一种量测转换的移动外辐射源多站协同跟踪算法

针对移动外辐射源跟踪问题，提出一种融合到达角(Angle of Arrival，AOA)与到达时间差(Time Difference of Arrival，TDOA)观测量的量测转换Kalman滤波(Converted Measurement Kalman Filter，CMKF)算法。首先，采用了一种考虑了传感器位置偏差影响的无源定位算法作为转换非线性的AOA与TDOA观测量至笛卡尔坐标系下观测量的方法，并证明了当AOA与TDOA的测量噪声以及传感器位置偏差都服从高斯分布且噪声强度不大时，该量测转换方法的位置转换误差能达到克拉美罗(Cramér-Rao Lower Bound，CRLB)界；其次，在量测转换的基础上构建了关于移动外辐射源的线性状态空间模型，将非线性的目标跟踪问题转化为线性滤波问题，并最终使用标准Kalman滤波器实时跟踪移动外辐射源位置。仿真结果不仅验证了量测转换精度与理论分析结论吻合，还表明了所提CMKF算法的跟踪精度同时优于扩展Kalman滤波器、无迹滤波器以及粒子滤波器。     

机动目标跟踪的一种变维交互改进算法

为了满足工程需要,结合变维卡尔曼滤波器和α－β算法的优点,提出了一种卡 尔曼和α－β变维交互替代目标跟踪算法。通过加入机动检测器监视机动,在目标发生 机动时,采用高阶维数模型和卡尔曼滤波器;机动消失后,退回到低阶维数模型和α－β 滤波器,从而实现了对机动和非机动目标的自适应跟踪,克服了因转弯机动引起的误差突 跳,并显著地减少了计算量。通过Monte Carlo 仿真进一步验证了改进算法的合理性和实 用性。     

基于地理信息的地面运动目标跟踪方法

为了提高地面运动目标跟踪精度,提出了基于地理信息约束的变结构交互多模(VS-I MM)的目标跟踪算法。通过建立地理信息系统约束地面目标运动状态,并利用目标转弯曲线 模型确定滤波器中机动目标的时变运动模型集,采用地理信息约束的变结构交互多模算法可 更符合实际进行地面目标机动跟踪。针对机场地面机动目标的仿真结果表明,给出的地理条 件约束的目标跟踪算法比现有交互多模算法具有更好的性能。     

多站无源定位系统中的机动目标跟踪算法

针对多站测向无源定位系统提出了一种杂波环境下机动目标的被动跟踪算法———ＣＭＩＭＭＰＤＦ 算法。该算法首先用转换测量的卡尔曼滤波（ＣＭＫＦ）替代了传统的扩展卡尔曼滤波,克服 了后者精度不高易发散的缺点,并将其结合交互多模型（ＩＭＭ）算法及概率数据关联（ＰＤＦ）算法,有效 地完成了多站无源定位系统对杂波环境下机动目标的跟踪。仿真结果证明了该算法的有效性。     

伯努利滤波在单站无源跟踪中的应用

外辐射源雷达系统具有隐蔽性好、反隐身能力及抗干扰能力强等优点，但其中高频频段信号普遍存在距离分辨率较差的问题。通过建立仅利用目标多普勒信息的测量模型，将基于随机有限集的伯努利滤波算法应用于以多个视距外短波广播发射站、单个近距离接收站为背景的单站无源雷达系统中，同时克服了传统跟踪方法中复杂的数据关联，进而提高了跟踪效果。仿真结果表明，该方法能在大量虚警下仅利用多普勒信息实现对运动目标的有效跟踪和定位。     

三阶距离跟踪滤波器分析与仿真

对三阶αβγ距离跟踪滤波器进 行了研究。在数学建模的基础上，分析不同参数选择对环路性能的影响，推导其等效噪声带 宽的计算公式。最后通过Matlab仿真验证了三阶跟踪滤波器的跟踪性能，为工程设计提供 了理论依据。     

一种采用自适应测角噪声的交互多模型跟踪方法

针对转换瑞利滤波器(SRF)由于测角误差先验信息不准确而导致跟踪性能退化的问题,提出了一种基于交互式多模型转换瑞利滤波器（IMM-SRF）的目标跟踪方法。该方法采用多个不同测角噪声水平的SRF模型进行滤波,并且通过对滤波结果的自适应加权融合解决测角误差未知的问题。与SRF方法相比,该方法无需测角误差的先验信息,鲁棒性和实用性更好。仿真结果表明,IMM-SRF方法可实现对匀速运动和曲线运动目标的准确跟踪,并且收敛速度也较快,验证了所提方法的有效性。     

一种GNSS信号跟踪环路频相直调控制算法

全球卫星导航系统(Global Navigation Satellite System，GNSS)接收机信号跟踪环路正确地锁定导航信号的频率、相位是提取测量值以及导航星历的基础。传统的接收机跟踪环路采用调整频率的方式来调整相位，不能及时消除跟踪误差，并且在弱信号条件下容易受到噪声影响，难以对信号进行精确跟踪。针对这一问题，提出了一种基于非相干预滤波器的频相直调环路控制算法，采用非相干预滤波器提取跟踪误差，并且在本地信号生成阶段直接将载波相位差、载波频率差、码相位差进行消除。实验表明，与传统环路相比，频相直调算法对载波相位、码相位迁入速度分别提高了90%和95%，高动态、弱信号下多普勒估计精度分别提高了69.25%和61.37%，并且频相直调算法能够有效抑制环路参数调整、载体突然机动对载波相位锁定带来的扰动。     

并联有源滤波器与无源滤波器的研究

并联型有源电力滤波器是最基本也是工业中最常用的，但是其成本很高。为了弥补这一缺点，提出了将无源滤波器与有源滤波器结合起来组成混合型有源电力滤波器。这能有效克服原有滤波器的不足，降低成本。     

超低空拦截导弹武器系统的UKF-IMM目标跟踪算法

针对超低空拦截导弹武器系统的特点,提出了运用基于交互多模型的无迹卡尔曼滤波算法(UKF-IMM)对来袭目标进行状态估计的滤波方法.根据来袭目标的运动特点建立了特定的模型集,模型集由CV模型、比例导引模型和"当前"统计模型组成.每个模型分别采用UKF滤渡器进行滤波,UKF-IMM滤波器的输出为各滤波器状态输出的概率加权融合.仿真结果表明,该模型集能够概括超低空拦截导弹拦截目标的运动样式,模型之间切换迅速,滤波算法收敛速度快.运用UKF-IMM滤波算法能够实现超低空拦截导弹火控系统对来袭目标及时准确地跟踪.     

结合匈牙利指派和改进粒子滤波的多目标跟踪算法

使用汽车雷达进行多目标跟踪时，为了提高航迹关联效率并改善非线性场景跟踪效果，提出了结合匈牙利指派和卡尔曼重要性采样的粒子滤波(Particle Filter with Kalman Importance Sampling，PF-KIS)算法。首先，将航迹关联分解为聚类和指派，通过密度聚类筛选并整合有效目标，经过匈牙利指派得到目标和航迹的最佳匹配关系，避免产生多余联合事件，提高关联效率；其次，以卡尔曼滤波的结果作为粒子滤波的先验，使采样粒子分布更合理，提高估计精度，进而改善非线性跟踪能力。实验表明，算法平均航迹关联正确率约为95%；非线性场景误差约为卡尔曼滤波的1/2，有效地改善了非线性场景跟踪能力。     

带多普勒量测的序贯SCKF雷达目标跟踪算法

为提高非线性观测条件下雷达目标的跟踪性能,将序贯处理方法引入均方根容积卡尔曼滤波（SCKF）,提出一种带多普勒量测的序贯均方根容积卡尔曼滤波（SSCKF-D）雷达目标跟踪算法,该算法通过建立伪量测去除径向距离和径向速度量测误差方差之间的相关性。基于SCKF算法,按照量测精确度的高低顺序对方位角、俯仰角、径向距离和伪量测序贯处理。Monte Carlo仿真表明,与SCKF和带多普勒量测的均方根容积卡尔曼滤波（SCKF-D）算法相比,SSCKF-D算法跟踪精度更高,较后者提高20%以上,收敛速度更快,更适用于空间目标跟踪。     

基于卡尔曼滤波的三星时差运动目标定位技术

针对三星时差无源定位体制的特点,研究空中运动目标辐射源定位技术。在匀 速直线运动目标模型下,通过改变地球方程参数,利用牛顿迭代算法给出目标的瞬时初始定 位点,并在此基础上利用不敏卡尔曼滤波对运动目标进行跟踪定位。仿真验证表明 ,利用三星时差测量体制和相关滤波算法,可以有效实现空中运动目标的跟踪定位,精度优 于5 km;同时在精确初始值的引导下,滤波算法收敛速度更快,定位精度更高,航迹更 为连续。     

一种基于预测值量测转换的卡尔曼滤波跟踪算法

在雷达目标跟踪中，系统量测信息通常在球坐标系下获得。为了采用经典卡尔曼滤波算法实现有效目标跟踪，通常采用量测转换方法将非线性量测信息转换到直角坐标系中。针对传统量测转换方法基于量测值计算转换误差统计特性而导致的估计结果有偏问题，提出了一种基于预测值的量测转换方法，并将其与卡尔曼滤波算法相结合，获得了一种基于预测值量测转换的卡尔曼滤波跟踪算法。仿真结果表明，与现有的基于量测转换的卡尔曼滤波算法相比，该算法能在不提高运算量的情况下有效改善目标跟踪效果，跟踪精度提升约20%。     

基于Kalman滤波的WCDMA上行链路衰落信道跟踪

针对WCDMA上行链路的结构，介绍了一种基于卡尔曼滤波和线性内插的信道跟踪方法。Kalman滤波器通过线性内插所提供的粗略的数据估计值来准确地获得信道参数的LMMSE解，跟踪信道的变化。仿真结果表明该方法能有效跟踪快速衰落信道，改善系统的性能。     

采样滤波算法在单站无源定位中的应用

讨论了用采样的方法近似非线性分布来解决无源定位中的非线性问题，提出了一种简单的正则粒子滤波，克服了标准粒子滤波用于单站无源定位中出现的粒子贫乏现象，将粒子滤波成功应用到无源定位中，计算机仿真表明该算法的定位精度较Unscented卡尔曼滤波（UKF）有一定的提高。     

一种基于扩展卡尔曼滤波的方位跟踪算法

介绍了基于扩展卡尔曼滤波的TACAN导航方位跟踪算法，并对该算法进行了计算机仿真。仿真结果表明，该算法在匀速运动和机动情况下，均具有良好的跟踪性能。     

机动目标自适应高斯模型与跟踪算法

提出了一种描述机动目标运动状态的自适应高斯模型，在这种模型中，机动目标的加速度被认为是具有非零均值、时间相关的随机过程，并假定其概率密度函数服从高斯分布。指出了机动目标运动模型的均值和方差与目标机动加速度最佳当前估计值之间的关系，在此基础上，提出了相应的自适应卡尔曼滤波算法。仿真结果表明，该算法对机动目标在不同机动方式下的位置、速度和加速度均有良好的跟踪效果，且所需计算量小。