一种基于加性潜变量的扩维卡尔曼滤波方法

现有面对非线性系统所设计的卡尔曼滤波器的性能常随着非线性程度的增强而逐步退化。为了弥补扩展卡尔曼滤波和无迹卡尔曼滤波在线性化过程中的不足之处,文中针对一类由线性项和非线性项累加组成的强非线性系统,建立了一种基于潜变量的扩维卡尔曼滤波方法。该方法将非线性项定义为原始系统的潜变量,并建立了关于潜变量的线性动态关联模型,将潜变量扩维到系统原始的状态变量中,从而建立以原始变量和潜变量为基础的线性系统模型。最后设计出该类系统的高阶扩维卡尔曼滤波器,并经过MATLAB仿真验证了新设计滤波器的有效性与准确性。

基于VS-IMM算法的A-SMGCS场面运动目标跟踪

为实现先进场面运动引导控制系统中场面监视雷达对运动目标的跟踪,研究了将变结构交互式多模型(Variable structure interacting multiple model,VS-IMM)算法应用到该系统中。首先,根据飞机的真实运动情况建立了飞机的匀速运动、匀加速运动和匀速转弯运动模型;然后,针对固定结构交互式多模型(Fixed structureinteractive multiple model,FS-IMM)算法在目标跟踪方面的不足,结合机场地图,将VS-IMM算法应用到机场场面运动目标跟踪中;最后,基于扩展卡尔曼滤波将VS-IMM算法与FS-IMM算法进行仿真比较。结果表明:VS-IMM算法的跟踪精度及模型选择均优于FS-IMM算法,VS-IMM算法在场面跟踪方面具有更大的应用价值。

一种改进的水下小目标跟踪算法仿真

针对水下小目标跟踪精度低,易发生误跟和跟丢目标的问题,提出了一种扩维交互式多模型扩展卡尔曼算法(IMM-EKF)结合模拟退火粒子群算法(SA-PSO)的目标跟踪算法。首先,基于初始时刻获取量测和估计量测的加权最小二乘原则,利用SA-PSO算法估计目标的初始位置。仿真结果表明,上述算法以少于60次的迭代次数收敛,并且初始位置估计误差略大于克拉美劳下界。其次,利用扩维IMM-EKF算法进行目标跟踪,上述算法在IMM-EKF算法基础上,在每一步迭代过程中进行量测扩维,获取更多目标运动状态信息。仿真结果表明,相比于IMM-EKF算法和加权IMM-EKF算法,扩维IMM-EKF算法具有更小的跟踪误差和更好的鲁棒性。