自适应算法在单轴激光惯导初始对准中的应用

针对传统的卡尔曼滤波在单轴旋转激光惯导动基座初始对准中当系统噪声和量测噪声未知时,会导致滤波精度下降甚至发散的问题,设计了简化Sage-Husa自适应滤波算法,建立了动基座条件下的单轴旋转激光捷联惯导的误差方程,利用设计的算法进行了仿真,结果表明在误差模型较大时,自适应滤波算法可以很好的提高滤波精度和稳定性。     

基于H_∞的INS/GPS组合导航系统初始对准研究

卡尔曼滤波需要系统的数学模型准确且噪声的统计特性为已知的白噪声,为了克服这一弱点,针对位置/速度模式的INS/GPS组合导航系统,确定其动基座下初始对准H∞滤波方案,并进行计算机仿真,与传统卡尔曼滤波比较。结果表明,H∞滤波算法对水平失准角估计速度快、精度较高,鲁棒性强,较卡尔曼滤波好,对水平失调角有较好的估计效果,满足初始对准的基本要求。     

一种基于移动矢径的单信标测距定位算法

针对水下航行器利用移动单信标进行同步式测距定位时受初始位置误差和声速误差影响的问题,给出一种基于移动矢径的单信标同步式测距定位算法。参考移动矢径的概念建立了移动单信标测距定位模型,利用扩展卡尔曼滤波算法实现了定位滤波算法的设计。仿真和试验结果表明:本文算法可以有效减小初始位置误差带来的定位误差,并对未知声速误差进行实时估计,显著提高了水下航行器的定位精度。     

基于一种改进粒子滤波算法的目标跟踪研究

为了解决非线性、非高斯系统目标跟踪问题,研究了一种新的滤波方法——高斯粒子滤波算法。通过基于重要性采样和蒙特卡罗模拟方法得到一高斯分布来近似未知状态变量的后验分布。并讨论了此算法在机动目标非线性转弯运动中的跟踪应用,与粒子滤波算法相比,其优点是不需要重采样步骤。在闪烁噪声下比较了高斯粒子滤波器、粒子滤波器和扩展卡尔曼滤波器在滤波精度、运算时间等方面的差异,仿真结果表明该算法性能优于其他算法。     

基于UKF的Rao-Blackwellized粒子滤波器多传感器多目标跟踪算法研究

在纯方位多传感器多目标跟踪问题中,状态的测量通常是来源未确定的观测量,在杂波环境尤为如此,需要同时解决多个目标的测量和目标之间的关联问题。本文提出一种新的基于Rao-Blackwellized思想的RBPF-UKF算法。该算法利用Rao-Blackwellized将多目标跟踪问题转化为2个子问题:数据关联及单目标跟踪问题,利用粒子滤波中的序列重要性重采样原理解决多目标跟踪的数据关联问题,用UKF滤波器实现单目标跟踪。仿真结果表明,RBPF-UKF算法能很好地解决多目标数据关联问题,与RBPF-EKF算法相比具有更高的滤波精度及稳定性,体现了该算法的优越性。     

图像去雾的小波域 Retinex 算法

针对传统Retinex算法在图像去雾处理中易造成光晕伪影、边缘模糊以及算法复杂度高等缺点,提出了一种图像去雾的小波域Retinex算法。该算法将Retinex算法拓展到小波域,利用雾天图像中雾霾与景物细节信息在小波域中能量的不同分布特点,采用Retinex算法抑制雾霾分量,用锐化处理增强景物细节信息分量,以降低雾霾对图像的影响,增强图像细节的清晰度;该算法用双边滤波替代传统Retinex算法中的高斯滤波,以克服高斯滤波对图像边缘的模糊效应和光晕伪影。实验结果表明,该算法能有效地改善雾天图像的退化现象,提高图像的清晰度。     

目标跟踪下的 LS 算法和 IMM 算法性能比较*

针对机动目标跟踪中如何提高跟踪精度问题,选取合适的跟踪滤波算法,利用两种经典跟踪滤波算法：交互式多模型算法（IMM）和最小二乘法（LS）,实现对目标的跟踪。并利用仿真进行了比较,结果证明IMM 具有更加高效的跟踪效果,符合设计需要。     

一种改进的粒子滤波算法

为提高非线性滤波的性能,提出一种改进的粒子滤波算法(MUPF),该算法将新构造的辅助模型和无迹卡尔曼滤波(UKF)相结合产生新的建议分布函数。与传统的无迹粒子滤波(UPF)相比,该算法充分利用了新的测量信息。在非高斯条件下与其他滤波器进行了仿真对比,分析了跟踪性能和均方根误差。仿真结果表明,MUPF不仅具有很高的跟踪精度,而且用很少的粒子就可以达到更好的滤波性能。     

神经网络在组合导航定位算法中的应用研究

针对无源北斗1号/惯导组合导航系统滤波定位算法,文章提出并设计了神经网络及其训练算法RLS,用其输出修正组合导航滤波输出结果,提高组合导航系统的定位精度。通过仿真验证了此方案的可行性,并能有效提高北斗1号组合导航系统的定位精度。     

基于PSO-PCNN的图像滤波算法

将粒子群算法（PSO）的基本原理融入到PCNN图像滤波算法中,从而得到了一种适用于PCNN图像滤波的粒子群算法,PSO-PCNN滤波的平均绝对误差明显比PCNN法小得多,PSO-PCNN滤波比PCNN滤波算法的效果好。     

动力定位系统自适应滤波技术

与普通船舶相比,耙吸挖泥船变吃水作业动力定位的滤波器设计,不仅需要考虑到模型偏差,还需要考虑到模型的时变性和突变性。本文采用Sage-Husa自适应滤波和强跟踪卡尔曼滤波相结合的改进自适应滤波算法,前者滤波精度高但自适应能力有限,后者应对突变的能力较强但精度有限。由仿真实验可以看出,二者的有机结合很好地解决了耙吸挖泥船变吃水作业动力定位的滤波问题。     

一种双基阵纯方位机动目标被动跟踪方法

利用2部被动声呐基阵获取的目标方位信息对水中机动目标的跟踪实质是一个非线性状态估计问题,由于观测方程的非线性性,滤波环节不可避免地要用到非线性滤波算法.以往解决此问题的方法是在基于交互多模型(IMM)算法并在其滤波环节应用扩展卡尔曼滤波(EKF)算法.然而,EKF算法在计算滤波误差协方差阵时没有融入当前观测信息.为此提出在原方法的基础上用其改进算法即修正协方差扩展卡尔曼滤波(MCEKF)算法取代EKF算法,以改善跟踪性能,从而得到一种新的方法.经仿真验证了所提方法的正确性和有效性.     

基于权值优选粒子滤波的雷达目标跟踪

本文详细分析了粒子滤波的特点,给出了基于权值优选的粒子滤波算法,对雷达目标进行了跟踪。仿真结果表明,基于权值优选的粒子滤波算法在N值较小的情况下较标准粒子滤波算法具有更明显的优势。     

鲁棒最小方差滤波在惯导初始对准中的应用研究

在运载体机动时，卡尔曼滤波器会导致捷联惯导系统初始对准时产生较大的机动误差。而H∞鲁棒滤波技术将噪声和不确定输入看作是只知道上界的参数，而不是统计特性服从某一分布的随机向量，从而提高了系统的鲁棒性。但由于H∞滤波一般不单独考虑系统不确定项的影响，从而得到的结果较为保守。因此，学者们又提出了离散时间不确定系统的鲁棒最小方差滤波技术。计算机仿真结果表明，用鲁棒H∞滤波器和鲁棒最小方差滤波器代替卡尔曼滤波器对SINS初始对准时的状态变量进行估计校正后，能有效降低SINS初始对准的机动误差，提高系统初始对准的精度。但鲁棒最小方差滤波器比鲁棒H∞滤波器滤波校正效果更好。     

粒子滤波和无轨迹粒子滤波算法比较

解决水下水声目标的定位跟踪问题,需要建立动态的非线性非高斯模型,粒子滤波直接采用未含有最新量测信息的状态转移先验分布函数作为重要性密度函数来逼近后验概率密度函数,无轨迹粒子滤波是在粒子滤波的过程中引入重采样技术,通过无轨迹变换设计重要性密度函数,使其更加接近系统状态后验概率密度。仿真结果表明粒子滤波和无轨迹粒子滤波算法都可以提高定位跟踪精度,但无轨迹粒子滤波算法的估计精度更高,更适用于工程实践。     

基于船舶操控模型的UKF滤波算法研究

为了提高舰船在机动转弯情况下的定位精度和舰船定位的稳定性、可靠性,进行了滤波模型和滤波定位算法的研究,在此基础上分析了当前滤波模型和滤波定位算法中存在的一些问题,提出了基于船舶操控模型的滤波模型和改进后的UKF滤波算法,给出了滤波系统的方案.通过实验证明,滤波系统的方案不仅能够有效的提高舰船在机动转弯情况下的定位精度,还能够作为测量ASF修正数据有效方法,对定位算法的研究有重大的参考价值和较大的现实意义.     

H^∞滤波在无源北斗／SINS组合导航系统中的应用

无源北斗接收机输出有色噪声大,数据跳变点多,噪声分析和建模工作困难。而传统的卡尔曼滤波存在不确定的滤波统计参数,滤波稳定性不高,提出将H^∞滤波用到无源北斗／SINS组合导航系统中。H^∞滤波追求噪声干扰对可控输出的影响最小,即强调系统的鲁棒性,而且不需要建立精确的数学模型,也不需要精确知道系统的统计特性,滤波参数设置简单。通过仿真实验验证,在相同滤波误差模型下,其滤波算法稳定性高于卡尔曼滤波的稳定性。     

基于UKF和线性优化的改进粒子滤波算法

针对标准粒子滤波算法存在的粒子退化问题,提出了一种改进的粒子滤波算法,该算法将不敏卡尔曼滤波算法（UKF）、线性优化的思想和基本粒子滤波算法相结合,运用不敏卡尔曼滤波算法获得重要性概率密度函数,提高了粒子的使用效率;运用线性优化的思想,保证了所有粒子都以一定的概率对状态估计作出贡献,提高了粒子的多样性。仿真结果表明,改进的算法很好的解决了基本粒子滤波存在的粒子退化问题,具有更高的状态估计精度。     

基于MATLAB中值滤波算法的优化与实现

介绍了中值滤波的滤波特点,针对标准中值滤波在滤除椒盐噪声中的不足,提出了一种中值滤波优化算法,通过MATLAB软件仿真,结果表明该算法在有效地去除椒盐噪声的同时,很好地保护了边缘细节,较标准中值滤波具有更优良的滤波效果.     

自适应网格交互多模型不敏粒子滤波算法

将一种变结构多模型算法——自适应网格交互多模型(AGIMM)算法和不敏粒子滤波(UPF)算法相结合,提出了自适应网格交互多模型不敏粒子滤波算法(AGIMMUPF).该算法通过自适应网格实现了模型自适应,从而以较小的模型集合覆盖了目标大范围的机动,并以此来克服固定结构交互多模型粒子滤波(IMMPF)算法存在的缺陷,同时各模型滤波算法采用不敏粒子滤波(UPF)算法,使重要性密度函数融合了最新量测信息,更好地逼近真实状态的后验概率分布.通过计算机仿真证明,提出的算法可以有效提高IMMPF的费效比.