基于对称测量方程的多目标跟踪

就测量是目标位置的对称函数而论，本文介绍了多目标跟踪中航迹保持的一种新方法，在这一方法里，数据相关问题被嵌入目标状态估计过程中，所以没必要考虑潜地目标／测量相关。     

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ICA的单矢量水听器多目标分辨

单矢量水听器利用目标信号的声能流进行测量,可有效抑制各向同性干扰,提高目标信号的信噪比,从而实现目标的波达方向(DOA)估计。但若存在多个目标时,单矢量水听器测量的是各信号声能流的矢量和,因此无法估计单个目标的方位。本文将独立分量分析(ICA)原理与单矢量水听器技术相结合,提出一种新的单矢量水听器多目标分辨算法。在目标信号方向未知的情况下,该方法可对矢量水听器的导向矢量实现盲估计,并分离出各独立目标信号,进而利用声能流逐次分辨出各独立目标信号。仿真实验证明了算法的有效性。     

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.     

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。     

应用于捷联惯性姿态测量系统的EFRLS算法研究

在实际大型动态测量船动态变形测量应用中准确确定捷联惯性姿态测量系统噪声模型和相关性比较困难,采用常规卡尔曼滤波(KF)会导致较大的状态估计误差,甚至使滤波器发散。针对这一问题,在分析扩展遗忘因子递推最小二乘(EFRLS)算法的稳定性基础上将EFRLS估计误差与带系统相关噪声的卡尔曼滤波器估计误差进行了比较,并针对大型测量船动态环境采用EFRLS算法对变形参数进行了估计,仿真结果验证了EFRLS算法在噪声信息未知情况下的有效性。     

捷联惯性姿态测量系统的扩展遗忘因子递推最小二乘算法研究

在实际大型动态测量船动态变形测量应用中准确确定捷联惯性姿态测量系统噪声模型和相关性比较困难,采用常规卡尔曼滤波(KF)会导致较大的状态估计误差,甚至使滤波器发散.针对这一问题,在分析扩展遗忘因子递推最小二乘(EFRLS)算法的稳定性基础上将EFRLS估计误差与带系统相关噪声的卡尔曼滤波器估计误差进行了比较,并针对大型测量船动态环境采用EFRLS算法对变形参数进行了估计,仿真结果验证了EFRLS算法在噪声信息未知情况下的有效性.     

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。     

基于FGU的船体变形测量技术中时间延迟补偿方法研究

基于光纤惯性测量单元(Fiber Gyro Unit,简称FGU)的角速率匹配法是船体变形测量技术的发展方向,但是在实际应用中两套测量单元之间存在时间延迟,会影响船体变形测量精度。该文分析了时间延迟的产生机理以及时间延迟对变形估计的影响。并基于二阶马尔科夫模型对船体变形建模,建立卡尔曼滤波状态方程和量测方程,提出了一种时间延迟补偿方法,将时间延迟扩充为状态量,对其进行实时的估计和补偿。最后通过仿真并结合实船试验数据,对比分析了时间延迟补偿前后的变形估计效果,验证了此方法的有效性。     

传感器融合最优几何配置

论文推导了基于误差几何稀释度的传感器-目标相对几何测量矩阵(MOM)。为了解决平台布站问题引入了最大似然估计。建立误差精度分析线性测量模型推导GDOP MOM。传感器-目标几何关系函数GDOP MOM将传感器测量误差和目标位置误差关联。为了验证GDOP MOM对融合系统的影响,计算了纯方位测量传感器-目标几何配置的GDOP函数关系并计算最小GDOP和相关的特定目标-传感器集合关系。GDOP MOM是通用的,可进一步应用于其他传感器系统和融合算法。     

一种基于扩展状态观测器的智能船舶Nomoto模型参数辨识方法北大核心CSCD

[目的]为了支持制导、导航、控制等船舶智能化技术的测试验证平台的搭建,利用系统辨识技术得到高精度的智能船舶野本(Nomoto)运动模型参数。[方法]充分结合扩展状态观测器(ESO)以及鲁棒加权最小二乘支持向量回归(RW-LSSVR)算法的优势,提出一种高效低成本的混合参数辨识方法。为解决模型参数辨识中无法直接有效获取某些状态量的问题,构建了基于ESO的状态估计方法。基于估计方法与直接测量的船舶运动状态量,采用具有较强抗异常值干扰的RW-LSSVR对智能船舶二阶线性Nomoto运动模型参数进行辨识。以已知模型的两艘船舶为测验对象,对所提参数估计与辨识方法进行综合测验。[结果]在利用较少传感器的情况下,通过ESO可较精确地估计出非直接测量的船舶运动状态量,并且利用RW-LSSVR辨识得到的参数值十分接近标准值。[结论]利用所提方法获得的估计状态可用于参数辨识,并且辨识模型具有较好的泛化性。     

PIV与BEM相结合的流场研究法

本文介绍一种PIV与BEM相结合的流场研究方法，PIV（Particle Image Velocimetry)是一种现代流场测试技术，BEM（Boundary Element Method)是一种流行的CFD方法，所谓PIV和BEM相结合的方法，是利用流域内PIV测量的结果和BEM法的反过程估计出边界上洲际流场相关量的值，进而估计出流域内其它点的速度值，这种方法可以很好地修正PIV的测量结果，减小它们的误差，同时还可以对测量失效区域的流场进行估计，增加流场信息，在文中它被应用到楔形体入水的PIV测量后处理中，取得了很好的效果。     

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。     

基于测姿GPS及电子罗盘组合的姿态估计算法

针对低成本姿态测量应用需求,研究了由测姿GPS与电子罗盘组合的姿态估计算法。以捷联姿态误差模型为基础,利用等效倾角误差表示姿态误差,引入角速率误差作为状态参量,通过四元数微分方程推导等效倾角误差传递模型。从GPS双差载波相位测量方程和电子罗盘地磁矢量方程出发,从观测量的物理意义出发推导了等效倾角误差为状态参量的非线性观测方程。采用扩展卡尔曼滤波对姿态参数进行状态估计。车载实验表明该算法能够有效地提高姿态测量精度和系统的鲁棒性,具有较好的实用性。     

基于UKF联邦滤波的动力定位船舶运动状态估计

针对动力定位船舶,采用基于无迹卡尔曼滤波(UKF)的联邦滤波技术,利用多种位置参考系统和电罗经的测量值来实现对船舶运动状态的估计。从传感器测量原理出发,采用非线性的测量方程,实现对多种位置参考系统传感器特征的描述,利用UKF滤波方法和联邦滤波结构将动力定位船舶配备的多个冗余位置参考系统的测量数据进行有效融合,从而提高对船舶运动状态估计的精度和可靠性。仿真结果表明,采用基于UKF的联邦滤波方法可以有效实现对动力定位船舶相关运动状态的估计。     

方位和多普勒频移联合的目标要素估计

提出一种利用目标方位信息和多普勒频移信息联合估计匀速直线运动目标要素的方法。该方法适用于观测站不机动情形下目标运动分析问题。将2种目标信息分别伪线性化,建立对应的伪线性模型,利用最小二乘方法构建2个伪线性滤波器,后融合的方法得到了目标要素估计的算法。与现有的基于方位和多普勒频移进行目标要素估计的方法相比,该方法有以下不同特点:1)2个线性估计器均是二维系统,可观测性增强;2)在多普勒频移估计器中,不需要估计线谱的原信号频率。数值仿真给出了不同观测误差下的算法性能,试验验证了方法的实际有效性。     

机动目标无源自适应跟踪算法研究

论文提出了一种对空中机动目标进行三位测向无源自适应跟踪的新算法.该算法把目标机动加速度看成是未知的输入向量附加到状态方程中去,然后利用状态向量扩维情况下的伪线性滤波算法对目标进行三维无源跟踪,跟踪过程中在对原来目标状态向量进行估计的同时估计目标加速度,仿真结果表明,该算法不需要对目标进行机动检测,它能够适应目标机动和非机动两种工作模式,实现对空中机动目标的自适应无源跟踪.     

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.     

比例导引下的机动目标跟踪算法仿真研究

针对比例导引目标的跟踪问题,将比例导引规律引入状态方程,建立线性时变系统模型,利用含有参数的标准卡尔曼滤波方法给出了目标的状态估计。运用语言进行仿真计算,分析并得到了在不同的初始航向角、比例导引系数、导弹的初始位置和速度下的导引弹道滤波曲线和弹目相遇时间。仿真结果表明,此方法正确可行。     

多通道舰空导弹武器系统射击次数模型研究

在一定的假设条件下,通过对舰空导弹武器系统射击过程的分析,对单目标通道建立了射击次数模型。对单目标通道射击次数模型经过适当变换,求出多通道舰空导弹武器系统的第一个目标通道的射击次数,并根据一次射击周期中可用目标通道数受弹目遭遇时间和各目标通道作战空域不同的限制,建立了多通道舰空导弹武器系统射击次数模型。