基于一种无偏估计器的双站被动测距算法

针对短基线情况下双站三角测距精度不高的问题,提出了一种利用双站方位历史信息实现被动测距的算法。建立了双站被动测距模型,该模型可以利用最小二乘等线性估计器来求解,但因其数据矩阵包含误差其解是有偏的,为此引入了一种无偏估计器来实现对目标距离的估计。通过仿真试验说明该算法比三角测距有着更高的精度,证明该算法用于双站被动测距是有效的。

基于改进UKF算法的动力电池SOC在线估计

为了更准确的估计电池荷电状态(SOC),我们考虑了影响SOC估计精度的主要因素和传统SOC估计方法的缺点,运用递推最小二乘法进行电池模型参数辨识,实现了模型参数的实时修正,提高了模型精度。我们采用次优无偏MAP时变估计器对噪声协方差矩阵进行实时更新,结合无迹卡尔曼滤波算法进行SOC在线估计,改进了传统UKF算法,降低了噪声对SOC估算的影响。试验和仿真结果表明,改进后的UKF算法相比传统UKF算法具有更高的估算精度。

具有传感器增益退化的不确定系统融合估计器

研究具有传感器增益退化、模型不确定性的多传感器融合估计问题,其中传感器增益退化现象描述为统计特性已知的随机变量,模型的不确定性描述为系统矩阵受到随机扰动.设计一种局部无偏估计器结构,并建立以局部估计器增益为决策变量、以有限时域下融合估计误差为代价函数的优化问题.在给出标量融合权重时,考虑到求得最优的局部估计器增益的解析形式较为困难,通过最小化代价函数的上界得到一组次优的局部估计器增益.最后通过算例仿真表明了所设计融合估计器的有效性.

一种用于目标跟踪的UT-BLUE滤波方法

雷达机动目标跟踪问题中,通常目标运动模型可精确地在直角坐标系下建模,但大多数情形下模型是非线性的,同时在传感器坐标系下所获得目标量测又是直接可用的.通过将无迹变换与最优线性无偏滤波器有机结合,提出一种新的BLUE(Best Linear Unbiased Estimator)滤波算法,以便解决上述非线性跟踪问题.首先,该算法利用无迹变换对经由直角坐标系下非线性目标运动模型得到的目标状态及其协方差作出预测,然后在保持传感器坐标系(极坐标系)下所固有的量测误差的同时,直接对它们作出状态估计.在算法推导及Monte-Carlo仿真过程中,将新的BLUE滤波算法和EKF(Extended Kalman Filter)、UKF(Unscented Kalman Filter)滤波算法进行比较,结果表明新算法的有效性和适用性.

转换坐标卡尔曼滤波算法分析

在非线性系统的目标跟踪中，常用的滤波算法是扩展卡尔曼滤波算法（ＥＫＦＡ），但这种滤波算法常常会发散．近年来，Ｂａｒ－Ｓｈａｌｏｍ等人在二维平面上提出了转换坐标卡尔曼滤波算法（ＣＭＫＦＡ），并通过仿真实验证明了在非线性系统的目标跟踪中此算法优于扩展卡尔曼滤波算法（ＥＫＦＡ）．文中对转换坐标卡尔曼滤波算法进行了深入的研究，通过理论推导证明了当状态方程和测量方程满足一定条件时，转换坐标卡尔曼滤波算法是去偏转换测量值的线性无偏最小方差估计算法．