CN109472418A - 基于卡尔曼滤波的机动目标状态预测优化方法 - Google Patents

基于卡尔曼滤波的机动目标状态预测优化方法 Download PDF

Info

Publication number
CN109472418A
CN109472418A CN201811371984.9A CN201811371984A CN109472418A CN 109472418 A CN109472418 A CN 109472418A CN 201811371984 A CN201811371984 A CN 201811371984A CN 109472418 A CN109472418 A CN 109472418A
Authority
CN
China
Prior art keywords
time
error
prediction
matrix
kalman filtering
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201811371984.9A
Other languages
English (en)
Other versions
CN109472418B (zh
Inventor
刘向丽
王策
李海娇
李赞
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xidian University
Xian Cetc Xidian University Radar Technology Collaborative Innovation Research Institute Co Ltd
Original Assignee
Xidian University
Xian Cetc Xidian University Radar Technology Collaborative Innovation Research Institute Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Xidian University, Xian Cetc Xidian University Radar Technology Collaborative Innovation Research Institute Co Ltd filed Critical Xidian University
Priority to CN201811371984.9A priority Critical patent/CN109472418B/zh
Publication of CN109472418A publication Critical patent/CN109472418A/zh
Application granted granted Critical
Publication of CN109472418B publication Critical patent/CN109472418B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Business, Economics & Management (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Strategic Management (AREA)
  • Data Mining & Analysis (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Game Theory and Decision Science (AREA)
  • Databases & Information Systems (AREA)
  • Algebra (AREA)
  • General Engineering & Computer Science (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Feedback Control In General (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于卡尔曼滤波的机动目标状态预测优化方法，主要解决现有卡尔曼滤波对目标状态预测结果误差大的问题。其实现方案是：设定离散时间线性随机动态系统参数；根据设定的系统参数，计算卡尔曼滤波系统状态一步提前预测值和增益矩阵；根据设定的系统参数，计算系统状态误差预测值和系统量测误差预测值；根据系统误差预测值，计算系统误差的增益阵；根据系统误差的增益阵，计算系统状态预测误差的估计值，从而对系统状态预测值进行修正。本发明提高了预测的准确率，使得预测的结果能够更加接近目标运动状态的真实值，可用于对飞机、舰船、汽车这些机动目标状态的预测。

Description

基于卡尔曼滤波的机动目标状态预测优化方法
技术领域
本发明属于通信技术领域，特别是一种目标预测的优化方法，可应用于机动目标状态预测。
背景技术
随着科学技术的迅猛发展，机动目标的滤波与预测是估计当前和未来时刻目标运动参数的必要手段。该技术在很多的实际领域中都受到了显著的关注，例如：飞机飞行轨迹信息的更新；工业系统故障诊断与预测等。机动目标是指运动中的目标，其运动方式在不断变化，目前对机动目标运动状态进行预测的方法有：卡尔曼滤波方法、粒子滤波方法、神经网络方法等，卡尔曼滤波是目标跟踪预测领域中最常见的方法。卡尔曼滤波是对一个动态系统的状态序列进行线性最小方差估计的算法，它既可以进行最佳估计，也能够进行递推计算，而且只需当前的测量值和前一步提前预测值就能进行状态估计，所以卡尔曼滤波算法能够很好地对机动目标进行跟踪。
在实际目标跟踪过程中，目标可能由于机动性导致跟踪数据部分连续丢失，丢失的数据只能根据已有的数据对丢失的数据进行预测再次获得。卡尔曼滤波只可以对数据进行一步提前预测，若要利用卡尔曼滤波进行多步预测时，由于在预测过程中无法得到系统的量测值，所以只能忽略量测误差才能进行多步预测，因而也造成卡尔曼滤波预测在多步预测方面存在准确度低的缺点，导致在估计与预测过程中出现目标预测结果发散的问题。
发明内容
本发明的目的在于针对上述现有技术的不足，提出一种基于卡尔曼滤波的机动目标预测优化方法，以在标准卡尔曼滤波预测的基础上进行预测误差模型的建立以修正现有标准卡尔曼滤波对机动目标进行多步预测时产生的误差，提高多步预测的准确度，减小在估计与预测过程中出现的目标预测结果发散的程度。
实现本发明的技术方案是：在机动目标未来运动状态未知的情况下，根据机动目标之前的运动轨迹来进行未来运动状态的多步预测。对标准卡尔曼滤波预测过程进行改善，进而对标准卡尔曼滤波预测结果进行修正，从而使得卡尔曼滤波的预测值更加准确，具体实现包括如下：
(1)设定离散时间线性随机动态系统的如下参数：
xk+1＝Fkxk+Γkwk，
zk＝Hkxk+vk
其中，xk是k时刻的系统状态向量，Fk是k时刻系统状态转移矩阵，wk是k时刻过程演化噪声，Γk是k时刻噪声矩阵，Hk是k时刻量测矩阵，vk是k时刻量测噪声，xk+1是k+1时刻的系统状态向量，zk是k时刻对系统状态的量测向量，k是时间指标，取值为任意整数；
(2)根据(1)中设定的参数，计算卡尔曼滤波中的一步提前预测值和预测误差协方差阵Pk/k-1：
其中，是k-1时刻的系统状态估计值，Fk-1是k-1时刻的系统状态转移矩阵，是k-1时刻的系统状态转移矩阵的转置，Pk-1/k-1是k-1时刻的估计误差协方差，是k-1时刻的一步预测误差，Γk-1是k-1时刻的噪声矩阵，是k-1时刻的噪声矩阵的转置，Qk-1是k-1时刻过程噪声的协方差；
(3)根据(1)中设定的参数，计算系统的量测误差为：
其中，表示k-1时刻的一步预测误差；
(4)根据(1)中设定的参数，计算卡尔曼滤波中k时刻的一步预测误差
其中，是k时刻的误差系统状态转移矩阵，Kk是k时刻的卡尔曼增益矩阵；
(5)根据(3)和(4)的结果，计算误差的一步提前预测值和预测误差协方差阵Ptemp：
其中，是0时刻到k-1时刻系统量测向量误差的序列，是k-1时刻的误差模型状态转移矩阵，是k-2时刻的一步预测误差，是k-1时刻的误差模型状态转移矩阵转置，是k-2时刻预测误差的误差协方差阵，Kk-1是k-1时刻的卡尔曼增益矩阵，Rk-1是k-1时刻的量测噪声的协方差矩阵，是k-1时刻的卡尔曼增益矩阵转置；
(6)根据(1)和(5)的结果，计算k时刻的误差增益矩阵Mk:
其中，是k时刻的量测矩阵转置，Rk是k时刻的量测噪声的协方差矩阵转置；
(7)根据(3)的计算结果，计算一步预测误差估计及其误差协方差阵
其中，是0时刻到k时刻系统量测向量误差的序列；
(8)根据(7)中的结果，对(2)中卡尔曼滤波的一步预测值进行修正，得到修正后的系统状态预测值
(9)将(7)中的结果代替(2)中k-1时刻的估计误差协方差，将(8)中的结果代替(2)中k-1时刻的系统状态估计值，进行下一次预测，直到达到设定步数，结束预测。
本发明与现有技术相比具有如下优点：
本发明在标准卡尔曼滤波模型的基础上，推导出预测过程中的误差模型，对卡尔曼滤波预测过程中的预测误差进行了估计和预测，通过这种方式对卡尔曼滤波的预测结果进行修正，使预测结果能够更加贴近目标运动状态的真实值。
附图说明
图1是本发明的实现总流程图；
图2是本发明中卡尔曼滤波进行估计的子流程图；
图3是本发明中对修正后的卡尔曼滤波进行预测的子流程图；
图4是本发明中卡尔曼滤波估计和预测的修正前后在x方向上的目标状态仿真图；
图5是本发明中卡尔曼滤波估计和预测的修正前后在y方向上的目标状态仿真图；
图6是本发明中卡尔曼滤波估计和预测的修正前后在二维空间的目标状态仿真图。
以下结合附图对本发明的技术方案和效果作进一步详细描述。
具体实施方式
线性随机系统是同时满足线性系统和随机控制系统特性的系统，随机控制系统是受随机因素影响的动态系统，线性系统是指同时满足叠加性和均匀性。卡尔曼滤波是一种利用线性系统状态方程，通过系统输入输出观测数据，对系统状态进行最优估计的算法。
参照图1，本发明的实现步骤如下：
步骤1，将目标的当前运动状态设定为转向运动状态。
步骤2，设定目标的线性随机系统参数，计算其状态向量和量测向量。
2.1)设定线性随机系统的如下参数：
k时刻的系统状态转移矩阵Fk；k时刻的过程演化噪声wk；k时刻的噪声矩阵Γk；k时刻的量测矩阵Hk；k时刻的量测噪声vk。
2.2)根据2.1)设定的参数，计算k+1时刻的系统状态向量xk+1和k时刻对系统状态的量测向量zk：
其中，xk是k时刻的系统状态向量，其在0时刻设定为x0；k是时间指标，取值为任意整数。
步骤3，计算卡尔曼滤波中的估计值。
参照图2，本步骤的具体实施如下：
(3a)通过下式分别计算卡尔曼滤波中的一步提前预测值和预测误差的协方差阵Pk/k-1：
其中，表示k-1时刻的系统状态估计值，其在0时刻设定为 表示k-1时刻的一步预测误差，其在0时刻设定为Pk-1/k-1表示k-1时刻的系统状态估计误差协方差，其在0时刻设定为P0/0。
(3b)计算k时刻的卡尔曼增益阵Kk：
其中，表示k时刻的量测矩阵的转置；Rk表示k时刻量测噪声的协方差矩阵；
(3c)获取新的量测值zk后，通过下式分别计算卡尔曼滤波更新值和相应的滤波误差的协方差阵Pk/k：
其中，Zk表示0时刻到k时刻的系统量测序列；表示k时刻的滤波误差。
本步骤的计算结果为步骤6提供初始值。
步骤4，在卡尔曼滤波估计中，计算系统状态误差的量测误差和预测误差。
本步骤具体实施如下：
(4a)计算系统状态的量测误差：
将式<1>带入式<5>，得到：
(4b)计算系统状态的预测误差：
将式<1>带入式<7>，得到：
其中，表示k时刻的一步预测误差；表示k时刻的一步提前预测值系统误差；k时刻的误差状态转移矩阵
(4c)根据(4a)和(4b)的结果，分别计算一步误差预测值和预测误差的协方差Ptemp：
其中，表示k-2时刻的一步预测误差；表示k-1时刻的误差状态转移矩阵；表示0时刻到k-1时刻的量测误差序列；表示k-1时刻的误差状态转移矩阵转置；表示k-2时刻的一步预测误差的误差协方差阵，其在0时刻设定为P0/0；Fk-1表示k-1时刻的系统状态转移矩阵；表示k-1时刻的系统状态转移矩阵转置；Kk-1表示k-1时刻的卡尔曼增益矩阵；表示k-1时刻的卡尔曼增益矩阵转置；Rk-1表示k-1时刻量测噪声的协方差矩阵；Γk-1表示k-1时刻的噪声矩阵；表示k-1时刻的噪声矩阵转置；Qk-1表示k-1时刻过程演化噪声的协方差矩阵。
(4d)计算k时刻误差的卡尔曼增益矩阵Mk：
(4e)根据(4c)和(4d)的结果，分别计算一步预测误差估计值以及误差协方差
其中，表示0时刻到k时刻的量测误差序列。
本步骤的计算结果为步骤6提供初始值。
步骤5，计算卡尔曼滤波中k-1时刻的预测值
在预测过程中，由于没有新的量测值，因而可用上式<23>结果代替卡尔曼滤波k时刻的滤波更新值
步骤6，计算系统量测误差和预测误差的估计值，对卡尔曼滤波的预测值进行修正。
参照图3，本步骤的具体实现如下：
(6a)根据式<1>，分别计算卡尔曼滤波一步提前预测值和预测误差的协方差阵Pk/k-1：
(6b)根据式<13>和式<1>，计算k时刻系统量测误差
(6c)根据式<1>，计算k时刻系统一步预测误差
(6d)根据式<15>,分别计算系统误差的一步提前预测值和预测误差协方差Ptemp：
(6e)根据式<1>和式<16>，计算k时刻系统误差的卡尔曼增益矩阵Mk:
(6f)根据式<16>和式<17>计算结果，分别计算一步预测误差估计值以及误差的协方差阵
(6g)根据式<18>对式<12>进行修正，得到k时刻系统状态预测修正结果：
(6h)令k＝k+1，重复执行步骤(6a)到(6g)进行下一步预测，直到达到设定步数，结束预测。
本发明的效果可以通过下面的仿真实例说明：
1.仿真条件：
目标初始运动状态x0是一个独立过程，且与过程演化噪声和量测噪声不相关，服从于正态分布，其x方向位置设定为15m，y方向位置设定为15m，x方向运动速度为3m/s，y方向运动速度为3m/s，x方向加速度为2m/s2，y方向加速度为2m/s2。在线性随机动态系统中，量测矩阵噪声矩阵ts表示系统采样间隔，设定为1s；系统状态转移矩阵
ω表示目标运动角速度，设定为过程演化噪声wk是一个独立过程，服从于正态分布，其均值为0，协方差量测噪声vk是一个独立过程，服从于正态分布，其均值为0，协方差为
2.仿真平台：MATLAB；
3.仿真数据：分别在x方向、y方向以及整个二维空间中，进行卡尔曼滤波估计预测和修正卡尔曼滤波预测仿真，比较仿真结果。
4.仿真内容与结果：
仿真1，用本发明方法在x方向进行预测，将其结果与真实轨迹和卡尔曼预测结果进行对比，结果如图4。
仿真2，用本发明方法在y方向进行预测，将其结果与真实轨迹和卡尔曼预测结果进行对比，结果如图5。
仿真3，用本发明方法在二维空间中进行预测，将其结果与真实轨迹和卡尔曼预测结果进行对比，结果如图6。
5.仿真结论：
从图4中可以看出：在x方向上，本发明的方法能够修正卡尔曼滤波的预测误差，得到的预测结果优于标准卡尔曼滤波预测的结果。
从图5中可以看出：在y方向上，本发明的方法能够修正卡尔曼滤波的预测误差，得到的预测结果优于标准卡尔曼滤波预测的结果。
从图6中可以看出：在二维空间中，本发明的方法能够修正卡尔曼滤波的预测误差，得到的预测结果优于卡尔曼滤波预测的结果，而且优化效果比单独方向上的效果更加明显。
综上，本发明所基于卡尔曼滤波的机动目标预测的优化方法，在线性随机系统中，在满足过程演化噪声与量测噪声各自独立且相互独立，并与初始状态保持独立的条件下，预测结果能够优于标准卡尔曼滤波的预测结果，是一种能够优化卡尔曼滤波预测的优化方法。

Claims (4)

1.基于卡尔曼滤波的机动目标状态预测优化方法，其特征在于，包括如下：
(1)设定离散时间线性随机动态系统的如下参数：
xk+1＝Fkxk+Γkwk，
zk＝Hkxk+vk
其中，xk是k时刻的系统状态向量，Fk是k时刻系统状态转移矩阵，wk是k时刻过程演化噪声，Γk是k时刻噪声矩阵，Hk是k时刻量测矩阵，vk是k时刻量测噪声，xk+1是k+1时刻的系统状态向量，zk是k时刻对系统状态的量测向量，k是时间指标，取值为任意整数；
(2)根据(1)中设定的参数，计算卡尔曼滤波中的一步提前预测值和预测误差协方差阵Pk/k-1：
其中，是k-1时刻的系统状态估计值，Fk-1是k-1时刻的系统状态转移矩阵，是k-1时刻的系统状态转移矩阵的转置，Pk-1/k-1是k-1时刻的估计误差协方差，是k-1时刻的一步预测误差，Γk-1是k-1时刻的噪声矩阵，是k-1时刻的噪声矩阵的转置，Qk-1是k-1时刻过程噪声的协方差；
(3)根据(1)中设定的参数，计算系统的量测误差为：
其中，表示k-1时刻的一步预测误差；
(4)根据(1)中设定的参数，计算卡尔曼滤波中k时刻的一步预测误差
其中，是k时刻的误差系统状态转移矩阵，Kk是k时刻的卡尔曼增益矩阵；
(5)根据(3)和(4)的结果，计算误差的一步提前预测值和预测误差协方差阵Ptemp：
其中，是0时刻到k-1时刻系统量测向量误差的序列，是k-1时刻的误差模型状态转移矩阵，是k-2时刻的一步预测误差，是k-1时刻的误差模型状态转移矩阵转置，是k-2时刻预测误差的误差协方差阵，Kk-1是k-1时刻的卡尔曼增益矩阵，Rk-1是k-1时刻的量测噪声的协方差矩阵，是k-1时刻的卡尔曼增益矩阵转置；
(6)根据(1)和(5)的结果，计算k时刻的误差增益矩阵Mk:
其中，是k时刻的量测矩阵转置，Rk是k时刻的量测噪声的协方差矩阵转置；
(7)根据(3)和(6)的计算结果，计算一步预测误差估计及其误差协方差阵
其中，是0时刻到k时刻系统量测向量误差的序列；
(8)根据(7)中的结果，对(2)中卡尔曼滤波的一步预测值进行修正，得到修正后的系统状态预测值
(9)将(7)中的结果代替(2)中k-1时刻的估计误差协方差，将(8)中的结果代替(2)中k-1时刻的系统状态估计值，进行下一次预测，直到达到设定步数，结束预测。
2.根据权利要求1中所述的方法，其中(2)中的k-1时刻的系统状态估计值其在0时刻设定为k-1时刻的一步预测误差其在0时刻设定为k-1时刻的估计误差协方差Pk-1/k-1，其在0时刻设定为P0/0。
3.根据权利要求1中所述的方法，其中(4)中计算计算卡尔曼滤波中k时刻的一步预测误差通过如下公式计算：
将(1)中设置的参数带入上式，得到：
其中，设定预测误差的状态转移矩阵为k-1时刻的一步预测误差其在0时刻设定为k时刻的卡尔曼增益矩阵Kk，其在0时刻设定为K0。
4.根据权利要求1中所述的方法，其中(5)中k-2时刻预测误差的误差协方差阵其在0时刻设定为P0。
CN201811371984.9A 2018-11-16 2018-11-16 基于卡尔曼滤波的机动目标状态预测优化方法 Active CN109472418B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811371984.9A CN109472418B (zh) 2018-11-16 2018-11-16 基于卡尔曼滤波的机动目标状态预测优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811371984.9A CN109472418B (zh) 2018-11-16 2018-11-16 基于卡尔曼滤波的机动目标状态预测优化方法

Publications (2)

Publication Number Publication Date
CN109472418A true CN109472418A (zh) 2019-03-15
CN109472418B CN109472418B (zh) 2021-07-27

Family

ID=65673763

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811371984.9A Active CN109472418B (zh) 2018-11-16 2018-11-16 基于卡尔曼滤波的机动目标状态预测优化方法

Country Status (1)

Country Link
CN (1) CN109472418B (zh)

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110109162A (zh) * 2019-03-26 2019-08-09 西安开阳微电子有限公司 一种gnss接收机自适应的卡尔曼滤波定位解算方法
CN110443832A (zh) * 2019-06-21 2019-11-12 西北工业大学 一种基于观测区间值的证据滤波目标跟踪方法
CN110703601A (zh) * 2019-09-23 2020-01-17 天津大学 一种基于模糊控制和卡尔曼滤波的浮标深度控制算法
CN111737823A (zh) * 2020-06-30 2020-10-02 海丰通航科技有限公司 线性动力学系统运动状态预测方法及系统
CN111798491A (zh) * 2020-07-13 2020-10-20 哈尔滨工业大学 一种基于Elman神经网络的机动目标跟踪方法
CN111881955A (zh) * 2020-07-15 2020-11-03 北京经纬恒润科技有限公司 多源传感器信息融合方法及装置
CN112590806A (zh) * 2020-11-30 2021-04-02 上海欧菲智能车联科技有限公司 基于卡尔曼滤波的车辆信息处理方法、装置、设备和介质
CN113311456A (zh) * 2021-05-18 2021-08-27 武汉大学 一种基于卡尔曼滤波的qar数据噪声处理方法
CN113406964A (zh) * 2021-05-19 2021-09-17 浙江华飞智能科技有限公司 运动参数调节方法、装置、存储介质及电子装置
CN113705923A (zh) * 2021-09-07 2021-11-26 安徽南瑞继远电网技术有限公司 一种基于智能算法的负荷预测方法
CN114137032A (zh) * 2021-09-07 2022-03-04 北京联合大学 一种大动态范围砂岩模型电阻率测量装置及测量方法
WO2022077180A1 (zh) * 2020-10-12 2022-04-21 西门子（中国）有限公司 确定无味卡尔曼滤波器的模型参数的方法、装置和系统
CN114819291A (zh) * 2022-04-06 2022-07-29 江苏易政达信息科技有限公司 一种城市危废监测管理系统及排放量预测方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103761450A (zh) * 2014-02-24 2014-04-30 中国石油大学(华东) 一种基于模糊自适应预测的动态过程故障预报方法
CN104252178A (zh) * 2014-09-12 2014-12-31 西安电子科技大学 一种基于强机动的目标跟踪方法
CN105424043A (zh) * 2015-11-02 2016-03-23 北京航空航天大学 一种基于判断机动的运动状态估计方法
CN108459618A (zh) * 2018-03-15 2018-08-28 河南大学 一种无人机自动对移动平台投放的飞行控制系统及方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103761450A (zh) * 2014-02-24 2014-04-30 中国石油大学(华东) 一种基于模糊自适应预测的动态过程故障预报方法
CN104252178A (zh) * 2014-09-12 2014-12-31 西安电子科技大学 一种基于强机动的目标跟踪方法
CN105424043A (zh) * 2015-11-02 2016-03-23 北京航空航天大学 一种基于判断机动的运动状态估计方法
CN108459618A (zh) * 2018-03-15 2018-08-28 河南大学 一种无人机自动对移动平台投放的飞行控制系统及方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
YANG YONGJIAN ET AL: "Amended Kalman Filter for Maneuvering Target Tracking", 《CHINESE JOURNAL OF ELECTRONICS》 *
岳帅 等: "卡尔曼动态规划机动目标检测前跟踪方法", 《现代雷达》 *
毕进 等: "基于卡尔曼滤波的机动目标外推预测的研究", 《现代电子技术》 *
谷欣超 等: "基于Kalman滤波器的运动目标跟踪算法", 《长春理工大学学报（自然科学版）》 *

Cited By (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110109162A (zh) * 2019-03-26 2019-08-09 西安开阳微电子有限公司 一种gnss接收机自适应的卡尔曼滤波定位解算方法
CN110109162B (zh) * 2019-03-26 2021-06-11 西安开阳微电子有限公司 一种gnss接收机自适应的卡尔曼滤波定位解算方法
CN110443832A (zh) * 2019-06-21 2019-11-12 西北工业大学 一种基于观测区间值的证据滤波目标跟踪方法
CN110703601A (zh) * 2019-09-23 2020-01-17 天津大学 一种基于模糊控制和卡尔曼滤波的浮标深度控制算法
CN110703601B (zh) * 2019-09-23 2022-05-10 天津大学 一种基于模糊控制和卡尔曼滤波的浮标深度控制算法
CN111737823A (zh) * 2020-06-30 2020-10-02 海丰通航科技有限公司 线性动力学系统运动状态预测方法及系统
CN111737823B (zh) * 2020-06-30 2022-09-06 海丰通航科技有限公司 线性动力学系统运动状态预测方法及系统
CN111798491A (zh) * 2020-07-13 2020-10-20 哈尔滨工业大学 一种基于Elman神经网络的机动目标跟踪方法
CN111798491B (zh) * 2020-07-13 2022-09-06 哈尔滨工业大学 一种基于Elman神经网络的机动目标跟踪方法
CN111881955A (zh) * 2020-07-15 2020-11-03 北京经纬恒润科技有限公司 多源传感器信息融合方法及装置
CN111881955B (zh) * 2020-07-15 2023-07-04 北京经纬恒润科技股份有限公司 多源传感器信息融合方法及装置
WO2022077180A1 (zh) * 2020-10-12 2022-04-21 西门子（中国）有限公司 确定无味卡尔曼滤波器的模型参数的方法、装置和系统
CN112590806A (zh) * 2020-11-30 2021-04-02 上海欧菲智能车联科技有限公司 基于卡尔曼滤波的车辆信息处理方法、装置、设备和介质
CN113311456A (zh) * 2021-05-18 2021-08-27 武汉大学 一种基于卡尔曼滤波的qar数据噪声处理方法
CN113406964A (zh) * 2021-05-19 2021-09-17 浙江华飞智能科技有限公司 运动参数调节方法、装置、存储介质及电子装置
CN113406964B (zh) * 2021-05-19 2022-11-18 浙江华飞智能科技有限公司 运动参数调节方法、装置、存储介质及电子装置
CN114137032A (zh) * 2021-09-07 2022-03-04 北京联合大学 一种大动态范围砂岩模型电阻率测量装置及测量方法
CN113705923A (zh) * 2021-09-07 2021-11-26 安徽南瑞继远电网技术有限公司 一种基于智能算法的负荷预测方法
CN114819291A (zh) * 2022-04-06 2022-07-29 江苏易政达信息科技有限公司 一种城市危废监测管理系统及排放量预测方法

Also Published As

Publication number Publication date
CN109472418B (zh) 2021-07-27

Similar Documents

Publication Publication Date Title
CN109472418B (zh) 基于卡尔曼滤波的机动目标状态预测优化方法
CN111178385B (zh) 一种鲁棒在线多传感器融合的目标跟踪方法
CN105205313B (zh) 模糊高斯和粒子滤波方法、装置及目标跟踪方法、装置
CN109827579B (zh) 一种组合定位中滤波模型实时校正的方法和系统
CN108682023A (zh) 基于Elman神经网络的紧耦合无迹卡尔曼跟踪滤波算法
CN105180935A (zh) 一种适用于gnss微弱信号的组合导航数据融合方法
CN106772351B (zh) 基于有限步记忆的卡尔曼滤波方法
CN114812569B (zh) 一种追逃博弈机动航天器相对状态估计方法、装置和设备
CN111913175A (zh) 一种传感器短暂失效下带补偿机制的水面目标跟踪方法
CN104484500A (zh) 一种基于拟合强化学习的空战行为建模方法
CN107797106A (zh) 一种加速em未知杂波估计的phd多目标跟踪平滑滤波方法
CN112083457B (zh) 一种神经网络优化的imm卫星定位导航方法
CN114819068A (zh) 一种混合型目标航迹预测方法及系统
CN114567288B (zh) 基于变分贝叶斯的分布协同非线性系统状态估计方法
CN109857127B (zh) 训练神经网络模型以及飞行器姿态解算的方法、装置
CN111426322B (zh) 同时估计状态和输入的自适应目标跟踪滤波方法及系统
CN110912535B (zh) 一种新型无先导卡尔曼滤波方法
CN110262235B (zh) 一种切换系统的无模型最优切换方法
CN116608859A (zh) 一种基于阈值处理的自适应无迹卡尔曼滤波的导航方法、存储介质和设备
CN114611068A (zh) 一种高机动目标跟踪方法
CN114445459B (zh) 基于变分贝叶斯理论的连续-离散最大相关熵目标跟踪方法
CN114995403B (zh) 相关噪声及非高斯干扰下轮式移动机器人轨迹跟踪方法
Wang et al. A line-of-sight rate estimation method for roll-pitch gimballed infrared seeker
CN114020018B (zh) 导弹控制策略的确定方法、装置、存储介质及电子设备
CN109684771A (zh) 基于交互式多模型的机动目标状态预测优化方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant