基于纯方位角测量的水下目标跟踪

在笛卡尔卡尔曼滤波器的基础上，提出了改进极坐标扩展卡尔曼滤波器，并且研究了应用于纯方位角测量的目标跟踪算法，对提出的算法进行了相应的仿真实验。仿真结果表明，改进极坐标扩展卡尔曼滤波器非常适合于目标的跟踪研究，具有很高的工程应用价值。

纯方位角定位的单步最优观测轨迹算法

纯方位角无源定位时,观测平台的运动轨迹对目标最终的定位精度有重要影响。针对之前在求取观测平台最优轨迹时限制条件多、算法可能只是局部最优的问题,提出了一种观测平台的单步最优轨迹算法。计算机仿真算例表明:与通常的最优观测平台轨迹算法相比,该算法在求解最优轨迹时只需已知观测平台的初始状态,同时算法不受观测次数和终止条件的限制,具有较强的工程实用性。

基于一阶差分滤波器的水下目标纯方位角跟踪

在水下目标纯方位角跟踪研究中,针对传统扩展Kalman滤波(EKF)方法需要通过Taylor展开实现非线性项的线性化而导致计算过程繁琐且存在奇点的问题,本文提出一种基于一阶差分滤波器(DDF1)的纯方位角跟踪算法,建立了目标的运动学模型及无源声纳的测量模型;利用Stirling插值法实现非线性项的线性化,进而通过DDF1滤波方法实现对目标位置及速度的跟踪。仿真结果与一致性分析表明,与基于EKF的目标纯方位角跟踪方法相比,论文所提出的算法具有较高的跟踪精度和较好的跟踪性能。

基于二阶差分滤波器的水下目标纯方位角跟踪

针对被动单声呐平台对水下目标的纯方位角跟踪问题,提出基于二阶差分滤波器的水下目标纯方位角跟踪方法。采用二阶Stirling插值公式对系统模型中的非线性项进行线性化,使系统误差协方差矩阵正定,保证了滤波算法的稳定性,避免了传统扩展卡尔曼滤波算法由于需要计算Jacobian矩阵而导致计算复杂、难以应用的问题。建立了被动声呐平台测量模型和水下目标的运动学模型,并应用Monte Carlo方法完成仿真实验。仿真结果表明,基于二阶差分滤波器的水下目标纯方位角跟踪算法具有较快速准确的跟踪响应,通过RMSE概率统计方法进一步验证了这种方法具有较高的估计精度。

变周期RP-EKF时延纯方位角目标跟踪算法

针对声传感器纯方位目标跟踪应用,提出了一种基于静态多模型的距离参数化变周期扩展卡尔曼滤波算法,将时延影响转换为模型的可变周期,并通过参数在线估计的方法,估计该可变周期。距离参数化方法将整个距离空间分成若干个区间,分区间对距离进行估计,进而搜索出目标与观测平台之间的正确距离值。仿真结果表明变周期距离参数化扩展卡尔曼滤波算法能有效解决经典扩展卡尔曼滤波算法在纯方位角目标跟踪时可能出现的滤波发散现象,并能处理声音信号的传输时间延迟问题。

纯方位角目标跟踪及移动平台可观性控制方法

为了解决未知环境下的单目视觉移动机器人目标跟踪问题,提出了一种将目标状态估计与机器人可观性控制相结合的机器人同时定位、地图构建与目标跟踪方法。在状态估计方面,以机器人单目视觉同时定位与地图构建为基础,设计了扩展式卡尔曼滤波框架下的目标跟踪算法;在机器人可观性控制方面,设计了基于目标协方差阵更新最大化的优化控制方法。该方法能够实现机器人在单目视觉条件下对自身状态、环境状态、目标状态的同步估计以及目标跟随。仿真和原型样机实验验证了目标状态估计和机器人控制之间的耦合关系,证明了方法的准确性和有效性,结果表明:机器人将产生螺旋状机动运动轨迹,同时,目标跟踪和机器人定位精度与机器人机动能力成正比例关系。

机动目标纯方位角跟踪交互式滤波器的比较

交互式多模型算法分别与基于采样型原理的容积卡尔曼滤波和传统线性扩展卡尔曼滤波两种算法相结合,形成了交互式多模型容积卡尔曼滤波器和交互式多模型扩展卡尔曼滤波器。数值仿真和实验结果表明交互式多模型容积卡尔曼滤波器在机动目标纯方位角跟踪估计中性能优于交互式多模型扩展卡尔曼滤波,降低了估计误差和方差;计算量增加合理。对机动目标纯方位角跟踪估计和交互式多模型滤波器应用均有借鉴意义。

L2正则化粒子滤波在水下无人平台纯方位角跟踪的应用

针对水下无人平台搭载单矢量水听器目标跟踪鲁棒性差的问题,提出一种基于L2范数正则化粒子滤波的单站纯方位角度水下目标跟踪算法。该方法引入测量量与预测量误差的规则范数,得到粒子的似然函数,从而平衡测量值与预测值,提高目标跟踪鲁棒性。仿真结果表明,相较于粒子滤波(PF)算法,基于L2范数正则化(L2-RPF)优于基于L1范数正则化(L1-RPF),其目标方位跟踪精度更高,且经过多次Monte Carlo实验得到的L2-RPF目标方位跟踪平均误差和均方根误差均较小。利用水下滑翔机平台搭载单矢量水听器(水下声学滑翔机)在中国南海海域进行探测跟踪的试验数据,对算法性能进行了验证,采用L2-RPF处理得到的目标方位跟踪精度相较于其他算法较高,一定程度上修正了测量野值带来的跟踪误差。

三维空间瞬时声源的纯方位角估计性能分析

为提高短基线传感器阵列测向性能,在传统的方位角/俯仰角联合估计基础上提出一种纯方位角估计方案,将三维空间阵列映射为平面阵列,利用平面关系只对三维空间瞬时声源的方位角进行估计.基于克拉姆-拉奥下界理论的分析表明纯方位角估计性能优于联合估计的方位角结果,并讨论了纯方位角估计的使用时机.另外本文分析认为,阵列传感器之间高差只影响俯仰角的测向精度,对方位角估计精度不产生影响.仿真结果验证了纯方位角估计的有效性和优越性,为进一步工程应用奠定了理论基础.

基于IMM滤波器的纯方位机动目标跟踪

针对无源纯方位跟踪中目标机动的问题,提出了一种基于交互式多模型的目标跟踪算法。该算法用伪量测变换估计器(PLE)将纯方位跟踪中非线性观测模型线性化,避免了计算雅克比行列式。机动目标跟踪中通过实时调整模型匹配概率,提高了滤波器对状态变化的跟踪能力。同时该算法实时修正观测噪声协方差,消除目标远离基阵时观测噪声对目标定位的影响。最后通过与MGEKF进行比较,Monte Carlo仿真结果验证了该算法的优越性。

基于重要性采样的纯方位定位算法

应用纯方位角解决固定目标无源定位问题时,极大似然估计算法可以转换为非线性优化问题,但该算法需要迭代求解且对初始条件敏感。为此,提出一种新的纯方位定位算法,使用蒙特卡洛重要性采样算法计算该问题的近似全局解。首先,通过观测方程得到关于方位角的极大似然函数,应用Pincus定理得到全局解的形式,从而获得目标位置的概率密度函数;然后,使用伪线性估计算法对目标位置进行初步估计;最后,使用重要性采样算法进行近似计算。仿真实例表明,在不同场景中,重要性采样算法与极大似然估计算法性能相当,非常接近Cramer-Rao下界。

基于改进UPF的低空小型飞行器跟踪方法

在低空小型飞行器的单站纯角度目标定位问题中,受限于气象条件、操作水平等因素,对观测目标的测量精度有限。为提高目标跟踪性能、降低硬件要求,该文提出一种适用于三维目标的纯方位目标跟踪算法。针对UPF算法实时性较低的问题,采用超球面分布的SSUT代替UPF中的UT,与UPF算法相比,SSUPF在保证定位精度的同时用时更少。为提高对三维目标跟踪精度,该文采用一种三阶段滤波算法,分别对目标方位角、俯仰角及距离进行滤波。实验表明该方法可降低方位角与俯仰角之间的耦合误差,提高对目标状态的估计精度,同时可大大降低目标跟踪所需的计算时间。

非平稳非高斯测量噪声条件下改进差分粒子滤波算法研究

针对非平稳非高斯测量噪声(NSNGN)条件下差分粒子滤波(DDPF)算法状态估计精度低、易发散的问题,提出了一种改进DDPF(IDDPF)算法.IDDPF算法采用高斯混合密度函数近似估计测量噪声,替代传统算法中测量噪声的高斯密度函数近似估计,采用似然函数的对数最大化法求解高斯混合密度函数模型参数,并将该模型应用于粒子权值计算,避免了高斯密度函数近似估计噪声模型所易于导致的粒子退化问题;通过建立水下目标纯方位角跟踪系统模型,将IDDPF算法应用于闪烁测量噪声条件下水下目标纯方位角跟踪问题的求解。50次Monte Carlo对比仿真实验结果表明:在NSNGN条件下IDDPF算法具有跟踪响应快、估计精度高、鲁棒性较好等优点。

采用粒子滤波和模糊聚类法的非线性多目标跟踪

提出一种新的非线性多目标跟踪方法,用模糊聚类算法实现数据关联,采用粒子滤波实现对各目标的独立跟踪.首先利用最大熵模糊聚类对目标和观测数据进行关联,采用模糊隶属度重建多目标滤波中的联合关联概率矩阵.然后利用粒子滤波适于处理非线性问题的特点,通过联合关联信息,采用粒子滤波独立对各目标进行滤波,实现对目标状态的更新.最后,将该算法应用于多传感器多目标纯方位角跟踪.仿真结果表明,相比于联合概率数据关联算法及MEF-JPDAF,新算法具有更高的跟踪精度.

基于支持向量回归机的自适应差分滤波算法研究

针对差分滤波(DDF)算法存在因噪声统计特性与实际不符而导致的滤波精度降低甚至发散的问题,提出了一种基于支持向量回归机的自适应差分滤波(SVRADDF)算法.将测量值的新息协方差与理论协方差之间的差值作为支持向量回归机的输入、输出调节噪声统计特征的自适应因子,实时修正DDF噪声协方差,根据实际噪声变化调整噪声协方差矩阵,从而提高滤波精度.针对水下目标纯方位角跟踪系统的蒙特卡洛仿真实验表明,在相同初始噪声特性条件下,所提出的SVRADDF算法具有较好的估计效果和鲁棒性,估计精度、稳定性及收敛时间等性能明显优于单纯DDF算法.

无源声探测网多传感器单目标定位算法

该文对无源声探测网中的时间延迟问题进行了详细分析,提出了一种应用于声探测时延系统的定位算法,通过对相应传感器的历史信息时间追溯,并对多个传感器的选择使用,完成了多传感器对单个目标的定位过程,并以仿真实验验证了算法的正确性和有效性。

基于扩展卡尔曼滤波的声传感器跟踪算法

针对声传感器单站单目标跟踪,提出了一种基于扩展卡尔曼滤波(EKF)的跟踪算法,将声波传输时延的影响转换到运动模型的可变周期上,通过参数在线估计的方法,估计该可变周期,进而解决了有信号时延的跟踪问题。通过把先验已知的速率当作观测值,解决了纯方位角跟踪时系统不完全可测的问题。仿真验证了算法的正确性和有效性。

一种稳健的被动目标跟踪方法

针对海洋环境中估计目标方位的误差而导致多传感器被动目标跟踪算法效果不佳、稳定性差的问题,提出一种稳健的多传感器被动目标跟踪方法。该方法首先将各个传感器的观测信息从角度转化为位置,从而有效地线性化了系统模型,然后运用卡尔曼滤波,在滤波过程中根据滤波预测值剔除通信过程中因误码率产生的失真角度测量值,并用预测值代替,从而有效地保证了目标跟踪方法的稳健性。最后进行了数值仿真,结果表明该方法在信息误差较大时也可以提供较为稳健的跟踪性能。