插值滤波器在单站外辐射源无源定位中的应用

把一种基于stirling内插公式的插值滤波器（DDF），应用于单站外辐射源无源定位中的非线性滤波问题。与传统扩展kalman滤波（EKF）相比，插值滤波器避免了非线性方程泰勒展开求解的过程，同时实现复杂性和计算量都很小。计算机仿真表明，一阶插值滤波（DD1）滤波精度相当EKF，而二阶插值滤波（DD2）滤波精度接近甚至略优于无轨迹kalman滤波（UKF）。     

改进UKF算法在双基阵纯方位目标跟踪中的应用

传统算法在解决纯方位目标跟踪时存在有偏、收敛速度慢或发散等不足,无迹卡尔曼滤波（UKF）虽然改善了系统线性化误差,但并没有明显改善卡尔曼滤波器容易发散的问题。文章在扩展卡尔曼滤波和UKF算法的基础上,提出一种衰减记忆UKF算法（MAUKF）,引进衰减因子加强对当前测量数据的利用,减小历史数据对滤波的影响。理论分析和仿真结果表明,MAUKF算法在纯方位目标跟踪中的滤波精度、稳定性和收敛时间都优于EKF、UKF算法。     

基于采样的非线性滤波算法比较

在处理目标跟踪等动态系统实时估计问题中,通常采用EKF作为状态估计方法提高估计精度。由于EKF进行非线性估计存在一些缺陷,将系统进行线性化近似存在估计误差,从而影响目标跟踪的精度。为了获得更高的估计精度,介绍了几种非线性滤波算法,包括unscented卡尔曼滤波算法、简单粒子滤波算法以及无味粒子滤波算法（UPF）。分析了这几种算法的原理和实现,对各种算法的适应性进行了比较。通过目标跟踪仿真实验,表明UKF、PF较EKF估计精度和收敛速度有所提高。     

一种单轴旋转INS大方位失准角下快速对准方法

以单轴连续旋转式惯导系统为研究对象,针对惯导系统误差模型的非线性本质和对初始对准快速性的要求,通过推导其静基座条件下大方位失准角误差方程,设计一种利用超球体单形采样的UKF滤波器,并通过实际测试验证其有效性。实验结果表明,利用所设计的UKF滤波算法,10 min方位角对准精度能够达到优于0.008°。     

水声纯方位目标跟踪快速收敛算法

基于EKF的纯方位目标状态滤波器的性能依赖状态初值的选取,为了有效地提高估计的收敛速度,提出了一种滤波器状态初始化方法.首先,简要阐述了修正极坐标系下的推广卡尔曼滤波算法(EKF).然后,基于非线性最小二乘法的思想,推导了一种滤波器状态初始化方法.针对实际应用背景,提出一种组合滤波器结构并进行了仿真验证.结果表明,该算法收敛速度快,滤波精度与EKF相当.     

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。     

基于改进无迹卡尔曼滤波的动力定位系统状态估计

动力定位（DP）船舶状态估计的准确性是影响其在海面上沿期望航迹运行或位置固定的关键因素。在DP状态估计研究中，当遇到观测噪声反常或噪声协方差与算法不符等情况时，无迹卡尔曼滤波（UKF）无法调整算法参数以适应海洋环境的变化，严重影响着状态估计的精度。鉴于此，提出一种基于误差序列协方差估计的自适应UKF，利用观测变量残差更新观测噪声协方差矩阵R。设计基于自适应UKF的状态估计器，对DP船舶纵荡、横荡和艏摇3个重要状态变量进行估计。数值仿真结果表明，提出的自适应UKF能明显降低纵荡、横荡和艏摇3个状态变量的估计误差，状态估计的准确性和滤波平滑性均优于传统UKF算法。     

舰载雷达目标跟踪的非线性滤波仿真

雷达观测模型常常是非线性的,目标跟踪问题是一个非线性状态混合估计.考虑目标稳定跟踪与实时性要求,采用"当前"统计目标运动模型与粒子滤波(PF)非线性方法对雷达机动目标跟踪进行算法分析.仿真验证了"当前"统计模型下的非线性粒子滤波及扩展卡尔曼滤波(EKF)目标跟踪性能,表明非线性粒子滤波,尤其是U变换粒子滤波(UPF)目标跟踪精度和稳定性较好,值得工程应用与推广.     

简化UKF算法在SINS／GPS组合导航中的应用

针对SINS／GPS组合导航系统的特点，建立了系统的非线性误差模型。根据系统状态方程为非线性而观测方程为线性的特点，将一种简化的UKF方法（Rao-Blackwellisation Additive Unscented Kalman Filter，RBAUKF）用于SINS／GPS组合导航系统中，RBAUKF采用较少的采样点数目和简化的更新算法，降低了计算复杂度。最后，在机动条件下，进行了SINS／GPS组合导航实验仿真。仿真结果表明，RBAUKF相比EKF具有更高的滤波精度，更适合在SINS／GPS组合导航系统中应用。     

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。     

无迹卡尔曼滤波及其在三维水下目标跟踪系统中的应用

无迹卡尔曼滤波算法(UFK)以少量的采样点表示随机变量的分布,通过非线性系统传播,能以三阶精度获得非线性变换的均值和协方差的估计．文章将其应用于三维水下目标跟踪系统中．通过系统的Mome Carlo仿真,验证了该滤波算法比传统的扩展卡尔曼滤波具有更高的滤波精度．     

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。     

基于粒子群优化卡尔曼滤波的水下机器人信号处理

在卡尔曼滤波的基础上,引入粒子群优化算法,对卡尔曼滤波方法进行改进,提出基于粒子群优化的卡尔曼滤波器模型,从而提高水下机器人测量数据的精度,降低系统噪声和量测噪声所带来的误差。水池仿真试验结果表明改进的滤波方法有效、实用。     

航向数据去噪中两种滤波方法对比研究

电控罗经因其多种优点得剑广泛的使用，但是由于受多种干扰影响，其航向数据存在不同噪声。利用改进的Sage-Husa自适应滤波和抗野值算法，将其应用到罗经的数据处理中，并与经典kalman进行了比较。通过试验结果中误差方差和Allan方差系数的比较，得到Sage-Husa自适应滤波比经典kalrnan更适用于航向数据的处理。     

Comparison of robust H∞ filter and Kalman filter for initial alignment of inertial navigation system

There are many filtering methods that can be used for the initial alignment of an integrated inertial navigation system.This paper discussed the use of GPS,but focused on two kinds of filters for the initial alignment of an integrated strapdown inertial navigation system (SINS).One method is based on the Kalman filter (KF),and the other is based on the robust filter.Simulation results showed that the filter provides a quick transient response and a little more accurate estimate than KF,given substantial process noise or unknown noise statistics.So the robust filter is an effective and useful method for initial alignment of SINS.This research should make the use of SINS more popular,and is also a step for further research.     

Data assimilation with the Ensemble Kalman Filter and the SEIK filter applied to a finite element model of the North Atlantic

Currently there are different approaches to filter algorithms based on the Kalman filter. One of the most used filter algorithms is the Ensemble Kalman Filter (EnKF). It uses a Monte Carlo approach to the filtering problem. Another approach is given by the Singular Evolutive Extended Kalman (SEEK) and Singular Evolutive Interpolated Kalman (SEIK) filters. These filters operate explicitly on a low-dimensional error space which is represented by an ensemble of model states. The EnKF and the SEIK filter have been implemented within a parallel data assimilation framework in the Finite Element Ocean Model FEOM. In order to compare the filter performances of the algorithms, several data assimilation experiments are performed. The filter algorithms have been applied with a model configuration of FEOM for the North Atlantic to assimilate the sea surface height in twin experiments. The dependence of the filter estimates on the represented error subspace is discussed. In the experiments the SEIK algorithm provides better estimates than the EnKF. Furthermore, the SEIK filter is much cheaper in terms of computing time.     

一种基于模型的水声弱信号检测方法(英文)

Detection of weak underwater signals is an area of general interest in marine engineering. A weak signal detection scheme was developed; it combined nonlinear dynamical reconstruction techniques, radial basis function (RBF) neural networks and an extended Kalman filter (EKF). In this method chaos theory was used to model background noise. Noise was predicted by phase space reconstruction techniques and RBF neural networks in a synergistic manner. In the absence of a signal, prediction error stayed low and became relatively large when the input contained a signal. EKF was used to improve the convergence rate of the RBF neural network. Application of the scheme to different experimental data sets showed that the algorithm can detect signals hidden in strong noise even when the signal-to-noise ratio (SNR) is less than −40d B.     

基于模型预测扩展卡尔曼滤波的动力定位状态估计

针对传统扩展卡尔曼滤波由于动力定位系统过程噪声不能自适应更新,导致滤波精度下降的问题,提出了一种模型预测扩展卡尔曼滤波算法。该算法通过比较一段时间内的量测值和预测值,估计系统噪声参数,从而实时修正系统过程噪声方差。仿真结果表明,当系统的过程噪声未知的情况下,模型预测扩展卡尔曼滤波的滤波性能明显优于传统扩展卡尔曼滤波。