多模型估计理论

研究利用多模型来副近系统的动态性能,基于多模型设计组合导航系统的多模型自适应卡尔曼滤波器.通过仿真研究表明,在多模型自适应估计和交互式多模型滤波均克服了单一滤波由于外部扰动所造成的滤波误差过大甚至发散的问题.多模卡尔曼滤波器对组合导航系统能达到理想的控制精度、跟踪速度以及稳定性.研究表明,运用多模卡尔曼滤波能改善系统的瞬态响应,覆盖大范围的参数不确定性.     

自适应交互式多模型算法改进探讨

交互式多模型算法是一种较为有效的机动目标跟踪算法.介绍交互式多模型算法的设计思想和算法结构,归纳几种自适应交互式多模型算法的特点及相互关系.通过分析自适应交互式多模型算法的不足,探讨自适应交互式多模型算法的改进问题.     

基于粒子滤波的多传感器交互式多模型多机动目标跟踪

针对单传感器交互式多模型联合概率数据关联滤波算法(Interacting Multiple Model Joint Probabilistic Data Association Filtering,IMMJPDAF)在非线性情况下跟踪精度低,且对于非高斯问题不适用的情况,文中提出一种基于粒子滤波的多传感器交互式多模型多...     

天文定位的是了优估计方法及其应用

论述了天文定位的最优估计方法及其精度。六分仪观测值依赖于ＧＭＴ和推算船位的该值的预测值之差，与来自上瞳尔曼滤波器增益阵的Ｋφ和Ｋλ相乘，可以得到推算船位与最优估计船位的差值Ｄφ和Ｄλ。     

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。     

船舶动力定位系统多模型自适应融合滤波

为了减小波浪高频和环境噪声对船舶运动的影响,解决动力定位系统中的滤波问题,采用一种改进的多模型自适应融合(MMAF)估计算法。MMAF算法运用DGPS和平台罗经建立对地速度基准的研究方法,采用多模型描述系统结构,且每个模型对应不同滤波算法,利用不同滤波器所提供信息的融合,得到有效的船舶位置和首向估计信息。仿真实验表明,与其他方法相比,MMAF的应用使得滤波效果得到提升,性能得到改进。     

IMM-SCKF算法在海面扩展目标跟踪中的应用

  目的  针对船舶运动状态变化复杂场景下扩展卡尔曼滤波（EKF）的误差不稳定,以及单一运动模型的表征能力受限等问题,提出一种基于交互式多模型（IMM）平方根容积卡尔曼滤波（SCKF）的船舶轨迹跟踪算法。  方法  引入SCKF,并代替EKF来执行自动识别系统（AIS）数据的轨迹跟踪;采用交互式多模型框架将恒速直线模型（CVM）、当前统计模型（CSM）和恒定转向率模型（CTM）及改进的CTM模型进行交互融合,形成3种组合模型来表征AIS轨迹的运动状态,并进行船舶轨迹跟踪实验。   结果  结果显示,对于航向、航向率和航速均发生变化的轨迹,采用组合模型1跟踪时,在轨迹6中SCKF相比EKF的位置信息的均方根误差变化幅度小,精度提高了30.06%;采用组合模型3跟踪时,相比EKF和SCKF,其在轨迹6中位置信息的均方根误差波动的范围最小,误差减小了60.80%,组合模型3的性能最好,但计算量也最大;对于航速不发生变化的复杂轨迹,采用组合模型2跟踪的性能接近组合模型3。  结论  所提方法能够提高AIS数据的精度并保证AIS数据误差波动的稳定性,为提高船舶运动跟踪和监测提供了可能性。     

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.     

GPS导航滤波器的设计

本文基于卡尔曼滤波的理论，在分析GPS导航滤波器的基础上，应用UDU^T分解法和自适应过程，设计了一个实际不发散且运算速度快的卡尔曼滤波器，并已成功地应用于GPS接收机中。     

天文定位的最优估计方法及其应用

论述了天文定位的最优估计方法及其精度。六分仪观测值与依赖于ＧＭＴ和推算船位的该值的预测值之差，与来自卡尔曼滤波器增益阵的ＫΦ和Ｋλ相乘，可以得到推算船位与最优估计船位的差值ＤΦ和Ｄλ。它们与推算船位的线性组合可以实时地给出最佳船位，即使只有一次观测亦是这样。最优估计方法被应用于作者研制的ＨＸ－１１１３天文导航仪和ＧＰＥＳ１型电子六分仪，海上试用的结果表明，该方法不仅定位方便，而且精度高，中午附近定位误差可达１ｎｍｉｌｅ之内。     

基于多尺度随机动态模型的惯性器件数据融合估计

结合离散小波变换、动态系统理论及随机过程理论,建立了以尺度为变量的多尺度随机动态模型,并给出状态基于多尺度随机动态模型的多尺度递归数据融合算法,实现了在状态基于全局观测信息的优化估计值。该算法可以在无状态模型情况下进行数据融合,适用于难以获得或获得的状态模型不精确的情况。将此方法用于陀螺信号处理中,通过不同尺度下陀螺观测值的融合,陀螺信号的精度有明显的提高。仿真和实验均证明该算法是一种有效的数据融合算法。     

雷达跟踪目标的残差检测自适应多模型算法

提出了一种基于残差的自适应多模型算法，通过残差的大小来分配多模型中单个模型在整体估计中的权重。本算法无须机动检测，从理论上避免了延迟。通过Monte Carlo仿真表明本算法的有效性。     

基于强跟踪滤波器的多传感器非线性动态系统状态容错融合估计

将强跟踪滤波理论与多传感器数据融合估计方法相结合,提出基于强跟踪滤波器的多传感器数据融合估计新算法。对拥用相同采样的分布式多传感器单模型非线性动态系统,应用强跟踪滤波器,得到目标状态基于全局信息融合估计结果,并利用计算机仿结果对算法的有效性进行了验证。这些工作初步解决了Kalman滤波中由于模型的不确定性而造成估计误差值偏大情况下的状态融合估计问题,从而丰富和发展了多源信息融合理论。     

基于双UKF滤波器的锂电池SOC-SOH联合估计方法

为提高锂电池荷电状态(state of charge,SOC)及健康状态(state of health,SOH)的估计精度,以二阶RC等效电路模型为研究对象,基于无迹卡尔曼滤波器(UKF)的思想,提出SOC-SOH联合估计的双自适应UKF滤波器算法,该算法通过对状态方差阵和噪声方差阵的递推估算,确保了状态和噪声方差阵的实时更新,并且能及时反映SOH变化趋势。仿真实验结果验证了该算法的正确性和有效性。     

交互式多模型在舰载火控雷达拖引目标跟踪中的应用

针对舰载火控雷达中可能存在拖引欺骗,本文讨论了目标跟踪问题中的运动模型,建立了交互式多模型。同时,本文还研究了在杂波环境下航迹初始、保持和消失的决策。最后进行了空间位置和径向距离的RMS误差仿真,仿真结果表明,本文算法在精度控制方面性能高,能够有效的对雷达的真实回波进行检测。     

基于接收信号信噪比预测的自适应跳频信道质量评估

针对自适应跳频通信的特点,提出基于接收信号信噪比预测算法的信道质量评估方法.在FFH/BFSK系统中采用卡尔曼滤波器、信号子空间法和误码率性能分析法进行仿真.结果表明,在0～25dB的信噪比变化范围内,估计和预测误差较小,能够对信道质量做出实时评估,可用于快速自适应跳频通信系统.     

多点阵测向的数学模型及误差估计

提出了多点阵声呐测向的数学模型并对误差进行了估计,对3点阵、4点阵直到10点阵进行了不同方向的仿真计算.其特点是不要求声呐各点阵之间共线和等距,给基阵安装带来方便,能最大限度地利用潜艇壳体,以提高声呐对目标的探测能力.     

基于自适应传递函数估计方法

传递函数反映了系统输入输出之间的关系,是系统的固有特性.针对船舶这样的复杂系统,有效估计机械设备振动至辐射噪声的传递函数,有利于进行噪声源的识别、分离与量化.本文采用1种新的估计传递函数的方法一自适应估计传递函数方法,该方法计算简单准确,适合于工程应用.     

基于自适应多分辨率曲面的多波束滤波方法研究

针对常规固定分辨率曲面滤波精度不足的问题,提出一种基于自适应多分辨率曲面的多波束滤波方法.在地形变化较大的陡坎和细小目标突起物等测量环境下,多分辨率曲面根据地形坡度变化,对有特征地形或地物的局部区域,自动增强多波束水深曲面的分辨率,从而得到更精确的水底表面模型.基于该表面模型可进行自动滤波,从而保留更加完整的水下地形特...     

自适应相位差估计器

介绍了自适应相位差估计器的原理,给出了算法的仿真结果和对实际数据的相位差估计结果,意在通过自适应相位差估计器对各阵元通道间的相位差进行测量,利用测量结果对多阵元接收系统进行时延差补偿.通过仿真与实际信号的分析,自适应相位差估计器具良好抗干扰能力,相位差估计精度高,学习速度快等优点,可以用此方法进行系统相位差估计.