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。

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。

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。

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.

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。

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.