔曼滤波,载体长时间机动时,模型存在较大误差,无法保持稳定的姿态精度。将载体机动加速度描述为当前统计模型,提出了一种机动加速度辅助的9态扩展卡尔曼滤波,其状态变量包括三个姿态角误差、三轴陀螺零偏误差和三轴载体加速度误差,观测量为三轴加速度误差和三轴地磁场误差。实验表明,将航姿系统固定在转台上产生0.6 g的向心加速度时,9态扩展卡尔曼滤波在对机动加速度进行稳定估计的同时,姿态精度保持在1度以内。

基于当前统计模型的改进粒子滤波算法

基于"当前"统计模型,提出了双站无源被动跟踪的改进粒子滤波算法.该算法使用扩展卡尔曼滤波提议分布的粒子滤波,融合双站测量数据,包含了残差重抽样步骤以及马尔可夫链蒙特卡罗法等技巧.在双站测量的被动跟踪试验中,比较了各种滤波方式.仿真结果证实,该改进算法能有效跟踪高度机动的目标.

改进的基于“当前”统计模型自适应滤波算法及其在航迹预测中的应用

基于"当前"统计模型的模糊自适应(FACS)滤波算法利用机动目标"当前"加速度调整加速度极限值,实现了对一般机动目标的有效预测;但是在预测强机动目标时却存在较大的预测误差。为了解决这一问题,引入强跟踪滤波器(STF),提出了一种新的自适应滤波算法STF-FACS。该算法根据滤波残差实时调整卡尔曼滤波增益,提高了对强机动目标的预测能力;同时保留了FACS算法对于一般机动目标的预测性能。最后,对强机动目标分直线机动和转弯机动,分别进行航迹预测仿真。仿真结果表明,对弱机动目标进行航迹预测时,两种算法的预测效果相当;对强机动目标进行航迹预测时,STF-FACS算法无论是在动态时延和预测精度方面都比FACS算法要好。

基于“当前”统计模型的模糊自适应滤波算法

"当前"统计模型需要预先设计目标最大机动加速度和目标机动频率,不能适应各种机动情况。在"当前"统计模型的基础上,提出了一种基于"当前"统计模型的模糊自适应滤波算法。该算法能使目标最大机动加速度和目标机动频率随着机动特性自适应调整,适应各种机动情况。仿真结果表明,该算法的跟踪精度优于传统的基于"当前"统计模型的跟踪算法。

一种基于“当前”统计模型的自适应滤波算法

针对机动目标跟踪问题 ,在“当前”统计模型的基础上 ,利用机动加速度与方差的自适应关系 ,提出了一种新的自适应滤波算法。大量仿真结果表明 ,该算法在跟踪机动目标时 ,具有良好的跟踪性能。

基于扩展卡尔曼滤波的机动目标跟踪研究

针对雷达导引头跟踪机动目标问题,建立了一种适于高机动目标探测的非线性系统模型,采用扩展卡尔曼滤波算法推导适用于弹载脉冲多普勒雷达机动目标探测的滤波模型,用以估计俯仰失调角、方位失调角、弹目相对速度和距离等信息,利用系统数学模型对目标加速度及弹目视线角速率进行解算估计。对标称弹道和极限弹道的跟踪仿真表明,所建立的系统模型和滤波设计方案,能够处理真实飞行中存在的部分信息缺失问题,对于极端情况下的遮挡问题也能在一定时间内保证较高的跟踪精度。

改进的强跟踪容积卡尔曼滤波的机动目标跟踪

机动目标的跟踪在实际中有着广泛的应用,其核心问题是机动建模和滤波算法。采用当前统计模型和容积卡尔曼滤波对机动目标进行跟踪。针对容积卡尔曼滤波在目标突发机动时跟踪性能较差的问题,借鉴强跟踪滤波思想,将渐消因子引入滤波过程,提出了一种改进的强跟踪容积卡尔曼滤波算法,该算法实现简单,估计精度高,鲁棒性强。仿真结果表明,该算法有效增强了系统对目标突发机动的自适应跟踪能力,并保持了对弱机动和非机动目标良好的跟踪性能,且运算速度较快。

双级迭代自适应卡尔曼滤波算法

针对高速目标的跟踪定位问题,提出了基于"当前"统计模型的双级迭代自适应卡尔曼滤波算法。首先利用三球交点定位算法对观测值进行处理,得到目标位置初始估计值;采用初始估计值中的速度新息的特征函数和加速度新息的特征函数推导出迭代参数表达式,再使用目标运动特性对迭代参数取值进行限定;最后将迭代参数应用到自适应卡尔曼滤波算法实现滤波。仿真的结果表明,双级迭代自适应卡尔曼滤波的速度估计优于"当前"统计模型的速度估计,并且双级迭代自适应卡尔曼滤波的稳健性更好。

一种新的改进的“当前”统计模型的自适应滤波算法

针对标准"当前"统计模型中加速度和机动频率需要预先设定的不合理,以及在跟踪非机动和弱机动目标时存在精度不高的问题,从加速度状态方程式中推导出机动频率自适应表达式;并结合已有的加速度方差自适应算法,提出了一种新的基于"当前"统计模型的自适应卡尔曼滤波算法。仿真结果表明算法的有效性和合理性。