强跟踪多模型估计器

本文提出了一种基于最小二乘估计的强跟踪滤波器 (STF)单重渐消因子求解方法 .从参数自适应与模型自适应有机结合的角度出发 ,将STF与交互式多模型算法 (IMM)相结合 ,设计了强跟踪交互式多模型估计器(STMME) .仿真表明 :STMME在跟踪机动目标时 ,对速度 ,加速度的跟踪精度明显优于传统的IMM 。

机动目标跟踪的TIMM算法(英文)

针对如何避免或减少由于目标的机动运动所带来的估计误差问题,提出了具有门限的相互作用多模型估计(TIMM)的新算法.该算法主要应用于雷达目标自动跟踪系统中.TIMM算法在相互作用多模型估计器(IMM)算法的基础上引入门限控制器来提高跟踪精度,该算法同样适用于其他各种改进的IMM算法.通过2个不同的例子,对由TIMM和IMM这2种算法产生的均方根误差进行比较.仿真结果表明,同IMM算法相比较,TIMM算法可减少估计误差,从而提高机动目标的跟踪性能.

一种鲁棒输出反馈线性化方法在导弹自动驾驶仪设计中的应用研究

针对具有多模型的HAVE DASH II导弹对象,利用一种结构简单的鲁棒输出反馈线性化方法,为其设计了全弹道自动驾驶仪控制系统。设计中仅需要少量的模型集信息,并不依赖于某一具体子系统,对整个模型集具有通用性。由于不再需要设计多个控制器,因此避免了常规多模型切换控制中抖动的产生。该方法利用模型估计器实时估计系统动态特性,只要参数选得合适,能无偏差地估计出模型集中每个系统动态特性,有很强的鲁棒性。此外,还利用了高增益观测器来获取控制律中所需的导数信息,使得整个闭环系统仅需要输出量反馈,降低该方法的工程实现难度。仿真结果表明,所设计的自动驾驶仪系统能够控制模型集中所有飞行条件下的状态准确快速地到达期望值上。

模糊神经网络用于SARS疾病疫情非线性系统的辨识和预报

论文提出了模糊神经网络用于SARS疾病疫情非线性系统建模和预报的思想,同时该方法可以推广到各种流行性疾病的预防和控制中。模糊神经网络是近年来发展起来的新兴学科,它主要应用于非线性系统的建模、预报和控制,特别适合于不同输入类型的模型系统。而流行性疾病的传播规律较好地与模糊神经网络模型特点相符合,所以在这里提出用模糊神经网络用于SARS疾病疫情非线性系统的辩识和预报的观点,相应的也可推演到其它流行性疾病传播规律中。

雷达跟踪空中机动目标的有向图切换算法

空中机动目标机动能力的增强,使得建立的目标模型与目标的实际运动失配。为了解决这一问题,需要建立大量模型来逼近真实模式。但这使得计算量大幅度增加,而且有时性能不一定能提高。本文提出的有向图切换算法根据一定的规则在不同的有向图之间切换,既避免了使用过多的模型造成的不必要竞争,又使使用的模型集合更加逼近真实模式。

未知噪声统计下多模型概率假设密度粒子滤波算法

针对传统多目标概率假设密度滤波(PHD)器在噪声先验统计未知或不准确时滤波精度下降甚至丢失目标的问题,设计一种自适应多模型粒子PHD(MMPHD)滤波算法.该算法利用多模型近似思想,推导出一种多模型概率假设密度估计器,不仅能估计多目标状态,而且能实时估计未知且时变的噪声参数,并采用蒙特卡罗方法给出了MMPHD闭集解.仿真实例表明,所提出的算法具有应对噪声变化的自适应能力,可有效提高目标跟踪精度.