接受-拒绝算法的贝叶斯不确定度评定

针对贝叶斯不确定度评定中获取测量模型后验分布困难的问题,给出一种基于接受-拒绝采样思想实现贝叶斯测量不确定度评定的方法。面向线性/非线性测量模型,先利用贝叶斯假设或蒙特卡洛法获得被测量的先验信息,再基于接受-拒绝采样获得被测量的接受采样点形成后验分布,对被测量进行统计推断得到测量不确定度评定结果。通过规范示例和实际测量评定实例,验证了采用接受-拒绝算法的贝叶斯不确定度评定方法相较于传统GUM和MCM评定方法,能够得到可靠评定结果,且获取贝叶斯后验分布过程简便,在无/有历史信息条件下测量不确定度评定应用中具有可行性和实用性。

非均匀分布量测下的扩展目标跟踪方法

针对雷达方位角变化导致散射源统计特性改变的问题,提出了一种非均匀分布量测下的扩展目标跟踪方法。算法通过轮廓质心法和接受-拒绝采样法产生伪量测,并构建了分层无迹卡尔曼滤波器(hierarchical unscented kalman filter,HUKF)来估计运动状态和形状参数。实验结果表明,相比于传统的无迹卡尔曼滤波方法,该方法对星凸扩展目标有着更好的跟踪性能。