纯距离条件下的UKF目标参数估计方法

在多站测角的被动目标跟踪中,目标的状态与角度量测值之间存在非线性关系,现有的方法主要是对其进行线性化,但线性化过程会带来滤波精度的下降,甚至会产生滤波发散而丢失目标.无迹变换卡尔曼滤波器（Unscented Kalman Filter,UKF）通过产生采样sigma点对系统状态进行逼近,可以较好地解决这一问题.将UKF应用到多站测角被动目标跟踪问题中,并通过仿真试验证实了算法的有效性.     

一种引入目标运动速度的多站无源时差定位方法

在多站测角的被动目标跟踪中,目标的状态与角度量测值之间存在非线性关系,现有的方法主要是对其进行线性化,但线性化过程会带来滤波精度的下降,甚至会产生滤波发散而丢失目标。针对这一问题提出一种新方法,由于利用多普勒测速原理可以获得目标运动速度,因此将目标运动速度引入量测方程中,通过附加独立信息观测通道以期提高目标跟踪的收敛精度和收敛速度。仿真结果证实会使滤波算法收敛速度加快,收敛精度提高,改善跟踪性能。     

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。     

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。     

基于粒子滤波的水下目标被动跟踪算法

针对水下被动目标跟踪的非高斯噪声环境和弱可观性的特点,提出了将粒子滤波算法应用于水下被动目标跟踪中的非线性问题,克服了常规的线性化方法易发散且跟踪精度低、误差大的缺点.仿真结果表明:粒子滤波算法提高了滤波的稳定性,跟踪精度优于扩展卡尔曼滤波算法和无迹卡尔曼滤波算法,收到了良好的效果,具有较高的实用价值.     

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。     

被动多传感器改进交互多模型粒子滤波算法

将改进的粒子滤波算法即基于均匀重采样的粒子滤波(AUPF)与交互式多模型算法(IMM)相结合,提出交互式多模型均匀重采样粒子滤波算法(IMM-AUPF),并将其应用于被动多传感器的机动目标跟踪中。均匀重采样粒子滤波在标准粒子滤波的基础上通过改进重采样过程,在解决粒子退化问题的同时,增加了粒子的多样性,提高了滤波性能。在多模型中应用均匀重采样粒子滤波,提高被动多传感器系统的机动目标跟踪精度。将该方法与交互式多模型粒子滤波算法(IMM-PF)进行仿真对比,结果表明该方法具有更好的跟踪性能。     

基于平方根UKF的机载单站无源定位跟踪算法

针对只测角机载无源定位跟踪具有收敛速度慢及定位误差大的缺点,在只测角定位跟踪模型中加入相位差变化率信息并在此基础上引入平方根不敏卡尔曼滤波（UKF）算法来实现定位与跟踪。仿真结果表明增加相位差信息能够改善定位性能,平方根UKF算法具有比EKF算更快的收敛速度和更高的收敛精度,实用性强。     

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。     

基于大地坐标的多舰协同超视距目标指示研究

针对超视距目标指示问题,建立了基于大地坐标的目标运动方程和观测方程,并将UKF滤波方法运用于目标的跟踪.由多艘舰艇组成一个协同的目标指示系统,并将一种新的分布式融合算法运用于该系统,提高了目标的跟踪精度.仿真结果验证了该算法的有效性.     

基于均值漂移粒子滤波的目标跟踪算法研究

针对粒子滤波计算量大的问题,将视觉跟踪领域的均值漂移算法（Mean Shift）与粒子滤波（PF）算法相结合,该算法利用均值漂移算法在重采样之后将粒子收敛到靠近目标真实状态的区域内,改善了传统粒子滤波器的退化现象,减少了算法的运行时间,通过被动跟踪仿真实例,同时使用均值漂移粒子滤波与传统粒子滤波进行跟踪仿真,分析了轨迹跟踪性能,利用均方根误差比较了误差性能。仿真结果表明,Mean Shift PF具有更高的跟踪精度,并且运行时间显著减少。     

无线传感器网络电子航标节点定位算法研究

介绍了无线传感器网络电子航标节点测距定位的定位原理和算法.针对该定位算法的非线性方程组求解问题,依据UKF算法,用一个最小的样本点集来近似系统状态的分布函数.实现了当系统按实际的非线性模型演化时,对非线性函数的后验均值与方差的很好拟合.仿真结果表明,用UKF算法的节点定位估计精度在5%以内.可见,它在解决非线性机动目标跟踪问题时有比较好的跟踪性能和滤波结果.     

基于概率假设密度滤波的水下多目标被动跟踪

针对水下多目标跟踪过程中存在多种干扰因素,如噪声污染、杂波环境、量测数据处理等,本文将概率假设密度滤波应用到水下目标跟踪领域。首先,在单目标匀速运动场景下,提出一种二维搜索法,探究目标估计的均方根误差随2个被动声呐距离和目标初始链距取值变化的规律,为后续目标跟踪中参数选取提供参考。接着,对于多目标编队航行和航迹交叉的运动场景,分别探究目标间距和量测噪声对目标跟踪性能的影响。仿真结果表明,二维搜索法能够有效指导算法参数选取,并且所提算法具有目标数和目标状态估计精度良好的优点。     

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。     

基于加速度的多目标联合跟踪与分类

针对多个机动目标的联合跟踪与分类的问题,文章考虑两类空中目标：商业机和战斗机。采用模糊数据互联（FDA）来完成两个目标的跟踪;采用多模型粒子滤波来处理目标的多个运动模型问题;通过由跟踪器得到的速度量测来完成分类任务。仿真结果表明该方法能提供可靠的跟踪和正确的分类。     

捷联惯性基组合导航鲁棒UKF方法

捷联惯性基组合导航中,量测值存在野值的情况难以避免,会导致无迹卡尔曼滤波(UKF)的估计精度下降。针对该问题,本文提出一种基于一类向量机(SVM)的鲁棒UKF算法(SVM-UKF)。首先使用一类支持向量机训练滑动窗,来辨别滤波中的新息是否为异常,对于正常新息不予处理,对于异常的新息采用指数加权的方法进行估计,使用新的估计值替换野值,并进行了船载实验,对含有野值的SINS/GPS系统使用SVM-UKF与常规UKF,RUKF滤波进行组合导航实验。实验结果表明,在量测值有野值污染的情况下,SVM-UKF具有较高的鲁棒性,对比于UKF,RUKF具有更高的估计精度。     

弹道再入目标轨迹跟踪中非线性滤波算法研究

弹道再入目标轨迹跟踪是一个重要的非线性滤波应用问题。论文将常见的非线性滤波器分类为基于点的滤波器和基于密度的滤波器,对比分析了各类算法的基础理论原理,仿真实验得出在高斯噪声条件下,EKF要优于UKF和PF,在闪烁噪声条件下PF要优于EKF和UKF的结论。     

一种新的雷达间隙辅助红外的机动目标跟踪算法

论文针对雷达间隙辅助红外的机动目标跟踪问题,提出了一种新的跟踪算法。该算法由跟踪误差与精度指标的大小来选择雷达的开机时间,从而构成了一个闭环的跟踪系统,解决了在给定的跟踪精度指标下雷达的开机时间选择问题。其思想为：在内层通过引进高、低门限,根据跟踪精度与门限的大小,自适应地选择交互式扩展卡尔曼滤波（IMM-EKF）或交互式粒子滤波（IMM-PF）;在外层将基于雷达量测的滤波结果和红外量测的滤波结果进行交互;从而实现了两层交互式自适应滤波。仿真结果表明该算法在计算复杂度和跟踪精度上达到了较好的平衡,实现了雷达间隙开机下对目标稳定的跟踪。     

多目标干扰环境中威胁目标自动跟踪方法

针对多目标干扰环境中威胁目标发现与跟踪困难的问题,研究一种基于随机有限集(RFS)的高斯混合概率密度假设(GM-PHD)滤波的算法,建立目标的随机有限集形式的运动和观测模型,利用卡尔曼滤波的预测和更新过程,对被动声呐输出的多目标方位和窄带线谱同时进行跟踪,利用所提取窄带线谱能量作为不同方位目标的输出检测量,可实现对包含线谱的窄带威胁目标的自动跟踪。试验数据的处理结果表明,所提方法可以实现在多目标的复杂情况下对感兴趣的威胁目标的自动跟踪。     

基于固定延迟平滑算法的机动目标跟踪方法

为进一步提高机动目标的跟踪精度和估值算法的数值稳定性,文章基于平方根UKF（square root UKF：SR-UKF）和固定延迟平滑算法（fixed-lag smoothing）提出一种新的固定延迟平方根UKS算法（fixed-lag square root unscentedkal man smoothing：FL-SR-UKS）。数值仿真说明该算法可以有效处理机动目标跟踪问题,且状态估值精度优于SR-UKF。