公开(公告)号：CN106526542A

公开(公告)日：2017-03-22

申请号：CN201610901537.4

申请日：2016-10-17

Applicant: 西南大学

Inventor： 王世元 ,  冯亚丽 ,  尹超 ,  钱国兵 ,  段书凯 ,  王丽丹

IPC: G01S7/292 ,  G01S13/66

CPC classification number: G01S7/292 ,  G01S13/66

Abstract: 本发明公开了一种基于确定性采样的增广卡尔曼滤波方法，采用状态重构方法，在预测阶段将状态与过程噪声以及观测噪声三者融合起来，使得新的状态由原来n维的x扩展到N＝n+n+m维的xa；在纠错阶段，保留了第一次采样取得的确定性采样点。与传统增广形式相比，本发明增广卡尔曼滤波器中状态融合了过程噪声以及观测噪声后，由原来的n维增广到n+n+m维，在高维目标跟踪系统中的滤波精度有显著提高；此外，仿真实验显示，在复杂的环境中，对于系统本身的突变干扰和噪声。本发明提出的增广卡尔曼滤波算法表现出了较强的鲁棒性，在牺牲了一定量的计算复杂度的前提下能达到实际系统中对滤波器性能的要求，是一类较好的目标跟踪算法。

公开(公告)号：CN106487358A

公开(公告)日：2017-03-08

申请号：CN201610871781.0

申请日：2016-09-30

Applicant: 西南大学

Inventor： 王世元 ,  尹超 ,  钱国兵 ,  冯亚丽 ,  段书凯 ,  王丽丹

IPC: H03H17/02

CPC classification number: H03H17/0202 ,  H03H2017/0205

Abstract: 本发明属于信号处理技术领域，提供了一种基于统计线性回归的最大相关熵容积卡尔曼滤波方法，经过初始化滤波方法、时间预测、定点迭代和更新误差协方差矩阵等步骤后，能够对非线性系统状态进行估计。该方法在最大相关熵卡尔曼滤波器基础上，利用统计学中的统计线性回归方法，将最大相关熵代价函数融入容积卡尔曼滤波器的框架中，从而应用到非线性系统状态估计上。该方法在做非线性系统状态估计的时候较传统的容积卡尔曼方法，有明显的鲁邦性和和抗噪能力的提升。可广泛用于非线性系统，尤其系统的噪声项是在非高斯情况下。

公开(公告)号：CN106487358B

公开(公告)日：2019-05-10

申请号：CN201610871781.0

申请日：2016-09-30

Applicant: 西南大学

Inventor： 王世元 ,  尹超 ,  钱国兵 ,  冯亚丽 ,  段书凯 ,  王丽丹

IPC: H03H17/02

Abstract: 本发明属于信号处理技术领域，提供了一种机动目标转弯跟踪方法，通过雷达测得机动目标的距离和角度，并结合目标物的转弯特性构建状态空间模型经过初始化滤波方法、时间预测、定点迭代和更新误差协方差矩阵等步骤后，能够对机动目标转弯跟踪的非线性系统状态进行估计。该方法在最大相关熵卡尔曼滤波器基础上，利用统计学中的统计线性回归方法，将最大相关熵代价函数融入容积卡尔曼滤波器的框架中，从而应用到非线性系统状态估计上。该方法在做非线性系统状态估计的时候较传统的容积卡尔曼方法，有明显的鲁邦性和和抗噪能力的提升。