引入导航信息与雷达互测机制的目标指令误差估计方法

中段接力制导作战是协同作战的一种具体协同模式。提出基于平台间雷达互测机制与导航信息的目标指令参数误差估计模型。根据平台间的雷达互测机制得到的平台量测和两平台惯导设备输出的自身定位信息,在发射平台的传感器局部坐标系中表示出目标和平台的位置坐标,实现多传感器数据位置对准,并对各平台的设备偏差进行估计和补偿,消除系统误差的影响,提高了各平台的传感器测量数据精度。     

引入导航信息与雷达互测机制的目标指令误差估计方法

摘 要;中段接力制导作战是协同作战的一种具体协同模式.提出基于平台间雷达互测机制与导航信息的目标指令参数误差估计模型.根据平台间的雷达互测机制得到的平台量测和两平台惯导设备输出的自身定位信息,在发射平台的传感器局部坐标系中表示出目标和平台的位置坐标,实现多传感器数据位置对准,并对各平台的设备偏差进行估计和补偿,消除系统误差的影响,提高了各平台的传感器测量数据精度.     

一种基于合作目标的机动雷达误差配准技术

针对机动平台传感器非协同误差配准技术实施难度大和配准效果差的问题,对基于合作目标的协同误差配准技术进行了研究。首先根据传感器对合作目标的地球直角坐标系量测方程,建立了系统误差的估计模型,然后根据建立的系统误差估计模型,利用传感器获得的量测和目标通过数据链上报的导航信息,采用最大似然估计技术,对系统误差进行估计。仿真结果表明：该系统误差估计模型可得到系统误差的有效估计,并对目标的导航误差具有强鲁棒性,因此该算法具有一定的工程应用前景。     

利用多传感器跟踪机动目标:数据越多总意味着估计越好吗?

在文献中考虑利用多传感器跟踪机动目标一类的问题时,支持特定目标跟踪的传感器数量及类型通常相对于目标假定位置是固定的。然而,在许多多传感器系统中,支持某一特定目标跟踪的传感器数量及类型,可由于各个传感器的机动性、类型及资源的制约而随时变化。这种在传感器系统配置上的变化性,在跟踪机动目标时造成严重的问题,这是由于目标运动模型存有不确定性。卡尔曼滤波器通常用于滤波位置测量,以估计目标的位置,速度和加速度。在设计卡尔曼滤波器时,过程噪声(加速度)方差Q_k的如此选定以致于65％到95％的概率区间能包含目标的最大加速度水平。然而,当目标机动时,加速度以一种确定性方式变化。于是,与过程噪声相关的白噪声假设发生偏离,滤波器在目标机动期间产生状态估计偏差。如果选定一个较大的Q_k,则在机动时的状态估计偏差较小,但当目标不作机动时,此时的Q_k只能粗劣地表征目标运动,而且滤波性能远远偏离最优了。这里,举出了目标在单一坐标系运动的例子,说明了利用多传感器跟踪机动目标存在的问题,从中表明两传感器(在确定条件下,其中包括各传感器的正确配置)具有较之单一传感器更糟糕的跟踪性能。将交互式多模型算法(IMM)应用于该范例中,证明了它是一种解决跟踪滤波器性能问题的潜在方法。     

基于水声传感器网络的目标纯方位运动分析

研究了基于水声传感器网络的目标纯方位运动分析原理及方法,建立了基于水声传感器网络的目标运动分析模型。在此基础上,讨论了模型中多维非线性估计问题,提出了一种基于传感器网络新的水下目标运动分析方法。该方法采用改进的粒子滤波EKF-PF(扩展卡尔曼-粒子滤波)算法实现,并与传统的扩展卡尔曼滤波(EKF)和粒子滤波(PF)算法进行了比较。通过Monte Carlo仿真分析,表明基于水声传感器网络的目标运动分析方法充分利用了网络的优势和当前测量信息。这种方法对水下目标运动状态估计时,不仅降低了计算量而且表现出较高的估计精度。所得结论为水下传感器网络进行目标被动定位提供了参考。     

基于最小二乘和广义最小二乘的系统偏差估计研究

多传感器数据融合首先要解决误差配准问题,来估计系统偏差并消除它.把最小二乘理论运用于多传感器数据融合,能够得到系统偏差估计.分析最小二乘(LS)和广义最小二乘(GLS)的原理,并对两种算法进行了比较.     

多传感器序贯势分布概率假设密度滤波

针对多传感器多目标跟踪中数据关联的计算复杂性问题,提出了一种多传感器序贯势分布概率假设密度滤波算法.利用序贯滤波的方法将单传感器的势分布概率假设密度滤波扩展到多传感器情况,并给出了高斯混合实现的序贯势分布概率假没密度(Gaussian mixture sequential PHD,GMSPHD)滤波的递推算法.仿真实验结果表明,文中提出的GMSCPHD滤波算法具有较高的多目标状态估计和目标数目估计精度,是一种有效的多传感器多目标跟踪方法.     

面向智能船舶的容错卡尔曼融合估计方法

针对智能船舶多传感器系统因未知海洋环境干扰和设备间干扰等因素导致的一个或数个传感器产生随机间歇性故障从而导致融合估计结果出现偏差甚至失真的问题,设计1种基于四分位滤波的容错方法,并针对该方法导致的观测时滞问题设计1种预报方法,提前预报观测值,进而抵消容错方法导致的时滞问题。此外,针对多传感器之间的互协方差难以准确估计的问题,采用CI融合估计方法进行融合估计。为验证算法的有效性和融合估计的精度,对带有间歇性故障的两传感器系统进行仿真试验,并与按矩阵、按对角阵和按标量3种分布式融合估计方法得到的结果进行对比。4种方法的均方误差系数大小对比结果显示,对于带间歇性故障的多传感器系统,设计的融合滤波不仅具有鲁棒性,而且具有较高的融合精度。     

分布式水下多传感器多目标模糊跟踪融合方法

水下多传感器多目标跟踪系统往往是一个不同类传感器融合系统,且其目标航迹包含有不确定和模糊信息.本文首先利用模糊隶属度函数和模糊逻辑推理技术,进行分布式水下多传感器多目标航迹模糊融合关联决策,并利用有效数据处理和分层融合估计相结合的方法,以实现不同类传感器高精度融合跟踪估计.     

基于Kohonen神经网络的多传感器数据关联算法

提出了一种基于Konhonen神经网络的多传感器多目标跟踪数据关联算法,该方法是将多传感器的测量数据进行自组织聚类,从而实现测量数据的关联,利用融合估计完成对多目标的状态估计.计算机仿真结果表明了该算法的有效性.