CN110426689B - 一种基于em-cks的机载多平台多传感器系统误差配准算法 - Google Patents
一种基于em-cks的机载多平台多传感器系统误差配准算法 Download PDFInfo
- Publication number
- CN110426689B CN110426689B CN201910587757.8A CN201910587757A CN110426689B CN 110426689 B CN110426689 B CN 110426689B CN 201910587757 A CN201910587757 A CN 201910587757A CN 110426689 B CN110426689 B CN 110426689B
- Authority
- CN
- China
- Prior art keywords
- state
- representing
- measurement
- vector
- system error
- 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.)
- Active
Links
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 31
- 238000005259 measurement Methods 0.000 claims abstract description 37
- 238000000034 method Methods 0.000 claims abstract description 26
- 239000013598 vector Substances 0.000 claims description 43
- 239000011159 matrix material Substances 0.000 claims description 18
- 238000009499 grossing Methods 0.000 claims description 8
- 238000001914 filtration Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 238000012546 transfer Methods 0.000 claims description 4
- 230000000644 propagated effect Effects 0.000 claims description 3
- 230000009897 systematic effect Effects 0.000 description 13
- 230000004927 fusion Effects 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 8
- 238000005315 distribution function Methods 0.000 description 8
- 238000007476 Maximum Likelihood Methods 0.000 description 5
- 238000004088 simulation Methods 0.000 description 4
- 230000007704 transition Effects 0.000 description 4
- 230000015572 biosynthetic process Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000000342 Monte Carlo simulation Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000009795 derivation Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000000593 degrading effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/40—Means for monitoring or calibrating
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
- Feedback Control In General (AREA)
Abstract
本发明提供了一种基于EM‑CKS的机载多平台多传感器系统误差配准算法,该算法包括如下步骤:步骤一:数学建模;步骤二:容积卡尔曼滤波器和平滑器实现;步骤三:基于EM‑CKS的多传感器系统误差配准算法。本发明所提出的方法对传统多传感器系统误差配准算法做了改进,解决了传统在线联合估计法需要精确已知系统误差状态空间模型的问题。其次,本发明所提出的方法具有很强的数值稳定性,解决了传统非线性高斯滤波器在量测高精度、系统高维数、复杂强非线性情况下对系统状态后验概率密度函数近似精度不高这一问题,有效实现了对机载多平台多传感器的系统误差配准,提高了多平台多传感器对目标的跟踪精度,同时还提升了目标跟踪的可靠性和稳定性。
Description
技术领域
本发明属于多传感器信息融合及目标跟踪领域,具体涉及量测高精度、系统高维度、复杂强非线性条件下的机载多平安协同跟踪领域。
背景技术
机载多平台多传感器信息融合技术能够充分利用各类数据的特点,获取不同视角、不同传感器、不同特征的互补数据,大大扩展了探测区域的覆盖面积,提高了信息利用效率,加快了数据更新速率,从而能够显著提升飞机编队对目标的跟踪能力,提供更快捷的航迹起始速度,更短的航迹收敛时间,更精确的航迹跟踪精度和更稳定的航迹连续性。
然而在舰载机编队飞行等复杂的目标跟踪场景中,系统误差的存在会导致航迹关联混乱、融合精度降低等问题。导致产生这种现象的原因是不同机载平台上的传感器测量信息都是在各自的测量坐标系下获得的,当飞机编队对目标信息进行融合跟踪时,需要将这些测量信息转换到同一参考坐标系中才能进行关联滤波。由于受到机载平台自身定位误差、传感器测量误差及安装误差等诸多系统误差因素的影响,加之坐标转换又不可避免地会放大上述误差,导致融合中心在公共参考坐标系下难以将源于同一目标的测量值关联起来,严重影响目标航迹的稳定性和跟踪精度。因此,系统误差配准是多源信息融合的前提,为保证后继多平台多传感器信息融合的精度,有必要开展多平台系统误差配准技术研究。
随着对系统误差配准研究的不断深入,一些消除系统误差影响的方法逐渐发展起来,主要分为2类:离线估计补偿法和在线联合估计法。离线估计补偿法首先估计出系统误差,然后对目标量测进行修正,并基于修正后的量测估计目标的真实状态,如最小二乘法、广义最小二乘法、极大似然算法等。此类算法都是假设系统误差是缓慢变化的,从而对某一时间段内的量测数据进行批处理,但不能对系统误差的变化做出实时地调整,缺乏实时性。在线联合估计法考虑到系统误差和目标状态的相互作用,将系统误差作为目标状态的分量同时对二者进行估计,如扩维高斯滤波算法等。但此类算法需要精确已知系统误差的状态空间模型,然而在实际工程应用中,系统误差的状态空间模型可能是不准确的或者是未知的,从而恶化扩维高斯滤波器的性能,甚至导致滤波器发散。
发明内容
发明目的:
为了解决上述问题,本发明紧密结合工程应用背景,提出一种基于EM-CKS的机载多平台多传感器系统误差配准算法。
技术方案:
为了达到上述目的,本发明提供了如下技术方案:
首先将传感器量测系统误差视为系统待估计的未知参数,构建了新的传感器量测方程,从而将机载平台多传感器系统误差配准问题转化成含未知参数的非线性系统辨识问题。其次,该方法引入期望最大化算法框架,并利用容积卡尔曼滤波器和平滑器近似计算完整的对数似然函数期望。最后,将近似计算的对数似然函数期望进行最大化处理,并通过解析更新反复迭代的方式获得各传感器系统误差的参数估计。
步骤一:期望最大化算法实现
考虑如下状态空间形式的离散非线性系统:
其中,xk∈Rn和zk∈Rm分别表示k时刻的状态向量和量测向量,
n和m分别表示状态维数和量测维数。
fk-1(xk-1)和hk(xk,η)分别表示系统的状态转移函数和量测函数。
wk∈Rn和vk∈Rm分别表示系统的过程噪声向量和量测噪声向量,二者分别服从均值为零,方差为Qk和Rk的高斯分布,且互不相关。
η表示未知的量测系统误差向量。
我们的目的是估计未知的量测系统误差向量η。根据最大似然判据,我们可以首先通过最大化如下的联合对数似然函数获得一个近似的未知参数向量η的极大似然解,即:
其中,N表示量测的样本数量,
pη(g)表示依赖于未知系统误差η的概率密度函数,
log表示对数函数,
pη(x0:N,z1:N)表示状态向量集合与量测向量集合的联合概率密度函数。
然而,由于状态向量集合x0:N是不可观测的,导致上式不能直接利用。
为了解决pη(x0:N,z1:N)中状态向量集合x0:N不可观测的问题,我们借助期望最大化算法的思想,构造pη(x0:N,z1:N)的一个近似目标函数其中/>表示pη(x0:N,z1:N)在给定量测集合z1:N和未知系统误差向量η的第j步近似估计值ηj条件下的最小方差估计,即:
基于期望最大化算法的未知系统误差向量η估计的具体实施过程被总结如下:
1)选择一个未知参数的初始估计η0;
4)重复上面两个步骤,直到满足收敛要求。
步骤二:容积卡尔曼滤波器和平滑器实现
表1容积卡尔曼滤波器和平滑器的基本框架
Pk-1,k|k-1表示k-1时刻状态估计与状态预测之间的互协方差;
Kk表示滤波增益;
Gk-1表示平滑增益。
从表1中的步骤1)~6)可以看出,在容积卡尔曼滤波器和平滑器中涉及到求解带高斯分布的非线性状态函数和量测函数的多维积分。由于状态函数和量测函数的非线性一般会导致计算多维积分难以实现,因此通常情况下只能采用数值近似的方法来获得次优的高斯近似滤波器和平滑器。
本发明采用三阶球径容积准则来计算这些含高斯权重的非线性函数积分从而得到容积卡尔曼滤波器及平滑器,具体实施过程如下:
1)选取容积采样点ξ(i):
2)计算含高斯权重的非线性函数积分:
其中,f(x)表示任意的非线性函数;
m和P分别表示高斯分布的均值和协方差矩阵;
步骤三:基于EM-CKS的多传感器系统误差配准算法
其中,pη(xk+1|xk)表示状态转移概率密度分布函数;
pη(zk+1|xk+1)表示似然概率密度分布函数;
Gk表示平滑增益。
根据步骤一所给出的状态空间形式的离散非线性系统模型,状态转移概率密度分布pη(xk+1|xk)和似然概率密度分布pη(zk+1|xk+1)又可以分别表示如下:
因此,只需满足如下方程即可:
继而,可以推出:
基于EM-CKS的多传感器系统误差配准算法的具体实施过程被总结如下:
1)选择一个初始估计η0,迭代次数M,并设置初始迭代步数i=0;
从而更新得到ηj+1;
4)i+1→i并检查迭代终止条件i>M。如果这个条件满足,那么迭代终止;否则迭代继续,并返回2)。
有益效果:
本发明所提出的方法对传统多传感器系统误差配准算法做了改进。首先将各传感器量测系统误差视为系统待估计的未知参数,构建了新的传感器量测方程,从而将机载多平台多传感器系统误差配准问题转化成含未知参数的非线性系统辨识问题,解决了传统在线联合估计法需要精确已知系统误差状态空间模型这一问题。
其次,本发明所提出的方法引入了期望最大化算法框架,并利用容积卡尔曼滤波器和平滑器进行递推运算,具有很强的数值稳定性,解决了传统非线性高斯滤波器在量测高精度、系统高维数、复杂强非线性情况下对系统状态后验概率密度函数近似精度不高这一问题,有效实现了对机载多平台多传感器的系统误差配准,提高了多平台多传感器对目标的跟踪精度,同时还提升了目标跟踪的可靠性和稳定性。
本发明提出的基于EM-CKS的机载多平台多传感器系统误差配准算法是多传感器信息融合领域多机协同定位跟踪亟待解决的难题。本发明具有良好的扩展性和适应性,可广泛应用于对稳定目标跟踪有较高要求的多平台有源/无源雷达信息融合跟踪系统,应用前景广阔,应用价值巨大。
具体实施方式
下面结合实施例对本发明进行详细说明,
首先将传感器量测系统误差视为系统待估计的未知参数,构建了新的传感器量测方程,从而将机载平台多传感器系统误差配准问题转化成含未知参数的非线性系统辨识问题。
其次,该方法引入期望最大化算法框架,并利用容积卡尔曼滤波器和平滑器近似计算完整的对数似然函数期望。
最后,将近似计算的对数似然函数期望进行最大化处理,并通过解析更新反复迭代的方式获得各传感器系统误差的参数估计。
步骤一:期望最大化算法实现
考虑如下状态空间形式的离散非线性系统:
其中,xk∈Rn和zk∈Rm分别表示k时刻的状态向量和量测向量,
n和m分别表示状态维数和量测维数;
fk-1(xk-1)和hk(xk,η)分别表示系统的状态转移函数和量测函数;
wk∈Rn和vk∈Rm分别表示系统的过程噪声向量和量测噪声向量,二者分别服从均值为零,方差为Qk和Rk的高斯分布,且互不相关;
η表示未知的量测系统误差向量。
我们的目的是估计未知的量测系统误差向量η。根据最大似然判据,我们可以首先通过最大化如下的联合对数似然函数获得一个近似的未知参数向量η的极大似然解,即:
其中,N表示量测的样本数量,
pη(g)表示依赖于未知系统误差η的概率密度函数,
log表示对数函数,
pη(x0:N,z1:N)表示状态向量集合与量测向量集合的联合概率密度函数。
然而,由于状态向量集合x0:N是不可观测的,导致上式不能直接利用。
为了解决pη(x0:N,z1:N)中状态向量集合x0:N不可观测的问题,我们借助期望最大化算法的思想,构造pη(x0:N,z1:N)的一个近似目标函数其中/>表示pη(x0:N,z1:N)在给定量测集合z1:N和未知系统误差向量η的第j步近似估计值ηj条件下的最小方差估计,即:/>
基于期望最大化算法的未知系统误差向量η估计的具体实施过程被总结如下:
1)选择一个未知参数的初始估计η0;
4)重复上面两个步骤,直到满足收敛要求。
步骤二:容积卡尔曼滤波器和平滑器实现
表1容积卡尔曼滤波器和平滑器的基本框架
Pk-1,k|k-1表示k-1时刻状态估计与状态预测之间的互协方差;
Kk表示滤波增益;
Gk-1表示平滑增益。
从表1中的步骤1)~6)可以看出,在容积卡尔曼滤波器和平滑器中涉及到求解带高斯分布的非线性状态函数和量测函数的多维积分。由于状态函数和量测函数的非线性一般会导致计算多维积分难以实现,因此通常情况下只能采用数值近似的方法来获得次优的高斯近似滤波器和平滑器。
本发明采用三阶球径容积准则来计算这些含高斯权重的非线性函数积分从而得到容积卡尔曼滤波器及平滑器,具体实施过程如下:
1)选取容积采样点ξ(i):
2)计算含高斯权重的非线性函数积分:
其中,f(x)表示任意的非线性函数;
m和P分别表示高斯分布的均值和协方差矩阵;
步骤三:基于EM-CKS的多传感器系统误差配准算法
其中,pη(xk+1|xk)表示状态转移概率密度分布函数;
pη(zk+1|xk+1)表示似然概率密度分布函数;
Gk表示平滑增益。
根据步骤一所给出的状态空间形式的离散非线性系统模型,状态转移概率密度分布pη(xk+1|xk)和似然概率密度分布pη(zk+1|xk+1)又可以分别表示如下:
因此,只需满足如下方程即可:
继而,可以推出:
基于EM-CKS的多传感器系统误差配准算法的具体实施过程被总结如下:
1)选择一个初始估计η0,迭代次数M,并设置初始迭代步数i=0;
从而更新得到ηj+1;
4)i+1→i并检查迭代终止条件i>M。如果这个条件满足,那么迭代终止;否则迭代继续,并返回2)。
实施例一:
通过数值仿真详细说明该发明所提出的方法。具体仿真场景设置为由两架舰载直升机平台共同探测跟踪一架战斗机目标。其中,每架舰载直升机各携载一部三维传感器。战斗机飞行速度较快,飞行海拔高度为2km,舰载直升机飞行速度较慢,飞行海拔高度为1km,所有飞行器均沿经线飞行,三维传感器扫描时间间隔为1s。各传感器分别测量得到目标的距离、方位和俯仰角三维信息,且它们的测量噪声均为零均值高斯白噪声,对应的各传感器量测噪声协方差矩阵可以表示为:
Rk=diag{(50m)2,(0.002rad)2,(0.002rad)2}
各传感器系统误差均设置为η=[1000m,0.5°,0.5°]T。在此仿真试验中,50次独立的蒙特卡洛仿真被执行,每次蒙特卡洛仿真试验的迭代次数设置为3000次。为了展示所提出的算法性能,表1给出了各传感器系统误差的最终估计。
表1真实的参数值和估计的参数值(均值±标准差)
从表1中可以看到本文所提出的算法具有良好的估计精度。以上这些仿真结果说明了基于EM-CKS的系统误差配准算法的有效性。
Claims (2)
1.一种基于EM-CKS的机载多平台多传感器系统误差配准算法,其特征在于,所述算法包括如下步骤:
步骤一:数学建模;
步骤二:容积卡尔曼滤波器和平滑器实现;
步骤三:基于EM-CKS的多传感器系统误差配准算法;
所述步骤一中,构建状态空间形式的离散非线性系统::
其中:xk∈Rn和zk∈Rm分别表示k时刻的状态向量和量测向量;
n和m分别表示状态维数和量测维数;
fk-1(xk-1)和hk(xk,η)分别表示系统的状态转移函数和量测函数;
wk∈Rn和vk∈Rm分别表示系统的过程噪声向量和量测噪声向量,二者分别服从均值为零,方差为Qk和Rk的高斯分布,且互不相关;
η表示未知的量测系统误差向量;
所述步骤二中:
其中,N为量测个数;
Pk-1,kk-1表示k-1时刻状态估计与状态预测之间的互协方差;
Kk表示滤波增益;
fk-1(xk-1)为系统的状态转移函数;hk(xk,η)为系统的量测函数;xk表示k时刻的状态向量;zk表示k时刻的量测向量;
所述步骤三包括:
a)选择一个初始估计η0,迭代次数M,并设置初始迭代步数i=0;
c)计算雅克比矩阵H:
从而更新得到ηj+1;
4)i+1→i并检查迭代终止条件i>M,如果这个条件满足,那么迭代终止;否则迭代继续,并返回2)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910587757.8A CN110426689B (zh) | 2019-07-02 | 2019-07-02 | 一种基于em-cks的机载多平台多传感器系统误差配准算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910587757.8A CN110426689B (zh) | 2019-07-02 | 2019-07-02 | 一种基于em-cks的机载多平台多传感器系统误差配准算法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110426689A CN110426689A (zh) | 2019-11-08 |
CN110426689B true CN110426689B (zh) | 2023-06-30 |
Family
ID=68409979
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910587757.8A Active CN110426689B (zh) | 2019-07-02 | 2019-07-02 | 一种基于em-cks的机载多平台多传感器系统误差配准算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110426689B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111262556B (zh) * | 2020-01-16 | 2023-09-08 | 自然资源部第二海洋研究所 | 一种同时估计未知高斯测量噪声统计量的多目标跟踪方法 |
CN112800889B (zh) * | 2021-01-18 | 2024-02-23 | 浙江工业大学 | 一种基于分布式矩阵加权融合高斯滤波的目标跟踪方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7289906B2 (en) * | 2004-04-05 | 2007-10-30 | Oregon Health & Science University | Navigation system applications of sigma-point Kalman filters for nonlinear estimation and sensor fusion |
CN101984359B (zh) * | 2010-04-27 | 2013-06-19 | 中国人民解放军海军航空工程学院 | 用于异类多传感器系统的误差配准方法 |
CN102305927A (zh) * | 2011-05-16 | 2012-01-04 | 中国人民解放军海军航空工程学院 | Ecef坐标系下2-d雷达误差配准两步算法 |
CN104713560B (zh) * | 2015-03-31 | 2017-10-20 | 西安交通大学 | 基于期望最大化的多源测距传感器空间配准方法 |
CN107315171B (zh) * | 2017-07-02 | 2021-04-20 | 中国航空工业集团公司雷华电子技术研究所 | 一种雷达组网目标状态与系统误差联合估计算法 |
CN108520107A (zh) * | 2018-03-19 | 2018-09-11 | 山西大学 | 基于最大似然准则鲁棒卡尔曼滤波的系统状态估计方法 |
CN108519595A (zh) * | 2018-03-20 | 2018-09-11 | 上海交通大学 | 联合多传感器配准与多目标跟踪方法 |
-
2019
- 2019-07-02 CN CN201910587757.8A patent/CN110426689B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110426689A (zh) | 2019-11-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111985093B (zh) | 一种带噪声估计器的自适应无迹卡尔曼滤波状态估计方法 | |
CN107315171B (zh) | 一种雷达组网目标状态与系统误差联合估计算法 | |
CN107703480B (zh) | 基于机器学习的混合核函数室内定位方法 | |
CN111178385A (zh) | 一种鲁棒在线多传感器融合的目标跟踪方法 | |
CN112613532B (zh) | 基于雷达与循环神经网络补全红外融合的动目标跟踪方法 | |
CN110058205B (zh) | 一种基于迭代最近点算法的警戒雷达系统误差校正方法 | |
CN108267731B (zh) | 无人机目标跟踪系统的构建方法及应用 | |
CN110426689B (zh) | 一种基于em-cks的机载多平台多传感器系统误差配准算法 | |
CN110231620B (zh) | 一种噪声相关系统跟踪滤波方法 | |
CN108319570B (zh) | 一种异步多传感器空时偏差联合估计与补偿方法及装置 | |
CN113342059B (zh) | 基于位置和速度误差的多无人机跟踪移动辐射源方法 | |
CN110187337B (zh) | 一种基于ls和neu-ecef时空配准的高机动目标跟踪方法及系统 | |
CN115204212A (zh) | 一种基于stm-pmbm滤波算法的多目标跟踪方法 | |
CN114236480A (zh) | 一种机载平台传感器系统误差配准算法 | |
CN116047495B (zh) | 一种用于三坐标雷达的状态变换融合滤波跟踪方法 | |
CN110045363B (zh) | 基于相对熵的多雷达航迹关联方法 | |
CN105116393A (zh) | 一种基于位置指纹的高空目标飞行高度和雷达截面积估计方法 | |
CN112163052A (zh) | 一种信息缺失量测下的多传感器空间配准方法 | |
CN112763980B (zh) | 一种基于方位角及其变化率的目标运动分析方法 | |
CN115544425A (zh) | 一种基于目标信噪比特征估计的鲁棒多目标跟踪方法 | |
CN110595470A (zh) | 一种基于外定界椭球集员估计的纯方位目标跟踪方法 | |
CN113933798A (zh) | 一种基于相似性原理的全局传感器系统误差分区配准算法 | |
CN109856624B (zh) | 一种针对单雷达直线航迹线的目标状态估计方法 | |
CN114577212B (zh) | 一种基于方位和频率的单站水下机动目标运动分析方法 | |
CN112540342B (zh) | 一种移动信号源定位方法 |
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 |