基于序贯式卡尔曼滤波的车辆定位新方法

车辆定位系统是智能运输系统中的一个重要组成部分,采用单个传感器观测目标往往定位不够准确。采用多个传感器同时测量目标是提高定位精度的重要途径,而采取合适的数据融合策略,有效利用这些信息是关键。为此,采用序贯式卡尔曼滤波方法对移动车辆进行定位,仿真结果显示了算法的有效性。

基于多尺度贯序式卡尔曼滤波的运动声阵列跟踪算法

为了研究运动声阵列对二维目标在复杂环境中的实时跟踪性问题,根据运动声阵列及二维目标的运动特点建立了状态方程与测量方程,并将其描述为块的形式.根据不同的状态块,利用小波变换把状态块分解到不同尺度上,分别在时域和频域上建立相应尺度上的状态与观测信息之间的关系;采取卡尔曼滤波器递推思想来实现运动声阵列的多尺度贯序式卡尔曼滤波算法,根据最小二乘误差估计理论推导了运动声阵列跟踪系统在球坐标系和直角坐标系下的误差,为提高系统跟踪精度奠定了理论基础,并为工程应用提供了实际方法.与传统的卡尔曼滤波算法相比,Matlab仿真结果表明了本文算法的有效性和优越性.

基于自适应SPRT的缓变式欺骗干扰检测算法

缓变式欺骗干扰信号在干扰初期与全球导航卫星系统(Global Navigation Satellite System,GNSS)真实信号保持一致,其隐蔽性强,危害性大。常见的缓变式欺骗干扰检测方法是将卡尔曼滤波新息序列作为检测量,基于卡方检验检测干扰。然而,这些方法存在检测时间较长、检测性能低的问题。针对这一问题,提出了基于序贯概率比检测(Sequential Probability Ratio Test,SPRT)的缓变式欺骗干扰检测算法,将新息序列检测量作为SPRT样本,计算检验统计量,检测欺骗的同时能识别受欺骗的卫星。同时,应用Bayes参数估计理论,提出自适应SPRT算法,自适应补偿检验统计量,加快算法检测速度,并可通过调整风险参数,进一步提高算法的检测性能。仿真结果表明,与传统方法比,本文算法对缓变式欺骗干扰的检测时间短、检测性能高,并且在多星受欺骗时,可达到较好的检测性能.

任意序贯样本下指数分布均值置信限

给出了在任意序贯试验情形下指数分布均值置信限的一般构造方法,这种序贯试验可以是有替换试验也可以是无替换试验.特别是给出了无失效情形下的最好的置信限的显式表达式.