一、自适应多速率交互式多模型算法（论文文献综述）
蔡李根[1]（2020）在《基于多模型的地面机动目标协同定位方法》文中认为近年来,作为军事领域中的重要作战单元,以装甲车、雷达车、导弹发射车等军用车辆为代表的地面机动目标凭借其机动能力强,隐蔽手段丰富的特点,在实际作战中承担着越来越丰富的作战任务,具有很大的军事价值和发展潜力,其定位问题逐渐成为研究热点。另一方面,出于降低成本、提高可靠性和信息融合的考虑,具有低成本、灵活性高优点的无人机开始在军事上广泛应用,因此,可以利用多无人机搭载传感器开展对地面机动目标的协同定位技术研究。地面机动目标协同定位方法是精确打击敌方地面机动目标的核心技术,同时也是战场态势感知的重要保障,本论文以军用车辆为代表的地面机动目标为对象,利用搭载红外传感器的多无人机对其协同定位方法开展深入研究,主要内容包括:根据地面机动目标的可能运动形式,建立相应的运动模型,建立无人机所搭载红外传感器的量测方程;考虑到协同定位问题的非线性,给出容积卡尔曼滤波算法的基本流程,为了进一步提高估计精度,引入迭代容积卡尔曼滤波算法,并对迭代容积卡尔曼滤波算法进行改进;建立数学仿真场景,分别基于三种非线性滤波方法设计地面机动目标的协同定位算法,通过蒙特卡洛数学仿真对比分析各种非线性滤波方法在地面机动目标协同定位中的性能,验证本论文所提改进迭代容积卡尔曼滤波算法的优越性。考虑到地面机动目标的运动形式多样采用单个模型无法覆盖其运动形式的问题,引入多模型的概念,给出定结构多模型算法的具体框架;提出基于改进迭代容积卡尔曼滤波算法的交互式多模型算法,针对地面机动目标的可能运动形式进行模型集的设计;建立地面目标连续机动的仿真场景,进行蒙特卡罗数学仿真,验证交互式多模型算法相比于单模型算法的自适应性和高精度优势;在同一场景下,对比分析几种典型定结构多模型算法的协同定位结果,验证交互式多模型算法相比于其他定结构多模型算法,具有最高的效费比;利用交互式多模型算法,通过控制变量的方法,分析红外传感器测角精度等因素对于地面机动目标协同定位结果的影响,为工程实际中提高地面机动目标协同定位性能提供一定的参考。针对交互式多模型算法存在其固定模型集难以应对地面机动目标的复杂机动场景的局限性,基于图论引入了变结构多模型算法的概念,研究了动态有向图、有向图切换和自适应网格三种模型切换方法,提出了一种基于改进迭代容积卡尔曼滤波的自适应网格交互式多模型算法;建立地面目标复杂机动场景,通过数学仿真对比分析,验证了自适应网格交互式多模型算法模型集自适应算法的有效性和相比于交互式多模型的精度优势;分别利用动态有向图、有向图切换设计相应的变结构多模型协同定位算法,通过仿真对比验证了本文所提自适应网格交互式多模型算法的模型集切换效率和估计精度的优越性。
张容阁[2]（2020）在《基于UWB/GNSS/IMU的机器人室内外无缝定位技术研究》文中研究指明机器人实际应用场景复杂多样,根据任务需求不同,往往需要工作在室内外混合环境中,传统单一定位方式难以满足无缝定位需求,因此本文对基于多种定位技术手段的机器人组合定位展开研究,采用数据融合滤波算法提高系统的定位性能,针对应用过程中存在的融合算法对定位模式跳转切换自适应能力不强及无线电测距基站布设无法事先确定问题提出相应解决方法,以达到提高机器人室内外无缝定位精度的目的。首先,考虑到卫星导航信号对环境较为敏感,无法于室内提供定位服务,建立了基于UWB作为传统GNSS/IMU组合导航补充的组合定位结构,基于惯性导航系统误差模型建立系统的状态方程,分别考虑卫星导航及超宽带定位的观测信息建立量测方程,二者共同构成了组合定位算法数学模型,然后通过仿真实现了验证。其次,针对无缝定位中不同信息源的分配选择及环境变化导致组合模式的切换跳转问题,提出了一种基于可观测度分析——交互式多模型的无缝定位自适应滤波算法,采用改进的可观测度分析方法评估当前系统滤波器工作性能,然后对交互式多模型中马尔科夫转移概率矩阵对算法性能的影响进行分析,基于可观测度对转移概率进行修正,从而使算法能够有效地根据定位模式跳转调整滤波模式及观测信息权重,提高了算法的自适应能力。然后,针对室内外卫星导航信号缺失区域的UWB基站布设问题,提出了一种基于几何精度因子——最大基站凸包的最优布设算法,采用几何精度因子作为评价指标,从减小精度因子角度出发,定义了问题求解的目标函数及约束条件,分析了寻找底部基站凸包的必要性及解决方法,然后通过仿真对一具体区域内基站布设效果进行了验证,仿真结果表明算法能够准确的寻找到满足精度因子最小条件的布设方案,且具有更高的计算效率。最后,搭建了机器人组合定位试验平台对定位精度及算法进行验证,对系统设计方案进行了说明,对各模块功能进行了测试,进行了机器人定位试验,通过试验验证了算法的有效性,试验结果表明组合定位系统能够满足机器人室内外无缝定位需要。
侯祥宇[3]（2020）在《临近空间高超声速滑翔飞行器多模型跟踪算法研究》文中提出伴随着临近空间高速飞行器的发展,其防御拦截受到了各国学者的重视。由于临近空间飞行器强机动、超高速的特点,其跟踪拦截非常困难。本文针对这一问题,结合多模型跟踪算法,考虑对目标进行机动检测,实现对强机动目标跟踪性能的提升。本文首先给出目标跟踪原理及滤波方法的介绍。给出了几种线性滤波和非线性滤波的原理及特点,对常见跟踪模型也作了详细的介绍。其次针对临近空间高速强机动目标滑翔阶段的特性,建立目标的动力学跟踪模型,将目标的气动特性和机动状态扩维进入目标跟踪的状态量中,采取天基红外探测模型定位进行跟踪。此跟踪模型效果优于普遍应用的运动学模型。多模型跟踪方法在临近空间飞行器目标跟踪效果较好,本文从交互式多模型算法和变结构多模型算法两方面进行研究分析,总结出各方法特点,通过仿真分析各方法的跟踪性能及其局限性。目标跟踪过程中,滤波残差很好地展现了跟踪误差,采用平方检测方法判断目标处于强机动、弱机动或是非机动状态,进而对多模型算法模型间转移和模型选择两方面进行指导。在模型选择方面建立了基于机动检测的变结构多模型方法,不同的机动状态对应不同的跟踪模型集更新方法;另一方面,将模型间状态转移概率由一阶马尔科夫链假设改为隐马尔科夫模型假设,基于目标机动状态的变化,进行模型间转移概率矩阵自适应更新,弥补了模型间转移概率固定从带来的实际误差。通过对上述多模型跟踪方法结合目标动力学跟踪模型进行仿真实验,结果表明跟踪精度提高、模型切换更快、整体跟踪性能更好。本文针对临近空间高超声速滑翔飞行器跟踪,给出了一种动力学建模方法,同时结合多模型滤波跟踪,在高速、强机动的前提下,给出了两种基于机动检测的多模型跟踪算法GIMM和HIMM,提高了跟踪性能。
刘璐[4]（2020）在《一类非理想条件下的状态估计及在目标跟踪中的应用》文中指出状态估计是一种基于状态空间模型的动态估计方法,它能够从带有噪声和随机干扰信号的量测信息中估计出系统状态。随着现代航空、航天、航海事业的快速发展和网络化、信息化的普及,状态估计已经成为国防和民用领域的研究热点。传统的状态估计方法通常假设系统处于理想状态。然而,由于人们认识的局限性、设备的复杂性以及环境的多变性,任意一个实际系统都会存在不同程度的不确定性,理想条件无法严格满足。此时,如果在非理想条件下采用传统的状态估计方法进行估计,显然无法获得理想的效果。因此,为了获取适用性更强、精度更高的状态估计方法,本文在前人工作的基础上,围绕一类由不确定性引起的非理想条件下的状态估计问题展开研究,重点考虑噪声统计特性未知、具有随机时滞、模型跳变和模型带有未知参数四种情况,并通过状态估计的典型应用——目标跟踪进行仿真实验,验证所提算法的有效性。主要研究内容如下:分析了噪声统计特性未知对状态估计的不利影响,从高斯滤波入手,基于期望极大化方法设计了能够在线估计噪声未知统计特性的自适应非线性高斯滤波算法,为解决噪声统计特性未知问题提供了一个通用的高斯滤波框架;采用球径容积变换规则实现自适应非线性高斯滤波算法,提出了一种自适应平方根容积卡尔曼滤波（Adaptive Square-root Cubature Kalman Filter,ASCKF）算法;通过单变量非静态增长模型验证了所提ASCKF算法在过程噪声统计特性未知的情况下能够保证估计精度;通过目标跟踪模型验证了所提ASCKF算法在量测噪声统计特性未知的条件下仍能保持较小的跟踪误差;通过目标跟踪模型对比自适应扩展卡尔曼滤波算法、自适应无迹卡尔曼滤波算法以及ASCKF算法的性能,验证了所提自适应非线性高斯滤波框架的可靠性。考虑具有随机时滞的状态估计,利用Bernoulli分布建立了含有随机量测时滞的状态空间模型,先推导了能够处理两步随机量测时滞的非线性高斯滤波算法,进一步设计了具有任意步随机量测时滞的高斯滤波框架;为实现上述非线性高斯滤波算法,提出了能够具有两步随机量测时滞的无迹卡尔曼滤波（Unscented Kalman Filter,UKF）算法;并结合关于噪声统计特性未知情况下状态估计问题的研究,针对系统中同时包含一步随机量测时滞与量测噪声统计特性未知的情况,提出了具有未知量测噪声和随机量测时滞的UKF算法;通过目标跟踪系统验证了所提算法的有效性,仿真结果表明所提的两种算法均能达到预期效果,获得良好的估计精度。针对模型跳变情况,研究交互式多模型（Interactive Multiple Model,IMM）算法。通过详细分析经典IMM算法的推导过程发现:模型转移概率和模型集的选择是影响IMM算法性能的两个关键因素。首先从模型转移概率入手,采用模糊逻辑的思想设计模型转移概率模块,提出了基于模糊逻辑的交互式多模型（Interactive Multiple Model based on Fuzzy Logic,FLIMM）算法;然后,采用变结构多模型算法解决模型集的选择问题,设计了基于自适应网格的交互式多模型（Interactive Multiple Model based on Adaptive Grid,AGIMM）算法;最后通过目标跟踪仿真实验,验证了FLIMM算法能够缩短模型概率更新所需的时间,获得更高的估计精度;AGIMM算法在复杂机动情况下可以降低计算量,提高跟踪性能。为解决非线性、非高斯系统模型带有未知参数的问题,建立了自组织状态空间模型;由于粒子滤波（Particle Filter,PF）算法存在的粒子贫化会导致估计精度下降以及使用自组织状态空间模型时未知参数易陷入初始取样集,采用萤火虫算法的寻优策略来优化传统PF算法的粒子分布,提出了基于萤火虫算法的智能粒子滤波（Firefly Algorithm-based Particle Filter,FA-PF）算法;分别对模型参数完全已知和模型含有未知参数的目标跟踪系统进行仿真实验。仿真结果表明FA-PF算法不仅抑制了粒子贫化的带来的不利影响,而且通过萤火虫寻优策略的优化,使粒子向真实的后验分布移动,有效地避免了未知参数陷入局部最优,使未知参数的估计值向真实值“移动”,最终获得了较高的跟踪精度。
彭瀚[5]（2020）在《多普勒雷达机动目标跟踪算法研究》文中进行了进一步梳理近几年来随着目标跟踪技术的发展,多普勒雷达被应用于机动运动目标跟踪领域。对运动模式时变的机动目标跟踪与防御是雷达系统中一项极具挑战性的任务,而非线性量测环境下的机动目标跟踪也逐渐成为研究的重点。本文将针对跟踪系统中多普勒量测处理与自适应机动跟踪方法展开研究,主要从减弱多普勒量测的非线性影响和改善机动场景下的目标跟踪精确度与算法稳定性进行展开。本文的主要研究内容与贡献包括:1.研究了三种典型的机动目标跟踪算法:当前统计模型算法、多模型滤波算法和交互式多模型滤波算法,验证了以上算法在机动与非机动场景下的跟踪性能,并给出相应场景下的算法使用推荐。2.针对多普勒量测的非线性问题,提出了基于预测值量测转换的序贯滤波机动目标跟踪算法,改善了传统基于量测值量测转换方法的缺陷。通过LOS方式改进量测转换方法,实现了利用切向速度信息对非线性系统的无偏估计。该算法在复杂度增量较小的情况下,对系统的跟踪精度有较大提升。3.研究了基于最佳线性无偏估计理论的目标跟踪算法,并推导了BLUE的Kalman滤波形式,提出了一种基于BLUE自适应序贯处理的机动目标跟踪算法。通过对伪状态与伪量测性能的实时估计,来自适应调整滤波器参数,进而实现带多普勒量测目标的最优跟踪。该算法可克服伪状态滤波前期收敛时间长的问题,相比基于静态融合的BLUE方法计算量较小。4.针对非线性量测及杂波环境下的多机动目标跟踪问题,提出了一种多模型CM-GMPHD算法。考虑多普勒量测的影响,在此基础上提出了多模型SQD-GMPHD算法与多模型SQ-GMPHD两种改进算法。相比CM-GMPHD和多模型SQD-GMPHD算法。多模型SQ-GMPHD算法通过构造伪量测降低了多普勒量测的非线性,在保证一定跟踪精度的情况下,提升了目标数估计的准确性,可实现有效的多机动目标跟踪。通过仿真实验对以上提出的算法进行性能分析,相比现阶段的目标跟踪算法,在跟踪性能上有所提升,工程上具有一定的实际应用价值。
郑锦文[6]（2020）在《基于时差信息的定位与跟踪算法研究》文中研究说明近年来,目标的定位与跟踪技术被广泛应用于军事领域、民用领域,主要功能包括定位导航,定位打卡,野外搜救,位置获取等。然而,科技的高速发展使人们对定位跟踪技术提出了高标准的要求。在实际应用中对目标进行定位跟踪时易受观测环境和设备的限制。对于目标状态模型呈现高度非线性状态使解算难度增大,这成为定位跟踪技术中重点攻克的一大难题。而时差信息定位跟踪具有容错度高、精度高以及测量环境受限小的特点。因此本文利用到达时间差信息（Time Difference Of Arrival,TDOA）,针对固定目标定位和机动目标跟踪两种情况分别作出了改进,主要改进内容如下:其一,针对无运动轨迹即固定目标的定位过程中,解析算法和迭代算法在初值较差时易造成算法发散,以及产生模糊解的情况。提出一种改进自适应乌鸦搜索算法（Adaptive Crow Search Algorithm,ACSA）,综合考虑随进化代数增加种群的整体变化,平衡算法迭代过程中的全局搜索能力与局部寻优能力,设计一种自适应感知概率模型,使算法在初期保留较多优良个体,保证种群多样性,避免局部最优,在后期快速收敛。理论和仿真结果表明,改进算法精度优于现有的经典TDOA定位算法及原算法,收敛速度也有显着提高。其二,针对机动目标的跟踪中,针对单一运动模型无法全面描述目标的实际状态跟踪效果较差的问题,提出利用交互多模型算法（Interacting Multiple Model,IMM）进行机动目标跟踪,通过仿真对比扩展卡尔曼滤波（Extended Kalman filter,EKF）、无迹卡尔曼滤波（Unscented Kalman Filter,UKF）以及粒子滤波算法（Particle Filter,PF）在非线性系统中的滤波性能,将UKF引入IMM中,解决非线性程度较高的模型中EKF误差较大,滤波效果不佳的情况,实验表明IMMUKF较单一运动模型跟踪误差小,具有较高费效比,跟踪性能可靠等优势。
吴怡[7]（2020）在《雷达组网误差配准与目标跟踪算法研究》文中认为随着军事信息技术的迅猛发展,雷达面对的战场环境日渐复杂,单雷达存在估计精度低、难以抵抗战场威胁的问题,雷达组网技术通过对多部雷达统筹规划,显着提高了系统的估计精度和抗干扰能力。误差配准算法是雷达组信息融合的前提与基础,是确保组网优势的先决条件。而目标跟踪技术通过精准可靠的估计融合方法实现了对目标状态的估计,是提高雷达组网估计性能和系统鲁棒性的关键性技术。基于上述背景,本文主要研究移动平台下雷达组网的误差配准技术,并基于信息论和一致性理论研究多模型目标跟踪技术,具体研究内容如下:1、针对雷达载体平台移动带来姿态角误差的问题,研究移动平台雷达组网空间误差配准问题。研究基于无迹卡尔曼滤波的在线误差配准算法,通过状态矢量扩维的方式实现目标状态和系统误差的联合估计。针对上述算法收敛速度慢,配准精度不够高的问题,对目标状态和系统误差进行似然函数最大化迭代,以实现更高精度的离线估计。针对该迭代算法实时性不够高的问题,提出窗口自适应的最大似然估计配准算法,通过大小自适应的滑动窗口实现了对系统误差的在线估计,保证估计的精度的同时满足了实时性需求。2、研究基于信息增量的多模型目标跟踪算法。针对交互式多模型算法的最优模型集难以确定,模型集与目标运动模式不匹配的问题,提出基于扩展自适应网格和期望模式增广算法的变结构多模型算法,将基于转弯模型的自适应网格模型集计算方法扩展到二维模式空间,并结合期望模式增广算法,实现了模型集的自适应,从而提高目标跟踪的精度。在此基础上,研究基于信息增量的雷达选择算法,以Rényi信息增量最大为选择标准,实现雷达组网应用场景下的目标跟踪。3、研究基于一致性算法的多模型目标跟踪算法。针对基于Rényi信息增量的目标跟踪算法每时刻仅选取单个雷达的估计作为目标跟踪结果,未充分发挥雷达组网性能优势的问题,提出三种基于一致性策略的多模型目标跟踪算法。首先提出一种基于估计结果的集中式目标跟踪算法,集中式的融合结构不存在信息的损失,获得了较高的跟踪精度;然后针对集中式的融合结构中心处理器计算量过大,系统鲁棒性不够高的问题,考虑到分布式的融合结构具有较高的扩展性和鲁棒性,提出基于先验信息的分布式目标跟踪算法,该算法通过交互邻域雷达间各滤波模型的一步预测信息,实现分布式网络的一致性迭代,但融合精度远低于集中式的融合结构。最后,针对该问题,提出基于后验的分布式目标跟踪算法,结合无迹信息滤波交互邻域雷达的量测信息,算法估计精度与集中式融合结构的精度相当。
陈海南[8]（2020）在《组合导航系统外量测信息误差分析与补偿》文中提出海洋占地球表面积百分之七十一,海洋拥有丰富的自然资源,因此海洋探索具有重要意义,水下航行器是海洋探索的重要工具,目前SINS/DVL组合导航系统是水下航行器广泛应用的水下组合导航技术。虽然SINS/DVL组合导航系统没有卫星导航系统在水下无法接收信号的缺点,但因为捷联惯性导航系统（SINS）和多普勒测速系统（DVL）的安装和水下复杂多变的环境等因素,导致SINS/DVL组合导航系统存在导航误差。本文以此为研究背景,充分考虑SINS/DVL组合导航系统安装偏差角、杆臂误差以及洋流影响,应用变结构多模型算法,深入研究了SINS/DVL组合导航技术。首先,本文简要介绍了导航系统中常用的坐标系、SINS导航基本原理和DVL测速基本原理;推导了SINS的微分方程,并根据微分方程进一步推导了SINS的误差方程;对SINS的误差源和DVL测速误差进行了分析,并构建了惯性传感器模型和DVL误差模型,为下文SINS/DVL组合导航技术的研究打下基础。然后,本文对卡尔曼滤波理论进行了相应的阐述,并推导了标准卡尔曼滤波方程,选择了扩展卡尔曼滤波作为本文SINS/DVL组合导航的基本滤波方法。深入分析因SINS与DVL安装位置不一致导致的安装偏角和杆臂误差后,提出了两种不同方案对安装偏角和杆臂误差进行标定和补偿,并通过仿真和实验,对比分析两种方案的优劣。最后,本文深入研究了基于变结构多模型滤波的SINS/DVL组合导航方法。考虑因在水下复杂环境下DVL测速受洋流影响而导致SINS/DVL组合导航系统产生导航误差的问题,本文构建了一阶马尔科夫过程的洋流模型;同时考虑到多模型滤波理论处理多模型系统中的诸多优势,利用多模型滤波方法解决因洋流多变而产生巨大模型集的问题,然后针对为解决因洋流影响导航性能而设计的基于交互式多模型滤波的SINS/DVL组合导航方法计算量庞大、效费比低的缺点,提出了基于变结构多模型滤波的SINS/DVL组合导航方法,通过设置合理的仿真条件,加入量测速度噪声,验证了在解决洋流噪声问题上提出的基于变结构多模型滤波的SINS/DVL组合导航方法的导航性能和效费比明显优于基于交互式多模型滤波的SINS/DVL组合导航方法。
费海凤[9]（2020）在《基于星载AIS和ADS-B的目标监视系统关键技术研究》文中指出近年来海上运输与民航业务发展迅速,亟需建立一个完善的全球海空目标监视系统以保障海上和空中交通安全,星载船舶自动识别系统（Automatic Identification System,AIS）和星载广播式自动相关监视系统（Automatic Dependent Surveillance-Broadcast,ADS-B）的出现提供了解决方向。但是卫星搭载平台给系统的设计带来了各种技术难题,本文对星载AIS和ADS-B目标监视系统关键技术展开研究,主要工作如下:1)针对星载目标监视系统信号时隙碰撞的问题,在多通道阵列接收架构下建立碰撞信号分离模型。在对盲源分离基本原理以及目标函数寻优方法进行研究的基础上,提出基于海森矩阵预估计的碰撞信号分离算法。算法对海森矩阵进行预估计,用以改进拟牛顿迭代算法,能够加速目标函数寻优收敛,实现碰撞信号的高效分离。2)针对卫星搭载系统远距离接收带来的数据丢包和数据出错问题,研究目标航迹滤波技术。在交互式多模型卡尔曼滤波的基础上进行改进,并且结合AIS和ADS-B报文特性,提出基于自适应交互式多模型的航迹混合滤波算法。算法对目标运动模式切换有更好的适应能力,且滤波精度更高。3)针对卫星搭载平台对系统尺寸和功耗的限制,进行了星载AIS和ADS-B一体化目标监视系统设计。首先提出系统总体设计方案,然后对各模块的设计和信号处理流程进行详细说明,并且完成数字信号处理板的硬件实现与算法验证。一体化的目标监视系统设计可以有效减少星上载荷的尺寸和功耗,实现海空目标监视系统的高度集成。
秦武韬[10]（2019）在《临近空间高速滑翔飞行器轨迹跟踪滤波方法研究》文中认为近年来,以HTV-2为代表的临近空间高速滑翔飞行器凭借其飞行速度快,机动能力强,机动样式多样的特点逐渐成为学术和工程领域的研究热点,其作为进攻性武器具有很大的发展潜力和很强的突防能力,代表了远程战略武器的未来发展方向。因此,开展针对临近空间高速滑翔飞行器拦截的相关技术研究对于保障国家安全具有重要意义。临近空间高速滑翔飞行器轨迹跟踪滤波方法是反临近空间高速滑翔飞行器的核心技术,是临近空间高速滑翔飞行器精确预报和拦截的重要保障与先决条件,本论文以临近空间高速滑翔飞行器为对象,对其轨迹跟踪滤波方法展开深入研究,主要内容包括:根据临近空间高速滑翔飞行器在助推段的运动特点和观测条件,建立重力转弯模型等目标运动模型和天基红外预警卫星测量模型,给出扩展卡尔曼滤波算法的基本流程;针对跟踪系统非线性较强,扩展卡尔曼滤波算法存在较大截断误差的问题,论文基于确定性采样近似高斯分布的思想建立确定性采样滤波方法的一般框架,分别基于无迹变换规则和球面-径向容积规则推导无迹卡尔曼滤波和容积卡尔曼滤波;开展助推段轨迹跟踪数学仿真,对比分析不同目标运动模型和不同非线性滤波算法的跟踪精度。由于信道堵塞或信号干扰等因素,天基红外预警卫星的测量数据在到达地面数据处理中心时常出现随机时间延迟,针对这一问题,论文跳出传统依靠状态方程递推的思想,从量测延迟概率的角度出发,利用伯努利随机变量对测量方程进行改写,重新对时延系统进行数学描述,建立随机时延系统模型,推导理想量测量、实际量测量及相关协方差间的关系;考虑到五阶球面-径向容积规则具有较高的非线性近似精度,论文在最小均方差准则下利用该规则推导随机时延高阶容积卡尔曼滤波算法,解决状态模型不准确、量测延迟时间未知情况下的时延滤波问题。滑翔段是临近空间高速滑翔飞行器机动运动的主要阶段,其运动模式主要包括平衡滑翔和跳跃滑翔两种,根据这两种模式的运动特点,基于自适应均值时间相关模型分别建立平衡滑翔目标运动模型和跳跃滑翔目标运动模型;根据滑翔段的观测条件,建立地基雷达测量模型;考虑目标运动模式切换的情况,论文对交互式多模型算法进行深入研究,并利用该算法完成滑翔段跟踪滤波设计。论文还进行了相应的数学仿真分析,验证滑翔段模型和目标跟踪方法的准确性。临近空间高速滑翔飞行器在进行跳跃滑翔时可利用气动力调整跳跃周期等运动参数,其模式空间具有连续性,传统多模型算法在进行模型集设计时存在模型覆盖不准确或模型集过大等问题。因此,论文基于粗细模型集混合的思想提出一种混合网格多模型算法,该算法基于先验信息建立粗模型集,基于估计结果利用矩匹配方法自适应设计细模型集,通过对粗细模型集的估计结果进行加权融合完成目标的状态估计,获得了比单模型算法和传统多模型算法更高的估计精度。受目标不同位置反射及电子电路性能的影响,雷达的测量噪声常常表现出非高斯特性,主要为闪烁噪声或脉冲噪声。针对测量噪声为闪烁噪声的情况,对混合1l、l2范数最小的Huber滤波理论进行研究,将卡尔曼滤波框架下的测量更新问题转换为线性回归的求解问题,推导了高阶容积Huber滤波方法;针对测量噪声为脉冲噪声的情况,利用最大相关熵准则将高阶容积卡尔曼滤波的测量更新转化为求指标函数取最大值的解,推导了最大相关熵高阶容积滤波算法;论文还以平衡滑翔目标轨迹跟踪为应用背景对所提算法进行了数学仿真,仿真结果验证了非高斯噪声条件下这两种滤波算法在鲁棒性和精度上的优势。
二、自适应多速率交互式多模型算法（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、自适应多速率交互式多模型算法（论文提纲范文）
（1）基于多模型的地面机动目标协同定位方法（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状及分析 |
| 1.2.1 目标运动模型研究现状 |
| 1.2.2 多模型算法结构研究现状 |
| 1.2.3 非线性滤波方法研究现状 |
| 1.3 论文主要研究内容 |
| 第2章 机动目标协同定位建模与验证 |
| 2.1 引言 |
| 2.2 地面目标运动模型 |
| 2.2.1 CV和CA模型 |
| 2.2.2 “当前”统计模型 |
| 2.2.3 协同转弯模型 |
| 2.3 红外传感器测量模型 |
| 2.4 基于确定性采样的非线性滤波方法 |
| 2.4.1 容积卡尔曼滤波 |
| 2.4.2 迭代容积卡尔曼滤波 |
| 2.4.3 改进迭代容积卡尔曼滤波 |
| 2.4.4 协同定位滤波器设计 |
| 2.5 基于拉丁超立方抽样的测量噪声模拟方法 |
| 2.6 数学仿真及分析 |
| 2.6.1 仿真场景 |
| 2.6.2 蒙特卡洛仿真及分析 |
| 2.7 本章小结 |
| 第3章 基于定结构多模型的机动目标协同定位方法 |
| 3.1 引言 |
| 3.2 定结构多模型算法基本框架 |
| 3.3 基于改进迭代容积卡尔曼滤波的交互式多模型算法 |
| 3.3.1 模型集选取 |
| 3.3.2 滤波器设计 |
| 3.3.3 仿真场景 |
| 3.3.4 数学仿真及分析 |
| 3.4 定结构多模型算法仿真对比分析 |
| 3.5 协同定位性能影响因素分析 |
| 3.5.1 红外传感器测角精度分析 |
| 3.5.2 红外传感器采样步长分析 |
| 3.5.3 无人机基线长度分析 |
| 3.5.4 无人机数量分析 |
| 3.5.5 模型转移概率矩阵分析 |
| 3.6 本章小结 |
| 第4章 基于变结构多模型的机动目标协同定位方法 |
| 4.1 引言 |
| 4.2 变结构多模型算法基本框架 |
| 4.3 基于改进迭代容积卡尔曼滤波的自适应网格交互式多模型算法 |
| 4.3.1 自适应网格交互式多模型算法设计 |
| 4.3.2 仿真场景 |
| 4.3.3 数学仿真与分析 |
| 4.4 变结构多模型算法仿真对比分析 |
| 4.4.1 基于改进迭代容积卡尔曼滤波的动态有向图交互式多模型算法 |
| 4.4.2 基于改进迭代容积卡尔曼滤波的有向图切换交互式多模型算法 |
| 4.4.3 对比分析 |
| 4.5 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间所发表的论文及其它成果 |
| 致谢 |
（2）基于UWB/GNSS/IMU的机器人室内外无缝定位技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 移动机器人及其定位技术研究现状 |
| 1.2.2 多传感器组合导航技术研究现状 |
| 1.2.3 室内外无缝定位技术研究现状 |
| 1.2.4 超宽带无线电基站最优布设技术研究现状 |
| 1.3 本文主要研究内容 |
| 第2章 UWB/GNSS/IMU组合定位技术 |
| 2.1 引言 |
| 2.2 UWB/GNSS/IMU定位基本原理 |
| 2.2.1 UWB定位 |
| 2.2.2 GNSS定位 |
| 2.2.3 IMU定位 |
| 2.3 UWB/GNSS/IMU组合定位算法 |
| 2.3.1 系统状态模型建立 |
| 2.3.2 系统观测模型建立 |
| 2.3.3 组合滤波算法 |
| 2.4 仿真实验 |
| 2.5 本章小结 |
| 第3章 室内外无缝定位自适应滤波算法研究 |
| 3.1 引言 |
| 3.2 基于交互式多模型的组合定位算法 |
| 3.2.1 交互式多模型算法原理 |
| 3.2.2 交互式多模型组合定位算法及性能分析 |
| 3.3 基于可观测度分析的滤波性能评估 |
| 3.3.1 基于SVD的可观测度分析方法 |
| 3.3.2 改进的可观测度定义方法 |
| 3.4 基于可观测度——交互式多模型的自适应滤波算法 |
| 3.4.1 转移概率矩阵对IMM算法性能的影响 |
| 3.4.2 基于可观测度转移概率修正的IMM算法 |
| 3.4.3 算法性能仿真分析 |
| 3.5 本章小结 |
| 第4章 无GNSS信号区域UWB基站最优布设算法 |
| 4.1 引言 |
| 4.2 基于几何精度因子的目标函数定义 |
| 4.2.1 几何精度因子DOP |
| 4.2.2 基站数目对DOP的影响 |
| 4.2.3 几何精度因子目标函数定义 |
| 4.3 基于Graham扫描算法的最大基站凸包寻找 |
| 4.3.1 Graham扫描算法 |
| 4.3.2 仿真结果 |
| 4.4 针对GNSS缺失区域的UWB基站最优布设算法仿真 |
| 4.4.1 几何精度因子及定位精度分析 |
| 4.4.2 算法时间复杂度分析 |
| 4.5 本章小结 |
| 第5章 机器人定位平台搭建及算法试验验证 |
| 5.1 引言 |
| 5.2 组合定位平台搭建及模块功能测试 |
| 5.2.1 系统组成及其参数 |
| 5.2.2 模块功能测试 |
| 5.3 无缝定位试验及结果分析 |
| 5.3.1 试验方案 |
| 5.3.2 试验结果分析 |
| 5.4 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间发表的论文及其它成果 |
| 致谢 |
（3）临近空间高超声速滑翔飞行器多模型跟踪算法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 课题的来源及研究目的和意义 |
| 1.2 国内外研究现状分析 |
| 1.2.1 临近空间飞行器发展现状 |
| 1.2.2 机动目标跟踪发展现状 |
| 1.2.3 多模型跟踪算法研究现状 |
| 1.3 本文主要内容与安排 |
| 第2章 目标跟踪原理及滤波方法 |
| 2.1 引言 |
| 2.2 基本滤波方法 |
| 2.2.1 卡尔曼滤波(KF) |
| 2.2.2 扩展卡尔曼滤波(EKF) |
| 2.2.3 无迹卡尔曼滤波(UKF) |
| 2.2.4 粒子滤波器(PF) |
| 2.3 机动目标常用跟踪模型 |
| 2.3.1 CV和CA模型 |
| 2.3.2 圆周转弯模型(CT) |
| 2.3.3 Signer模型 |
| 2.3.4 当前统计模型(CS) |
| 2.4 本章小结 |
| 第3章 临近空间滑翔飞行器跟踪 |
| 3.1 引言 |
| 3.2 临近空间飞行器特点 |
| 3.3 动力学跟踪模型 |
| 3.4 天基红外定位 |
| 3.5 动力学模型跟踪仿真分析 |
| 3.6 本章小结 |
| 第4章 多模型跟踪算法研究 |
| 4.1 引言 |
| 4.2 交互多模型算法原理 |
| 4.3 变结构多模型算法基本原理 |
| 4.3.1 基于有向图的变结构交互式多模型算法 |
| 4.3.2 自适应变结构交互式多模型算法 |
| 4.4 多模型跟踪算法实验仿真与结果分析 |
| 4.5 本章小结 |
| 第5章 基于机动检测的多模型跟踪方法 |
| 5.1 引言 |
| 5.2 机动检测方法 |
| 5.3 基于机动检测的自适应变结构方法(GIMM) |
| 5.3.1 基于机动检测的自适应变结构算法 |
| 5.3.2 GIMM算法仿真及结果分析 |
| 5.4 基于隐马尔可夫模型的交互式多模型算法(HIMM) |
| 5.4.1 隐马尔科夫模型 |
| 5.4.2 隐形马尔可夫交互式多模型算法 |
| 5.4.3 HIMM算法仿真分析 |
| 5.5 本章小结 |
| 结论 |
| 参考文献 |
| 攻读学位期间发表的学术论文 |
| 致谢 |
（4）一类非理想条件下的状态估计及在目标跟踪中的应用（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 课题研究的背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 非线性滤波 |
| 1.2.2 非理想条件下的状态估计 |
| 1.2.3 目标跟踪 |
| 1.3 论文主要研究内容和结构安排 |
| 第2章 状态估计理论基础 |
| 2.1 引言 |
| 2.2 估计基本概念 |
| 2.2.1 最小二乘估计 |
| 2.2.2 最小方差估计 |
| 2.2.3 极大似然估计 |
| 2.3 Bayes滤波 |
| 2.3.1 非线性高斯滤波 |
| 2.3.2 粒子滤波 |
| 2.3.3 几种非线性滤波之间的关系 |
| 2.4 多模型算法 |
| 2.5 目标跟踪基本知识 |
| 2.6 本章小结 |
| 第3章 噪声统计特性未知情况下的状态估计算法 |
| 3.1 引言 |
| 3.2 问题描述 |
| 3.2.1 噪声均值非零情况下的非线性高斯滤波算法 |
| 3.2.2 噪声统计特性未知带来的影响 |
| 3.3 自适应非线性高斯滤波算法设计 |
| 3.3.1 期望极大化算法 |
| 3.3.2 自适应非线性高斯滤波算法 |
| 3.4 自适应平方根容积卡尔曼滤波算法 |
| 3.5 仿真分析 |
| 3.5.1 过程噪声未知情况下的单变量非静态增长模型 |
| 3.5.2 量测噪声未知情况下的目标跟踪 |
| 3.6 本章小结 |
| 第4章 具有随机时滞情况下状态估计算法 |
| 4.1 引言 |
| 4.2 问题描述 |
| 4.3 具有任意步随机时滞的高斯滤波算法设计 |
| 4.3.1 具有两步随机时滞的非线性高斯滤波算法 |
| 4.3.2 具有任意步随机时滞的非线性高斯滤波算法 |
| 4.4 具有两步随机时滞的无迹卡尔曼滤波算法 |
| 4.5 具有未知量测噪声和随机量测时滞的无迹卡尔曼滤波算法 |
| 4.6 仿真分析 |
| 4.6.1 具有随机时滞情况下的目标跟踪 |
| 4.6.2 具有未知量测噪声和随机量测时滞情况下的目标跟踪 |
| 4.7 本章小结 |
| 第5章 模型跳变情况下的状态估计算法 |
| 5.1 引言 |
| 5.2 问题描述 |
| 5.2.1 交互式多模型算法 |
| 5.2.2 算法分析 |
| 5.3 基于模糊逻辑的交互式多模型算法设计 |
| 5.3.1 模糊逻辑理论 |
| 5.3.2 基于模糊逻辑的交互式多模型算法 |
| 5.4 基于自适应网格的交互式多模型算法 |
| 5.5 仿真分析 |
| 5.5.1 考虑具有两种运动方式的目标跟踪模型 |
| 5.5.2 考虑复杂“蛇形”机动的目标跟踪模型 |
| 5.6 本章小结 |
| 第6章 模型带有未知参数情况下的状态估计算法 |
| 6.1 引言 |
| 6.2 问题描述 |
| 6.2.1 建立自组织状态空间模型 |
| 6.2.2 自组织状态空间模型与粒子滤波存在的问题 |
| 6.3 基于萤火虫算法的智能粒子滤波算法 |
| 6.3.1 萤火虫算法 |
| 6.3.2 智能粒子滤波算法 |
| 6.4 仿真分析 |
| 6.4.1 模型参数完全已知时的目标跟踪系统 |
| 6.4.2 模型带有未知参数时的目标跟踪系统 |
| 6.5 本章小结 |
| 结论 |
| 参考文献 |
| 攻读博士学位期间发表的论文和取得的科研成果 |
| 致谢 |
（5）多普勒雷达机动目标跟踪算法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究发展及现状 |
| 1.2.1 非线性滤波算法研究现状 |
| 1.2.2 机动目标跟踪算法研究现状 |
| 1.2.3 基于随机集的多目标跟踪研究现状 |
| 1.3 本文主要研究内容 |
| 第二章 机动目标跟踪算法 |
| 2.1 当前统计模型算法(CSM) |
| 2.2 多模型算法(MM) |
| 2.3 交互式多模型算法(IMM) |
| 2.4 仿真分析 |
| 2.5 本章小结 |
| 第三章 基于量测转换的非线性滤波机动目标跟踪 |
| 3.1 问题描述 |
| 3.2 基于序贯滤波的量测转换的机动目标跟踪 |
| 3.2.1 基于量测值量测转换的序贯滤波机动目标跟踪 |
| 3.2.2 基于预测值量测转换的序贯滤波机动目标跟踪 |
| 3.3 基于静态融合量测转换的机动目标跟踪 |
| 3.3.1 基于量测值量测转换的静态融合机动目标跟踪 |
| 3.3.2 基于预测值量测转换的静态融合机动目标跟踪 |
| 3.4 基于LOS量测转换的机动目标跟踪 |
| 3.4.1 基于预测值的LOS坐标量测转换方法 |
| 3.4.2 基于LOS量测转换信息滤波的机动目标跟踪 |
| 3.5 仿真分析 |
| 3.6 本章小结 |
| 第四章 基于最佳线性无偏估计的目标跟踪 |
| 4.1 基于BLUE可处理多普勒伪量测的目标跟踪算法 |
| 4.1.1 最佳线性无偏估计原理 |
| 4.1.2 BLUEPM滤波算法 |
| 4.1.3 基于BLUEPM的机动目标跟踪算法 |
| 4.2 基于BLUE的序贯滤波目标跟踪方法 |
| 4.2.1 最佳线性无偏估计的卡尔曼形式 |
| 4.2.2 BLUESQ滤波算法 |
| 4.2.3 基于BLUESQ的机动目标跟踪算法 |
| 4.3 基于BLUE的静态融合目标跟踪方法 |
| 4.3.1 BLUESF滤波算法原理 |
| 4.3.2 基于BLUESF的机动目标跟踪算法 |
| 4.4 基于BLUE自适应序贯处理的目标跟踪算法 |
| 4.4.1 伪量测与伪状态估计性能分析 |
| 4.4.2 BLUESQ-ADP滤波算法原理 |
| 4.5 仿真分析 |
| 4.6 本章小节 |
| 第五章 基于随机集概率假设密度的多机动目标跟踪 |
| 5.1 随机有限集理论与多目标Bayes滤波 |
| 5.1.1 有限集统计特性(FISST) |
| 5.1.2 随机集滤波模型与多目标Bayes递推方法 |
| 5.2 概率假设密度滤波(PHD) |
| 5.2.1 概率假设密度滤波原理 |
| 5.2.2 混合高斯概率假设密度(GMPHD)滤波器 |
| 5.2.3 多目标的跟踪误差评估 |
| 5.3 可处理非线性量测的多机动目标跟踪算法 |
| 5.3.1 多模型CM-GMPHD滤波算法 |
| 5.3.2 多模型SQD-GMPHD滤波算法 |
| 5.4 仿真分析 |
| 5.5 本章小结 |
| 第六章 结束语 |
| 致谢 |
| 参考文献 |
| 攻硕期间取得的研究成果 |
（6）基于时差信息的定位与跟踪算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 定位算法研究现状 |
| 1.2.2 目标跟踪算法研究现状 |
| 1.3 论文的主要内容与章节安排 |
| 第二章 基于时差的定位及跟踪算法 |
| 2.1 引言 |
| 2.2 时差定位技术 |
| 2.2.1 时差定位算法简述 |
| 2.2.2 时差定位算法原理 |
| 2.2.3 定位评价指标 |
| 2.2.4 几何精度因子分析 |
| 2.3 目标跟踪算法 |
| 2.3.1 卡尔曼滤波(KF) |
| 2.3.2 扩展卡尔曼滤波(EKF) |
| 2.3.3 无迹卡尔曼滤波(UKF) |
| 2.3.4 粒子滤波(PF) |
| 2.3.5 滤波性能对比 |
| 2.4 本章小结 |
| 第三章 基于改进自适应乌鸦搜索算法的时差定位 |
| 3.1 引言 |
| 3.2 基于解析与迭代算法的时差定位 |
| 3.2.1 二次加权最小二乘法 |
| 3.2.2 泰勒序列展开法 |
| 3.2.3 仿真对比分析 |
| 3.3 基于改进自适应乌鸦搜索算法的时差定位 |
| 3.3.1 乌鸦搜索算法 |
| 3.3.2 基于改进自适应乌鸦搜索算法的时差定位 |
| 3.3.3 仿真对比分析 |
| 3.4 本章小结 |
| 第四章 基于时差信息的交互式多模型跟踪 |
| 4.1 引言 |
| 4.2 目标运动模型 |
| 4.2.1 CV(Constant Velocity)模型 |
| 4.2.2 CA(Constant Acceleration)模型 |
| 4.2.3 CT(Constant Turn rate)模型 |
| 4.3 基于时差信息的交互式多模型跟踪 |
| 4.3.1 交互式多模型算法 |
| 4.3.2 基于时差信息的IMM-UKF跟踪算法 |
| 4.4 跟踪算法仿真分析 |
| 4.5 本章小结 |
| 第五章 总结与展望 |
| 致谢 |
| 参考文献 |
| 附录A 攻读硕士学位期间成果 |
（7）雷达组网误差配准与目标跟踪算法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 雷达组网误差配准 |
| 1.2.2 目标跟踪算法 |
| 1.2.3 雷达组网估计融合算法 |
| 1.3 论文的主要内容与章节安排 |
| 第二章 移动平台雷达组网空间误差配准 |
| 2.1 引言 |
| 2.2 雷达组网系统误差分析 |
| 2.3 移动平台雷达组网系统建模 |
| 2.3.1 移动平台雷达组网空间配准下的坐标系变换 |
| 2.3.2 移动平台雷达组网系统建模 |
| 2.4 基于无迹卡尔曼滤波的联合扩维滤波配准算法 |
| 2.5 窗口自适应的最大似然估计配准算法 |
| 2.5.1 离线最大似然估计配准算法 |
| 2.5.2 窗口自适应的在线最大似然估计配准算法 |
| 2.6 实验结果及仿真分析 |
| 2.6.1 基于无迹卡尔曼滤波的联合扩维滤波配准算法分析 |
| 2.6.2 离线最大似然估计配准算法分析 |
| 2.6.3 在线最大似然估计配准算法分析 |
| 2.7 本章小结 |
| 第三章 基于信息增量的多模型机动目标跟踪算法 |
| 3.1 引言 |
| 3.2 多模型机动目标跟踪算法理论基础 |
| 3.2.1 混合系统理论下的多模型算法建模 |
| 3.2.2 交互式多模型算法 |
| 3.2.3 变结构多模型算法 |
| 3.3 基于扩展自适应网格的期望模型增广变结构多模型算法 |
| 3.3.1 期望模式增广算法 |
| 3.3.2 自适应网格算法 |
| 3.3.3 基于扩展自适应网格的期望模型增广算法 |
| 3.4 基于信息增量的变结构多模型算法 |
| 3.4.1 信息熵和Rényi信息增量 |
| 3.4.2 基于Rényi信息增量的机动目标协同跟踪算法 |
| 3.5 实验结果及仿真分析 |
| 3.5.1 交互式多模型算法估计精度与模型集数量关系分析 |
| 3.5.2 交互式多模型算法与变结构多模型算法对比分析 |
| 3.5.3 基于Rényi信息增量的变结构多模型算法分析 |
| 3.6 本章小结 |
| 第四章 基于一致性滤波的多模型机动目标跟踪算法 |
| 4.1 引言 |
| 4.2 一致性算法理论基础 |
| 4.3 一致性多模型机动目标跟踪算法 |
| 4.3.1 基于估计结果的集中式变结构多模型算法 |
| 4.3.2 基于先验信息的分布式变结构多模型算法 |
| 4.3.3 基于后验信息的分布式变结构多模型算法 |
| 4.4 实验结果及分析 |
| 4.5 本章小结 |
| 第五章 总结与展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间已发表或录用的论文 |
| 攻读硕士学位期间参与的项目 |
（8）组合导航系统外量测信息误差分析与补偿（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 课题研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 组合导航系统研究现状 |
| 1.2.2 组合导航系统滤波算法研究现状 |
| 1.3 组合导航系统外量测信息误差概述 |
| 1.4 本文的研究内容和结构安排 |
| 第2章 SINS原理及误差模型 |
| 2.1 常用坐标系及坐标变换 |
| 2.1.1 导航坐标系 |
| 2.1.2 坐标变换 |
| 2.2 SINS基本原理及微分方程 |
| 2.2.1 SINS基本原理 |
| 2.2.2 SINS微分方程 |
| 2.3 SINS误差模型 |
| 2.3.1 SINS误差源 |
| 2.3.2 惯性传感器误差模型 |
| 2.3.3 SINS误差方程 |
| 2.4 本章小结 |
| 第3章 DVL原理及量测误差分析 |
| 3.1 DVL测速原理 |
| 3.1.1 多普勒效应 |
| 3.1.2 DVL基本原理 |
| 3.2 DVL测速误差分析 |
| 3.3 外量测信息误差分析与模型建立 |
| 3.3.1 杆臂误差分析与模型建立 |
| 3.3.2 安装偏角分析与模型建立 |
| 3.3.3 安装偏角误差角分析与模型建立 |
| 3.3.4 洋流变化误差分析与模型建立 |
| 3.4 本章小结 |
| 第4章 组合导航系统安装误差估计与补偿 |
| 4.1 卡尔曼滤波理论 |
| 4.1.1 卡尔曼滤波 |
| 4.1.2 扩展卡尔曼滤波 |
| 4.1.3 滤波估计方法 |
| 4.2 安装偏角与杆臂误差的标定与补偿法 |
| 4.2.1 安装偏角与杆臂误差标定 |
| 4.2.2 安装偏角与杆臂误差补偿 |
| 4.3 安装偏角与杆臂误差的反馈校正法 |
| 4.4 仿真与分析 |
| 4.4.1 仿真设计 |
| 4.4.2 结果分析 |
| 4.5 实验与分析 |
| 4.6 本章小结 |
| 第5章 组合导航系统洋流变化误差研究 |
| 5.1 多模型滤波算法 |
| 5.1.1 IMM算法 |
| 5.1.2 VSMM算法 |
| 5.2 基于变结构多模型算法的组合导航系统设计 |
| 5.2.1 SINS/DVL组合导航系统模型的建立 |
| 5.2.2 SINS/DVL组合导航系统模型群的建立 |
| 5.3 基于变结构多模型算法的组合导航系统的仿真实验 |
| 5.3.1 仿真实验 |
| 5.3.2 仿真结果分析 |
| 5.4 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间发表的论文和取得的科研成果 |
| 致谢 |
（9）基于星载AIS和ADS-B的目标监视系统关键技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 论文主要内容及章节安排 |
| 2 星载AIS和 ADS-B目标监视系统基本原理 |
| 2.1 系统概述 |
| 2.1.1 星载AIS系统 |
| 2.1.2 星载ADS-B系统 |
| 2.2 星载AIS和 ADS-B目标监视系统设计难点 |
| 2.2.1 链路损耗 |
| 2.2.2 多普勒频偏 |
| 2.2.3 时隙碰撞 |
| 2.3 星载AIS和 ADS-B目标监视系统关键技术 |
| 2.4 本章小结 |
| 3 基于海森矩阵预估计的碰撞信号分离算法 |
| 3.1 盲源分离基本原理 |
| 3.1.1 独立成分分析 |
| 3.1.2 分离准则 |
| 3.2 目标函数寻优方法 |
| 3.2.1 牛顿迭代法 |
| 3.2.2 阻尼牛顿法 |
| 3.2.3 拟牛顿迭代法 |
| 3.3 基于海森矩阵预估计的碰撞信号分离算法 |
| 3.3.1 海森矩阵预估计 |
| 3.3.2 海森矩阵预估计改进的L-BFGS算法 |
| 3.3.3 基于海森矩阵预估计的星载AIS/ADS-B碰撞信号分离算法实现 |
| 3.4 仿真设计与结果分析 |
| 3.5 本章小结 |
| 4 基于自适应交互式多模型的航迹混合滤波算法 |
| 4.1 卡尔曼滤波 |
| 4.1.1 基本卡尔曼滤波算法 |
| 4.1.2 卡尔曼滤波运动模型 |
| 4.1.3 位置与速度混合滤波 |
| 4.2 交互式多模型算法 |
| 4.2.1 基本交互式多模型算法 |
| 4.2.2 自适应交互式多模型滤波算法 |
| 4.3 基于自适应交互式多模型的航迹混合滤波算法实现 |
| 4.4 仿真设计与结果分析 |
| 4.5 本章小结 |
| 5 基于星载AIS和 ADS-B的一体化目标监视系统设计 |
| 5.1 总体设计方案 |
| 5.2 射频前端模块 |
| 5.3 数字信号处理模块 |
| 5.3.1 数字下变频与抽取滤波 |
| 5.3.2 帧头突发检测 |
| 5.3.3 碰撞信号分离 |
| 5.3.4 信号解调 |
| 5.3.5 数字信号处理板硬件实现与算法验证 |
| 5.4 终端显示模块 |
| 5.5 本章小结 |
| 6 总结与展望 |
| 致谢 |
| 参考文献 |
| 硕士期间取得的学术成果和参与的科研项目 |
（10）临近空间高速滑翔飞行器轨迹跟踪滤波方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究背景与意义 |
| 1.2 国内外在该方向的研究现状及分析 |
| 1.2.1 临近空间高速滑翔飞行器研究概况 |
| 1.2.2 目标运动模型研究现状 |
| 1.2.3 跟踪算法结构研究现状 |
| 1.2.4 滤波算法在轨迹跟踪应用中的研究现状 |
| 1.3 本文组织结构及主要研究内容 |
| 第2章 助推段轨迹跟踪建模及非线性卡尔曼滤波方法 |
| 2.1 引言 |
| 2.2 临近空间高速滑翔飞行器助推段目标跟踪建模 |
| 2.2.1 助推段目标运动建模 |
| 2.2.2 天基红外预警卫星测量模型 |
| 2.2.3 扩展卡尔曼滤波算法 |
| 2.3 基于确定性采样的非线性滤波算法 |
| 2.3.1 确定性采样滤波算法的基本框架 |
| 2.3.2 无迹卡尔曼滤波算法 |
| 2.3.3 容积卡尔曼滤波算法 |
| 2.4 数学仿真 |
| 2.4.1 仿真场景及条件 |
| 2.4.2 仿真结果及分析 |
| 2.5 本章小结 |
| 第3章 随机时延主动段跟踪滤波方法 |
| 3.1 引言 |
| 3.2 随机时延系统的数学描述 |
| 3.3 随机时延滤波算法 |
| 3.3.1 状态增广 |
| 3.3.2 状态更新 |
| 3.3.3 测量更新 |
| 3.4 数学仿真 |
| 3.5 本章小结 |
| 第4章 滑翔段目标运动建模及跟踪滤波器设计 |
| 4.1 引言 |
| 4.2 平衡滑翔模式目标运动建模 |
| 4.3 跳跃滑翔模式目标运动建模 |
| 4.4 滑翔段跟踪滤波器设计 |
| 4.4.1 交互式多模型算法 |
| 4.4.2 滑翔段跟踪滤波器设计 |
| 4.5 数学仿真 |
| 4.6 本章小结 |
| 第5章 混合网格多模跟踪滤波方法 |
| 5.1 引言 |
| 5.2 混合网格多模型算法的基本框架 |
| 5.3 混合网格多模型算法的推导 |
| 5.3.1 基于粗模型子集的状态估计 |
| 5.3.2 基于细模型子集的状态估计 |
| 5.3.3 模型概率更新与全局估计融合 |
| 5.4 基于矩匹配的细模型子集的设计方法 |
| 5.4.1 模式矩的计算 |
| 5.4.2 细模型子集的生成 |
| 5.4.3 细模型子集设计算例 |
| 5.5 数学仿真 |
| 5.5.1 模型集及跟踪滤波器参数设置 |
| 5.5.2 仿真结果及分析 |
| 5.6 本章小结 |
| 第6章 非高斯噪声下的鲁棒跟踪滤波方法 |
| 6.1 引言 |
| 6.2 基于Huber更新方法的鲁棒高阶容积滤波算法 |
| 6.2.1 回归理论的相关概念 |
| 6.2.2 基于Huber更新方法的鲁棒高阶容积滤波 |
| 6.3 基于最大相关熵的鲁棒高阶容积滤波算法 |
| 6.3.1 最大相关熵准则 |
| 6.3.2 基于最大相关熵的鲁棒高阶容积滤波 |
| 6.4 数学仿真 |
| 6.4.1 仿真场景 |
| 6.4.2 测量噪声为闪烁噪声 |
| 6.4.3 测量噪声为脉冲噪声 |
| 6.5 本章小结 |
| 结论 |
| 参考文献 |
| 攻读博士学位期间所发表的论文及其他成果 |
| 致谢 |
| 个人简历 |
四、自适应多速率交互式多模型算法（论文参考文献）
- [1]基于多模型的地面机动目标协同定位方法[D]. 蔡李根. 哈尔滨工业大学, 2020(02)
- [2]基于UWB/GNSS/IMU的机器人室内外无缝定位技术研究[D]. 张容阁. 哈尔滨工业大学, 2020(02)
- [3]临近空间高超声速滑翔飞行器多模型跟踪算法研究[D]. 侯祥宇. 哈尔滨工业大学, 2020(01)
- [4]一类非理想条件下的状态估计及在目标跟踪中的应用[D]. 刘璐. 哈尔滨工程大学, 2020(04)
- [5]多普勒雷达机动目标跟踪算法研究[D]. 彭瀚. 电子科技大学, 2020(07)
- [6]基于时差信息的定位与跟踪算法研究[D]. 郑锦文. 昆明理工大学, 2020(04)
- [7]雷达组网误差配准与目标跟踪算法研究[D]. 吴怡. 上海交通大学, 2020(09)
- [8]组合导航系统外量测信息误差分析与补偿[D]. 陈海南. 哈尔滨工程大学, 2020(08)
- [9]基于星载AIS和ADS-B的目标监视系统关键技术研究[D]. 费海凤. 南京理工大学, 2020(01)
- [10]临近空间高速滑翔飞行器轨迹跟踪滤波方法研究[D]. 秦武韬. 哈尔滨工业大学, 2019(02)