基于预测判定和无味滤波多目标无源跟踪算法

多传感器多目标无源交叉定位时存在虚假点的问题,且随着传感器和目标数量的增加,虚假点的数量也急剧增加。针对这个问题,提出了一种对目标无源定位跟踪的新方法,即首先通过判断预测点到传感器与目标构成的传感器目标测向方程的最小距离,来选取传感器目标测向方程,该算法可以有效避免大量虚假点的产生,以传感器目标测向方程的交点作为目标量测状态,再通过无味滤波(UF)算法得到目标点的位置。此方法解决了多传感器多目标定位跟踪时大量虚假点的存在对目标定位的影响。研究表明:本算法大大降低了运算量,且提高了关联正确率以及对目标的定位跟踪精度。

一种基于无味滤波的当前统计模型跟踪算法

当前统计模型是一种有效的机动目标跟踪模型,目前已广泛的应用在雷达机动目标跟踪和多传感器多目标跟踪领域。针对目标强机动条件下非线性特征比较明显的问题,采用当前统计模型与无味滤波相结合的算法对当前统计模型进行了扩展,并以高机动反舰导弹目标跟踪为应用背景进行了仿真验证,证实了该算法的有效性。

分布式电驱动车辆的无味粒子滤波状态参数联合观测

针对目前分布式电驱动车辆动力学领域中存在的状态参数观测体系不完善、观测精度低的问题,利用分布式电驱动车辆多信息源的特点,提出无味粒子滤波状态参数联合观测方法。基于非线性车辆动力学模型对分布式电驱动车辆的纵向速度、质心侧偏角、横摆角速度及各轮侧向力进行联合观测。同时,为提高侧向力的观测精度,采用非线性动态轮胎模型。在完成模型搭建的基础上,考虑到所搭建的车辆动力学模型具有强非线性,设计适用于强非线性模型的无味粒子滤波器对多个状态变量进行联合观测。而为进一步提高状态观测精度,进行量测噪声协方差的自适应调节。仿真和试验结果表明,所提出的状态观测方法能够提高分布式电驱动车辆状态参数观测精度和鲁棒性。

非高斯条件下基于无味粒子滤波器的目标跟踪

研究了无味粒子滤波器的基本思想和具体算法实现步骤,在给出的闪烁噪声统计模型基础上,将PF、UKF和UPF算法应用在雷达目标跟踪中,解决了闪烁噪声情况下的雷达目标跟踪问题,仿真结果表明,UPF的状态估计性能优越。

基于无味卡尔曼滤波的多雷达方位配准算法

将无味卡尔曼滤波(U nscen ted K a lm an filter,UKF)应用于雷达配准,提出一种新的多雷达方位配准算法。在该算法中,目标的运动状态和方位误差由选定的采样点来近似,在每个更新过程中,采样点随着状态方程传播并随非线性测量方程变换,得到目标的运动状态和方位误差的均值,避免了对非线性方程的线性化,且具有较高的计算精度。与传统的扩展卡尔曼滤波(Ex tended K a lm an filter,EKF)方法进行了仿真比较,结果表明UKF方法能有效地克服非线性跟踪问题中很容易出现的滤波发散问题,且估计精度高于UKF方法。

无味卡尔曼滤波算法形式及性能研究

通常认为当系统噪声与量测噪声为加性时,是否将噪声扩展为状态量并不影响无味卡尔曼滤波算法性能。针对这种观点,文中利用变尺度对称集无味变换,在复杂加性噪声模型下,推导并证明了两者的差异,说明了上述观点的不全面性。并通过对扩展与非扩展、重采样与非重采样组合的四种算法形式仿真,研究分析了四种形式下算法性能的差异。结果表明状态扩展有利于提高无味卡尔曼滤波算法性能,从而证明了理论分析的正确性。

迭代无味卡尔曼滤波器

通过对无味卡尔曼滤波器（Unscented Kalman filter，UKF）的误差进行分析，提出了迭代UKF（IUKF）算法。该基本思路是用测量更新后的状态估计去重新对状态量和观测量的一步预测，然后再次应用LMMSE估计子估计状态量的均值和协方差阵，如此多次迭代后的滤波估计输出具有更高的精度和更小的方差，故滤波器表现出更好的一致性。Monte Carlo仿真表明，IUKF主要应用于观测噪声较小的场合，其中的迭代只需进行2～3次即可。

基于分布式无味边缘粒子滤波的同步定位与地图构建

针对复杂环境下同步定位与地图构建(SLAM)中分布式粒子滤波算法存在计算量大、粒子退化严重的问题,在分布式算法的基础上结合无味粒子滤波和边缘化算法,提出了一种基于分布式无味边缘粒子滤波的算法.该算法依据分布式思想将系统分解为多个仅包含部分状态量的子系统,各子系统均采用无味粒子滤波算法进行状态估计,通过边缘化算法优化无味粒子滤波算法的边缘分布函数,主滤波器融合各子滤波器的数据计算最终结果,克服了滤波精度低、计算复杂度高的问题.最后,通过仿真试验证明改进的分布式边缘粒子滤波算法能够抑制粒子退化现象,具有较好的实时性和滤波精度,是解决SLAM的新的有效方法.

基于MCMC无味粒子滤波的目标跟踪算法

针对传统粒子滤波目标跟踪算法存在粒子退化的问题,提出了基于马尔可夫链-蒙特卡罗(Markovchain Monte Carlo,MCMC)无味粒子滤波的目标跟踪算法。该算法采用无味卡尔曼滤波(unscented Kalmanfilter,UKF)生成粒子滤波的提议分布,来代替传统粒子滤波算法采用状态转移先验概率作为粒子滤波的提议分布,以改善滤波效果,然后在无味粒子滤波的基础上融合了典型的MCMC抽样算法(Metropolis Hastings,MH),从而可以减少传统粒子滤波未考虑当前量测对状态的估计作用所带来的影响。融合后的算法将当前量测信息融入到滤波过程中,并使采样粒子更加多样化。实验结果表明,该算法较传统方法在跟踪精度方面有显著的提高。

抗差自适应无味粒子滤波

针对系统观测值含有粗差或者存在状态异常的情况,基于无味粒子滤波算法(UPF)和抗差自适应滤波原理,提出了一种新的抗差自适应无味粒子滤波算法(AR-UPF)。该方法采用方差膨胀模型抑制观测粗差的影响;利用自适应UKF算法来实时调整状态参数预报值的协方差,控制状态异常的影响。算例分析表明,新方法能够有效地控制观测粗差与状态异常,提高了滤波精度。

无味卡尔曼滤波在热平衡试验中的应用研究

在航天器热平衡试验中应用温度外推预报技术可以快速准确的给出航天器的极限热平衡温度,缩短热平衡试验时间,降低航天器的研制成本。介绍了一种新颖的热平衡试验数据外推方法———无味卡尔曼滤波(UKF),分析了UKF的应用效果,结果表明应用UKF外推能够在较短的时间内更准确的获得航天器的极限热平衡温度。

迭代无味卡尔曼滤波的目标跟踪算法

针对目标跟踪迭代无味卡尔曼滤波(IUKF)算法中跟踪精度较差的问题,提出一种基于状态扩展技术的改进迭代无味卡尔曼滤波(IIUKF)算法.新算法首先将观测噪声扩展进状态,构造关于扩展状态的零噪声观测方程,然后在观测迭代过程中将最新的扩展状态后验估计代入更新公式,进行观测迭代更新.相比IUKF算法,IIUKF算法不仅形式上更为简洁,而且避免了IUKF算法中先验估计和观测噪声非统计正交的问题,滤波精度更高.数值仿真表明,IIUKF算法的跟踪误差比IUKF算法减小了20%以上.

基于无味高斯粒子滤波的空-海BO-TMA的研究

介绍了粒子滤波(PF)的基本思想和免重采样无味高斯PF(UGPF)算法的基本原理,特别针对空-海单站只测方位目标运动分析TMA(BO-TMA)问题应用UGPF和EKF(扩展卡尔曼滤波)进行了对照研究,建立了问题的离散非线性滤波估计模型,设计了典型的应用场景,给出了Monte Carlo仿真运行结果;表明UGPF具有更高的估计精度、更好的收敛特性和滤波一致性。

无味变换与无味卡尔曼滤波

综述了非线性估计问题的由来、无味变换(UT,Unscented Transformation)的基本思路与基本算法、各种衍变形式、σ点集的设计原则、无味卡尔曼滤波(UKF,Unscented Kalman Filtering)的基本算法及其各种改进算法、UT的本质、UKF与几种免微分非线性滤波方法的比较、UT与UKF的相关应用、针对几种UKF算法的仿真实例,以及目前在UT与UKF的研究中尚存在的一些问题和对今后研究的展望等;提出了笔者的一些最新研究成果和见解。

单球无味卡尔曼滤波在飞船姿态估计中的应用

提出了一种用矢量观测来估计飞船姿态的单球无味卡尔曼滤波算法。该算法将单球无味变换与无味卡尔曼滤波结合起来,与采用尺度无味变换的无味卡尔曼滤波相比,具有更低的计算量。飞船的姿态运动学描述采用了四元数,而用广义罗德里格斯参数来克服卡尔曼滤波过程中的四元数归一化误差。仿真结果表明,该算法比标准扩展卡尔曼滤波具有更低的姿态估计误差及更快的收敛率。与无味卡尔曼滤波相比,较低的计算量及相同的估计精度使该算法更适合在实时姿态估计中应用。

迭代无味卡尔曼滤波器的算法实现与应用评价

为了对各种迭代无味卡尔曼滤波(iterated unscented Kalman filter,IUKF)算法的应用及性能表现给出较为全面、客观的评价,分别导出并探讨了3种IUKF算法之间的内在联系。多种情况下的仿真应用表明,当观测噪声不太大,且该非线性系统状态的后验密度为可用高斯分布很好近似的单峰形式时,或者说是引起系统非线性的状态量是完全瞬时可观测时,选用恰当的IUKF算法,通过2～3次迭代,就可以在保持滤波一致性的条件下,进一步获得显著的精度收益;否则,IUKF相对于无味卡尔曼滤波(unscented Kalman filter,UKF)的迭代收益就难以保证。

无味卡尔曼滤波算法分析及其应用仿真研究

无人水下航行器(UUV)进入匹配区时捷联惯导系统(SINS)已积累了一定的误差,采用适当的信息融合策略对误差进行估计和补偿,可提高后续航行精度。通常认为,当系统噪声与量测噪声为加性时,是否将噪声扩展为状态量并不影响无味卡尔曼滤波(UKF)算法性能。针对这种观点,利用变尺度对称集无味变换,在复杂加性噪声模型下,推导并证明了两者的差异,说明了上述观点的不全面性。通过建立水下地形匹配辅助导航系统非线性误差模型,基于扩展状态UKF算法设计了误差估计滤波器,仿真研究其估计效果,并与非扩展状态UKF算法进行对比研究。结果表明,状态扩展有利于提高UKF算法性能,从而证明了理论分析的正确性。

基于无味卡尔曼滤波的空对海BTO-TMA问题的研究

探讨了TMA(目标运动分析)中基本的非线性估计问题,介绍了基于无味变换(Unscented Transform ation-UT)的无味卡尔曼滤波(Unscented Kalm an F iltering-UKF)算法的设计思想与具体实现,特别针对空对海单站只测方位与到达时间TMA(BTO-TMA)问题应用UKF和EKF(扩展卡尔曼滤波)进行了对照研究,建立了问题的离散非线性滤波估计模型,设计了典型的应用场景,给出了初值有偏和无偏两种情形下的Monte Carlo仿真运行结果;表明UKF在该应用背景下是切实可行的,具有更高的估计精度和更强的收敛特性。

基于无味卡尔曼滤波的空对海单站无源BO-TMA

探讨了目标运动分析(TMA)问题中的递推非线性滤波问题,介绍了基于无味变换(UT)的无味卡尔曼滤波(UKF)的设计思想与具体实现,特别针对空对海单站无源只测向TMA(BO-TMA)问题,建立了问题的离散非线性滤波估计模型,设计了典型的应用场景,并应用UKF和EKF(扩展卡尔曼滤波)分初值无偏和有偏两种情况,从算法的估计值、估计方差、均方根误差(RMSE)和归一化新息平方(NIS)等方面进行了对照研究,给出了Monte Carlo仿真运行结果;表明UKF在该应用背景下是切实可行的,显示出良好的滤波一致性,具有更高的估计精度和更强的收敛特性。

无味卡尔曼滤波在空对海单站BDO-TMA中的应用

针对空对海单站无源只测方位-多普勒目标运动分析(BDO-TMA)问题应用无味卡尔曼滤波(UKF:Unscented Kalman Filtering)和EKF进行了对照研究,建立了该应用场景下的离散非线性滤波估计模型,Monte Carlo仿真运行结果表明,UKF在该应用背景下是切实可行的,具有更高的估计精度和更强的收敛特性。