一、自调整交互多模型(论文文献综述)
任培文[1](2020)在《基于交互多模型的目标跟踪方法研究》文中提出随着现代信息技术和控制技术的发展,反舰导弹以其多变的机动形式和强劲的突防能力给各国的海上军事设备带来巨大的威胁,因此研究高精度的滤波跟踪算法,实时的对反舰导弹进行监控跟踪,对海上军事设备反导能力的提高有着重要的意义。本文是以交互多模型算法(Interacting Multiple Model,IMM)为基础进行研究,主要的贡献分为以下几个方面:首先,研究了几种常用的目标跟踪模型和非线性滤波算法。在跟踪模型方面,重点对反舰导弹的“蛇型”运动模型进行了研究分析。在滤波算法方面,对UKF算法、CKF算法以及5CKF算法进行了详细的理论推导和适用性分析,针对单纯滤波算法精度低的缺点,对Sage-Husa理论进行了研究,并与5CKF算法进行结合提出了一种基于误差协方差自适应的五阶容积卡尔曼滤波算法(Adaptive Five-Degree Cubature Kalman Filter,A5CKF),具有更好的跟踪精度和收敛速度。其次,针对由马尔可夫概率转移矩阵固定而导致的交互多模型算法的误差问题,本文提出一种基于马尔可夫参数自适应的交互多模型自适应五阶容积卡尔曼滤波算法(AIMMA5CKF),这是一种基于后验信息矫正的方法。该算法利用定义的误差压缩率之比实现对马尔可夫概率转移矩阵的自适应调整,促使在模型切换过程中增大匹配模型信息的同时减小非匹配模型的信息,从而减小了跟踪的误差。最后,针对传统交互多模型算法中由模型概率调整速度而引起的误差问题,本文提出了一种基于模糊自适应的交互多模型自适应五阶容积卡尔曼滤波算法(FAIMMA5CKF),该算法首先利用高精度的A5CKF算法以实现对误差协方差的自适应调整,然后利用模糊控制算法实现对模型概率的自适应更新,以此来加快模型概率的更新速度,进一步提高了系统的跟踪性能。
李皓皓[2](2019)在《空间非合作机动目标确定与主动规避方法》文中研究说明本文以空间非合作目标近距离操作为背景,对非合作目标天基搜索识别、非合作机动目标导航滤波以及逃逸器主动规避策略进行了研究,开展了地面半实物仿真实验进行验证。论文主要研究成果如下:提出了基于非线性偏差演化的空间非合作目标天基搜索方法。1)采用基于状态转移张量的非线性偏差演化方法求解了相对状态均值与协方差矩阵的传播及状态空间的转变,并将相对状态空间的位置误差椭球转换为测角空间的角度误差椭圆;2)基于角度误差椭圆设计了步进式和螺旋矩形式相机指向搜索策略,形式简洁直观,搜索空间明确,考虑了搜索过程中非合作目标轨道位置的动态变化,对实际任务适用性好;3)通过仿真算例验证了两种相机指向搜索策略的有效性,结果表明:步进式搜索策略设计及实现更简单,螺旋矩形式搜索策略发现目标用时更短。研究了基于当前统计模型的空间非合作机动目标相对导航滤波方法。1)阐述了当前统计模型中机动加速度的概率密度模型、随机过程特性以及自适应滤波算法;2)结合当前统计模型和Jerk模型的优点,发展了基于当前统计Jerk模型的自适应滤波算法;3)通过仿真算例验证了当前统计模型及其Jerk模型的有效性,结果表明:当前统计模型的计算量相对较小,当前统计Jerk模型对于加速度的滤波效果更好。发展了基于机动目标滤波估计的逃逸器主动规避策略。1)提出了基于机动目标滤波信息的逃逸器最大化相对距离主动规避策略;2)提出了基于机动目标滤波信息的逃逸器最大化视线偏转率主动规避策略;3)仿真结果表明,最大化相对距离的规避策略只能延长逃逸器的被捕获时间,最大化视线偏转率的规避策略可以有效的规避追踪器的交会威胁。开展了非合作机动目标确定与主动规避地面半实物仿真实验。1)基于相似性原理阐述了半实物仿真实验的基本思路,给出了实验方案流程;2)通过长度、时间等的缩比因子进行了设计,在实验运动平台上开展了空间非合作目标导航滤波、搜索识别、空间非合作机动目标导航滤波和逃逸器主动规避实验;3)实验结果表明:实验平台的角度、距离测量精度满足实验要求,在实验平台上验证空间近距离操作任务具有可行性;空间非合作目标搜索识别的步进式、螺旋矩形式相机指向搜索策略有效;空间非合作机动目标跟踪的滤波算法有效;对于机动目标的异常接近,基于最大化视线偏转率的规避策略有效。论文提出的非合作目标天基搜索方法、逃逸器主动规避策略、开展的地面半实物仿真实验可为空间非合作目标近距离操作任务提供参考。
丁琪琪[3](2019)在《无线传感器网络目标跟踪算法研究》文中研究说明无线传感器的经济、轻便、灵活等优点使得无线传感器网络被广泛的应用到人们的生活和生产中。对于无线传感器网络来说,其最重要的应用之一就是目标定位跟踪,当前实现更加精确的目标定位跟踪是无线传感器网络非常重要的研究方向。本论文主要针对无线传感器网络的目标跟踪进行研究。论文的主要工作如下:1.提出了基于轨迹预测融合的目标跟踪算法。传统的卡尔曼滤波算法由于过分依赖于人工事先对目标运动方程的估计,导致目标定位结果不稳定,考虑到之前迭代过程中已得到的目标的定位结果序列中包含着最接近目标真实轨迹的信息,基于这些轨迹信息可以预测出目标当前的状态信息,由此我们推导出基于前驱最优定位结果序列的轨迹预测方程。通过引入融合参数的概念,将基于轨迹预测得到目标定位结果分别与扩展卡尔曼滤波和极大似然卡尔曼滤波这两种经典的基于卡尔曼滤波的目标跟踪方法进行融合,由此得到两种基于轨迹预测融合的目标跟踪方法。实验表明,不管是在直线运动还是在圆周运动中,通过改变融合参数都可以提高对目标的定位准确性,同时,当目标运动噪声越小时,新的融合方法的定位精度提高的越明显,定位更准确,实验中引入融合思想并没有明显增加原算法的运行时间。2.提出了基于轨迹预测初定位的目标跟踪算法。考虑到卡尔曼滤波算法在处理目标定位跟踪问题时对目标运动方程的依赖主要是在其时间更新阶段,所以将卡尔曼滤波在时间更新阶段所得的预测结果与轨迹预测的结果通过引入融合参数进行融合,将该融合结果作为对于目标的初定位结果,将其输入至卡尔曼滤波的估计阶段继续进行滤波计算。分别在扩展卡尔曼滤波和极大似然卡尔曼滤波这两种经典的基于卡尔曼滤波的目标跟踪方法中引入基于轨迹预测初定位的方法,以此来实现目标的定位跟踪,实验表明,不管是对做直线运动还是圆周运动的目标进行跟踪,通过改变融合参数,加入轨迹预测作为初定位的新的方法相比于原方法在跟踪精度上都会有提高,同时运行时间并无明显增加。3.提出了基于Singer模型和轨迹预测模型的动态交互多模型的机动目标跟踪算法。现实中的目标运动普遍具有机动性,用单个模型很难描述其运动,我们利用轨迹预测方程所具有的动态性的特点,将轨迹预测方程作为一种动态的目标运动模型,将其与基于Singer模型的加速度模型联合起来对机动目标运动的线性特性和机动性进行描述,两个模型之间以概率的形式相互作用,这个概率可以通过计算来实时调整。我们分别在曲线机动和直线机动两种机动运动下利用新方法对目标进行定位跟踪实验,实验表明,所提出的这种改进的交互多模型方法不仅可以实现更加精确的目标定位,同时当发生传感器数据包丢失的突发情况时会自动进入数据包丢失处理来对目标位状态进行预测,不会跟丢目标。
朱先秋[4](2019)在《基于神经网络的多传感器融合方法研究》文中研究表明目标跟踪是指对来自传感器的量测信息进行处理,以便保持对目标运动状态的估计。要想在越发复杂的探测环境下得到很好的目标跟踪效果,则需要多样化的探测手段。单一传感器在观测目标时,其自身的局限性会对观测结果产生极大的影响,而多传感器系统与单传感器跟踪系统相比具有显着的优点。多传感器融合系统包含多个同质甚至异质的传感器,为了获得更好的跟踪精度,需要合理调度分布各传感器,并从冗余的量测信息中计算出对目标运动状态的精确描述。量测信息的不确定性和目标运动的复杂性使得多传感器融合系统具有高复杂性和高集成性的特点。如何设计多传感器融合算法提高多传感器融合系统在复杂环境下的跟踪能力,是本文关注的主要问题。本文首先针对传统融合滤波方法对机动目标融合跟踪性能差的情况,提出了基于无迹卡尔曼滤波器(UKF)和Elman神经网络的多传感器融合算法。通过引入Elman神经网络,对融合结果进行补偿,从而显着提高融合跟踪的精度。此外,使用分层形式的序贯协方差交叉融合算法,将求解一个高维的非线性优化问题转化为求解若干个一维非线性函数最优化问题。随后针对在现实场景下,多传感器融合系统中的融合中心接收到的多为来自各个传感器的异步量测数据的问题,提出了更加通用的基于交互式多模型(IMM)和径向基函数(RBF)神经网络的多传感器异步融合算法。使用交互多模型作为运动目标的预测模型,将融合中心每个融合周期内获得的异步量测信息按照时间顺序排列,以此进行序贯滤波,并将相关结果送入RBF神经网络中进行在线学习,获得更加精确的融合滤波结果。最后为了便于融合算法的研究并验证本文提出的融合算法的有效性,设计了多雷达融合跟踪系统仿真平台。用户可以根据需要对各个雷达的观测精度进行配置,选择融合跟踪算法,融合结果和误差信息将以直观的形式通过界面显示出来。
王泰花[5](2018)在《探测器软着陆小行星优化控制与导航方法研究》文中研究表明目前,小行星探测活动受到越来越多的关注,成为一个国家综合实力的象征,因此世界各国不断开展小行星探测活动并制定长远探测计划。在小行星探测活动中,有效的导航与控制方法是实现探测器安全着陆的关键。本文针对探测器安全软着陆目标小行星的问题,研究了探测器下降着陆过程中的导航滤波和控制方法。本文主要研究内容包括:首先,分析小行星形状特点和深空环境特点,将目标小行星近似为三轴椭球体,采用球谐系数法建立了小行星引力场模型;利用坐标系之间的转换矩阵,建立探测器在着陆点坐标系下的动力学模型。根据探测器下降轨迹边界条件,设计探测器下降过程中的期望运动轨迹;以探测器实际运动轨迹为约束,建立基于探测器位置和速度误差的系统误差方程。其次,通过分析探测器的运动过程以及导航过程,研究了基于光学信息的导航方法,建立了探测器的导航观测方程和状态方程。在分析导航滤波过程的基础上,研究了交互多模型滤波算法,将系统的滤波协方差引入权值信息中,设计了改进模型权值信息的交互多模型滤波器,实现了探测器运动状态估计。仿真实验结果验证了改进模型权值信息的交互多模型滤波算法的可行性和有效性。最后,以探测器下降着陆目标小行星控制要求为约束条件,设计了一种基于快速双幂次趋近律的探测器下降段双滑模面控制器。采用快速双幂次趋近律加快系统误差收敛速率,保证探测器按照预设期望轨迹着陆目标小行星。针对系统存在参数不确定性和未知干扰的问题,设计了基于RBF神经网络的补偿控制器。根据探测器在着陆段的运动特性,采用快速双幂次趋近律滑模控制方法以实现探测器的垂直软着陆。仿真实验结果表明所设计的控制器可保证探测器按照预设轨迹快速下降至期望位置,满足了探测器安全着陆的要求。
张凤云[6](2015)在《基于VSMMUKF的移动机器人故障诊断》文中进行了进一步梳理科学技术飞跃发展的今天,机器人渐渐深入运用到民用、军事科研等各个领域。如组装工厂的机械臂,医用的医疗机器人,用于水文探测的机器鱼,用于军事领域的无人机无人潜艇等。然而,随着机器人工作时间的增长,以及所处环境的复杂多变,机器人的可靠性降低,机器人会随之发生机械故障或者系统故障,可能会直接影响机器人的工作效率甚至会使机器人完全瘫痪从而造成严重的损失。由此可见,对于机器人的故障诊断方法的研究,有着非常重要的理论和实际意义。在工业上、科研上和军事上常用于移动机器人故障诊断方法可以分为三种类型:基于信号处理的方法,基于知识的方法和基于解析模型的方法。相对于其他的故障诊断系统来说,能够很容易得到移动机器人的动力学模型和速度、角速度传感器数学模型,因此对于移动机器人故障诊断的方法中主要以解析模型的方法为主。传统的解析模型的方法多以固定结构的交互多模型算法为主,当考虑组合故障的时候,移动机器人的故障空间会相对较大,模型集数量较多,传统方法中无关模型的模型竞争会使估计精度降低,诊断的准确率降低。当系统是一个非线性非高斯系统的时候,传统的用于非线性系统的滤波算法是扩展卡尔曼滤波,但是由于其要计算雅各比矩阵,计算量大,计算复杂度高,而且其计算精度低。本文将变结构多模型算法与无味卡尔曼滤波结合起来,不但解决了当考虑组合故障所带来的大模型集导致的模型竞争问题,也解决了传统的用于非线性系统滤波的扩展卡尔曼滤波计算精度低的问题,最后的仿真结果显示了该方法用于移动机器人故障诊断时候降低了响应时间提高了精确度。
曹阳[7](2014)在《采用自调整模糊变结构控制的机载激光通信视轴稳定研究》文中提出机载激光通信的动态视轴稳定是建立激光通信链路的首要前提,传统的粗跟踪控制方法不能克服载体扰动及参数变化对系统的不利影响,影响了视轴稳定精度。根据控制系统的任务,将论域自调整模糊控制与滑模变结构控制的思想相融合,在稳定的误差相平面内构造稳定的滑模面。理论分析和模拟实验结果表明,该方法消除了系统的抖振现象,改善了系统的瞬态性能,对机载通信平台受到的扰动及参数变化具有完全的自适应性。因此自调整模糊变结构控制具有一定鲁棒性,且控制算法简单,可望获得工程应用。
焦迎雪[8](2013)在《改进的交互多模型粒子滤波算法在机动目标跟踪中的应用》文中指出目标跟踪是研究目标运动不能被准确描述的目标运动估计的问题,它被广泛的应用于航海、航空以及安全防御等领域的跟踪、定位以及目标拦截等系统中。目标跟踪算法的主要内容包括建立能够准确地描述目标运动状态的数学模型和设计与之相匹配的能够进行精确地状态估计的滤波算法。由于现代目标跟踪问题变的越来越复杂,目标机动性越来越高,所以对于目标跟踪算法的跟踪性能的要求也越来越高。主要的建模方法包括匀速直线运动模型、匀加速直线运动模型和机动转弯模型等。其中近年来提出的交互式多模型(Interacting-Multiple Model, IMM)算法在解决机动目标跟踪问题时较为有效,IMM算法是利用假设的描述目标机动方式的多个模型来对目标进行跟踪。传统的IMM算法的子模型通常选用卡尔曼滤波器,由于卡尔曼线滤波算法要求状态空间模型为线性高斯白噪声模型。然而即使IMM的每个模型的状态后验概率密度为高斯分布,但进行交互后它的的概率密度也可能变成非高斯分布的形式,使得传统的IMM算法的应用具有一定的局限性,所以需要研究选取合适的匹配滤波算法。粒子滤波算法是一种通过蒙特卡罗模拟实现的递推次优贝叶斯估计算法,当目标处于强非线性或者高度机动性的情况下,其滤波性能相对很高,精度可近似逼进最优估计并且使用灵活、容易实现,且具有并行运算结构和实用性强的特点,所以在目标跟踪领域具有广泛的应用。本文主要对交互式多模型粒子滤波算法进行了深入的研究。通过研究目标建模方法和滤波估计理论对交互多模型粒子滤波算法的算法原理进行详细分析,然后介绍了交互多模型与粒子滤波算法相结合应用在强非线性条件下并和以往的与KF算法和EKF算法相结合的传统的交互多模型算法的滤波性能进行比较。提出传统的交互多模型粒子滤波算法存在的问题并针对提出的问题对交互多模型粒子滤波算法进行改进。具体的改进方法是通过调整目标状态方程的似然函数来调整粒子权重值,使得采样粒子更加接近状态真实值,从而使后验概率的估计更加准确得到的机动目标跟踪的估计结果更加精确,并通过MATLAB仿真实验比较各种目标跟踪方法,证明了IMMPF的优越性。
徐明慧,孔令讲[9](2011)在《基于道路信息的机动小目标跟踪》文中指出道路上运动的小目标因密集的交通、大量的虚假点迹以及强烈的机动能力导致其跟踪较难,文中提出了一种利用道路信息改善机动小目标跟踪性能的方法,该方法通过比较道路结构、分叉、交叉等信息和航迹当前所在位置,调整交互多模型的模型数和模型结构,即变结构交互多模型,并通过判断航迹的方向是否与道路的方向一致管理航迹。仿真结果说明与传统的交互多模型相比,结合了道路信息的方法明显提高了机动小目标的跟踪精度,并提高了监测区域内的目标航迹检测概率,同时降低了监测区域内虚假航迹数目和寿命。
郝燕玲,孟凡彬,孙枫,沈锋[10](2011)在《基于IMM的UK-GMPHDF算法在多机动目标跟踪中的应用》文中指出为解决非线性系统滤波的非线性和多机动目标跟踪问题,提出了一种基于交互多模型(IMM)的无迹卡尔曼实现的高斯混合概率假设密度滤波(UK-GMPHDF)算法.该算法结合了IMM算法对不同目标机动模型的自适应能力和UK-GMPHD滤波精度高、计算量小的优点.此外,滤波器利用UK-GMPHD滤波,不仅避免了难以解决的数据关联问题,而且可以联合估计目标数和目标状态.在非线性系统和杂波环境下,通过对多机动目标跟踪的应用仿真,将该算法和基于单模型的UK-GMPHDF算法进行了比较,仿真结果表明了基于IMM的UK-GMPHDF算法具有较好的跟踪性能,大大提高了多机动目标跟踪精度,减少了跟踪的多目标误差.
二、自调整交互多模型(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、自调整交互多模型(论文提纲范文)
(1)基于交互多模型的目标跟踪方法研究(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 目标跟踪模型的研究现状 |
1.2.2 跟踪滤波算法研究现状 |
1.3 本文研究内容及章节安排 |
第2章 目标跟踪的基础理论研究 |
2.1 引言 |
2.2 目标跟踪的单模型算法介绍 |
2.2.1 匀速运动和匀加速运动模型 |
2.2.2 转弯模型 |
2.2.3 一阶时间相关模型 |
2.2.4 “当前”统计模型 |
2.2.5 Jerk模型 |
2.2.6 “蛇型”机动模型 |
2.3 多模型跟踪算法的研究与分析 |
2.3.1 第一代多模型算法 |
2.3.2 第二代多模型算法 |
2.3.3 第三代多模型算法 |
2.4 本章小结 |
第3章 跟踪系统中的滤波算法研究 |
3.1 引言 |
3.2 常用的滤波算法 |
3.2.1 卡尔曼滤波算法 |
3.2.2 扩展卡尔曼滤波算法 |
3.2.3 无迹卡尔曼滤波算法 |
3.3 容积卡尔曼滤波算法 |
3.3.1 坐标变换 |
3.3.2 球面准则 |
3.3.3 相径准则 |
3.3.4 球面-相径容积准则 |
3.3.5 容积卡尔曼滤波算法步骤 |
3.4 五阶容积卡尔曼滤波算法 |
3.5 自适应五阶容积卡尔曼滤波算法 |
3.6 算法仿真及结果分析 |
3.6.1 仿真背景 |
3.6.2 UKF、CKF、5CKF和 A5CKF算法仿真分析 |
3.7 本章小结 |
第4章 交互多模型算法的分析与改进 |
4.1 引言 |
4.2 交互多模型算法 |
4.2.1 交互多模型算法的原理 |
4.2.2 交互多模型算法的不足 |
4.3 基于马尔可夫参数自适应的IMM算法 |
4.3.1 传统的马尔可夫参数自适应的IMM算法 |
4.3.2 改进的马尔可夫参数自适应的IMM算法 |
4.3.3 仿真实验分析 |
4.4 基于模糊自适应的IMM算法 |
4.4.1 传统的基于模糊自适应的IMM算法 |
4.4.2 模糊控制器的设计 |
4.4.3 改进的基于模糊自适应的IMM算法 |
4.4.4 仿真实验及分析 |
4.5 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 |
(2)空间非合作机动目标确定与主动规避方法(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 研究背景与意义 |
1.2 相关领域研究现状 |
1.2.1 空间相对导航测量研究现状 |
1.2.2 机动目标跟踪研究现状 |
1.2.3 空间非合作目标搜索研究现状 |
1.2.4 航天器机动规避策略研究现状 |
1.3 论文研究内容 |
1.3.1 选题依据 |
1.3.2 研究内容 |
第二章 基础理论与模型 |
2.1 引言 |
2.2 基本动力学模型 |
2.2.1 坐标系定义 |
2.2.2 相对运动方程 |
2.3 扩展卡尔曼滤波基本理论 |
2.3.1 非线性过程滤波估计 |
2.3.2 扩展卡尔曼滤波器计算原理 |
2.4 比例导引律基本模型 |
2.5 相对导航观测模型 |
2.6 小结 |
第三章 基于非线性偏差演化的空间非合作目标天基搜索方法 |
3.1 引言 |
3.2 基于状态转移张量的非线性偏差演化分析方法 |
3.2.1 状态转移张量的计算与拼接 |
3.2.2 相对状态空间误差转换 |
3.3 空间非合作目标天基搜索方法 |
3.3.1 相机探测模型 |
3.3.2 相机指向搜索策略 |
3.4 算例分析 |
3.4.1 问题配置 |
3.4.2 结果分析 |
3.5 小结 |
第四章 基于当前统计模型的空间非合作机动目标导航滤波 |
4.1 引言 |
4.2 基于当前统计模型的非合作机动目标滤波算法 |
4.2.1 目标器机动加速度的概率密度模型 |
4.2.2 目标器机动加速度非零均值时间相关模型 |
4.2.3 当前统计模型自适应滤波算法 |
4.3 基于当前统计Jerk模型的非合作机动目标滤波算法 |
4.3.1 目标器机动加加速度的概率密度模型 |
4.3.2 目标器机动加加速度非零均值时间相关模型 |
4.3.3 当前统计Jerk模型自适应滤波算法 |
4.4 相对加速度计算方法 |
4.5 算例分析 |
4.5.1 问题配置 |
4.5.2 算例分析 |
4.6 小结 |
第五章 基于机动目标滤波估计的主动规避策略 |
5.1 引言 |
5.2 基于最大化相对距离的主动机动规避策略 |
5.2.1 设计变量及目标函数构造 |
5.2.2 逃逸器主动规避控制加速度 |
5.3 基于最大化视线偏转率的主动机动规避策略 |
5.3.1 追踪器比例导引制导指令加速度 |
5.3.2 逃逸器主动规避控制加速度 |
5.3.3 规避策略实施流程 |
5.4 算例分析 |
5.4.1 问题配置 |
5.4.2 结果分析 |
5.5 小结 |
第六章 目标确定与主动规避地面半实物仿真实验 |
6.1 引言 |
6.2 九自由度相对运动平台与实验需求分析 |
6.2.1 运动平台系统组成 |
6.2.2 运动模拟系统与实验需求 |
6.2.3 航天器模型与实验需求 |
6.2.4 图像处理与实验需求 |
6.2.5 上位机软件与实验需求 |
6.3 非合作机动目标确定与主动规避半实物仿真实验设计 |
6.3.1 半实物仿真实验原理 |
6.3.2 测量误差标定 |
6.3.3 实验方案流程 |
6.4 实验结果与分析 |
6.4.1 平台模拟空间近距离操作可行性验证实验 |
6.4.2 空间非合作目标搜索识别实验 |
6.4.3 空间非合作机动目标导航滤波实验 |
6.4.4 逃逸器主动机动规避实验 |
6.5 小结 |
结束语 |
论文的主要研究成果 |
进一步工作展望 |
致谢 |
参考文献 |
作者在学期间取得的学术成果 |
附录 滤波算法中系统误差协方差矩阵表达式 |
(3)无线传感器网络目标跟踪算法研究(论文提纲范文)
摘要 |
ABSTRACT |
符号对照表 |
缩略语对照表 |
第一章 绪论 |
1.1 研究背景与意义 |
1.2 研究现状 |
1.3 论文主要工作内容与结构安排 |
第二章 无线传感器网络及其目标跟踪的理论基础 |
2.1 无线传感器络的结构与特征 |
2.2 无线传感器网络的技术与应用 |
2.3 无线传感器网络的跟踪过程 |
2.4 目标跟踪结果的评价指标 |
2.5 本章小结 |
第三章 基于轨迹预测融合的目标跟踪算法 |
3.1 引言 |
3.2 问题规划 |
3.3 系统模型与基础卡尔曼滤波 |
3.3.1 目标运动模型 |
3.3.2 测量模型 |
3.3.3 传感器噪声统计方法 |
3.3.4 卡尔曼滤波 |
3.4 基于轨迹预测融合的目标跟踪 |
3.4.1 基于前驱最优定位序列的轨迹预测方法 |
3.4.2 基于EKF与轨迹预测融合的目标跟踪算法 |
3.4.3 基于MLKF与轨迹预测融合的目标跟踪算法 |
3.5 仿真实验与结果分析 |
3.5.1 实验参数说明 |
3.5.2 实验结果与分析 |
3.6 本章小结 |
第四章 基于轨迹预测初定位的目标跟踪算法 |
4.1 引言 |
4.2 问题规划 |
4.3 基于轨迹预测初定位的目标跟踪 |
4.3.1 基于轨迹预测的目标初步定位 |
4.3.2 基于轨迹预测初定位的EKF目标跟踪算法 |
4.3.3 基于轨迹预测初定位的MLKF目标跟踪算法 |
4.4 仿真实验与结果分析 |
4.4.1 实验与分析 1 |
4.4.2 实验与分析 2 |
4.5 本章小结 |
第五章 基于动态交互多模型的机动目标跟踪算法 |
5.1 引言 |
5.2 结合加速度信息的系统模型 |
5.2.1 目标运动模型 |
5.2.2 测量模型 |
5.2.3 Singer模型 |
5.2.4 轨迹预测模型 |
5.3 基于PT与Singer模型的动态交互多模型目标跟踪算法 |
5.4 仿真实验与结果分析 |
5.4.1 模型参数说明 |
5.4.2 曲线机动上的跟踪实验 |
5.4.3 直线机动上的跟踪实验 |
5.5 本章小结 |
第六章 总结与展望 |
6.1 总结 |
6.2 展望 |
参考文献 |
致谢 |
作者简介 |
(4)基于神经网络的多传感器融合方法研究(论文提纲范文)
摘要 |
Abstract |
1 绪论 |
1.1 研究背景与意义 |
1.2 多传感器融合技术发展现状 |
1.2.1 机动目标跟踪研究现状 |
1.2.2 多传感器融合研究现状 |
1.2.3 神经网络的研究现状 |
1.3 主要研究内容 |
1.4 论文的结构安排 |
2 多传感器融合系统理论基础 |
2.1 常用坐标系及其转换 |
2.1.1 融合跟踪系统常用坐标系 |
2.1.2 坐标系转换公式 |
2.2 卡尔曼滤波器 |
2.3 协方差交叉融合 |
2.4 机动目标的运动模型 |
2.4.1 常速度模型 |
2.4.2 常加速度模型 |
2.4.3 Singer模型 |
2.4.4 转弯模型 |
2.5 多传感器融合的功能模型 |
2.6 多传感器融合的处理结构 |
2.6.1 集中式融合处理结构 |
2.6.2 分布式融合处理结构 |
2.6.3 混合式融合处理结构 |
3 基于UKF和 Elman神经网络的多传感器融合算法 |
3.1 引言 |
3.2 Elman神经网络 |
3.2.1 网络特点 |
3.2.2 网络结构 |
3.3 无迹卡尔曼滤波器 |
3.3.1 无迹变换 |
3.3.2 滤波算法实现 |
3.4 基于UKF和Elman神经网络的融合算法 |
3.4.1 观测目标的运动模型修正 |
3.4.2 序贯形式的协方差交叉融合算法 |
3.4.3 Elman神经网络的结构设计 |
3.4.4 算法流程描述 |
3.5 仿真分析 |
3.5.1 仿真场景 |
3.5.2 实验与分析 |
3.6 本章小结 |
4 基于IMM和 RBF神经网络的多传感器异步融合算法 |
4.1 引言 |
4.2 序贯融合 |
4.3 交互多模型滤波算法 |
4.4 RBF神经网络 |
4.4.1 径向基函数 |
4.4.2 网络结构 |
4.4.3 学习方法 |
4.5 基于IMM和 RBF神经网络的融合算法 |
4.5.1 采样描述 |
4.5.2 RBF网络设计 |
4.5.3 算法流程 |
4.6 仿真分析 |
4.6.1 仿真场景 |
4.6.2 实验与分析 |
4.7 本章小结 |
5 多雷达航迹融合仿真平台设计与实现 |
5.1 系统总体框架设计 |
5.1.1 输入模块 |
5.1.2 配置模块 |
5.1.3 融合模块 |
5.1.4 显示模块 |
5.1.5 统计模块 |
5.1.6 存储模块 |
5.2 仿真环境 |
5.2.1 软件环境 |
5.2.2 硬件环境 |
5.3 系统测试 |
5.4 本章小结 |
6 总结和展望 |
6.1 主要成果 |
6.2 未来展望 |
致谢 |
参考文献 |
附录 |
(5)探测器软着陆小行星优化控制与导航方法研究(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 小行星探测活动概述 |
1.3 下降着陆段探测器导航与控制方法研究现状 |
1.3.1 探测器导航与滤波方法研究现状 |
1.3.2 探测器下降着陆段控制方法研究现状 |
1.4 主要研究内容及章节安排 |
第2章 小行星引力场模型和探测器动力学模型建立 |
2.1 目标小行星的引力场模型建立 |
2.2 探测器的动力学模型建立 |
2.2.1 探测器运动过程分析 |
2.2.2 探测器坐标变换 |
2.2.3 探测器动力学模型建立 |
2.3 探测器系统误差方程建立 |
2.4 本章小结 |
第3章 基于光学信息的导航滤波方法研究 |
3.1 光学辅助惯性导航方法 |
3.2 探测器滤波模型建立 |
3.2.1 光学测量模型建立 |
3.2.2 导航滤波状态方程建立 |
3.3 改进模型权值信息的交互多模型滤波器设计 |
3.4 仿真实验研究与结果分析 |
3.5 本章小结 |
第4章 探测器下降着陆段快速双幂次滑模控制器设计 |
4.1 双滑模面控制器设计 |
4.1.1 双滑模面控制方法研究 |
4.1.2 双滑模面控制方法稳定性分析 |
4.2 快速双幂次趋近律的双滑模面控制器设计 |
4.2.1 双幂次趋近律滑模控制方法研究 |
4.2.2 快速双幂次趋近律滑模控制方法研究 |
4.2.3 快速双幂次的双滑模面控制器设计 |
4.3 基于RBF神经网络的补偿控制器设计 |
4.4 探测器着陆段控制器设计 |
4.5 仿真实验研究与结果分析 |
4.6 本章小结 |
第5章 全文总结与展望 |
致谢 |
参考文献 |
作者简介 |
攻读硕士学位期间研究成果 |
(6)基于VSMMUKF的移动机器人故障诊断(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 前言 |
1.2 故障诊断的研究现状 |
1.2.1 基于信号处理的方法 |
1.2.2 基于知识的方法 |
1.2.3 基于解析模型的方法 |
1.3 移动机器人故障诊断的研究现状 |
1.3.1 基于信号处理的方法 |
1.3.2 基于知识的方法 |
1.3.3 基于解析模型的方法 |
1.4 移动机器人的故障分类 |
1.5 移动机器人故障诊断的特点和难点 |
1.6 论文主要工作及章节安排 |
第二章 无味卡尔曼滤波 |
2.1 卡尔曼滤波 |
2.1.1 贝叶斯估计 |
2.1.2 卡尔曼滤波方程 |
2.2 扩展卡尔曼滤波方程 |
2.3 无味卡尔曼滤波 |
2.3.1 无味变换 |
2.3.2 采样策略 |
2.3.3 UKF 方程 |
2.4 仿真分析 |
2.5 本章小结 |
第三章 变结构多模型算法 |
3.1 多模型算法的发展 |
3.2 交互多模型算法 |
3.2.1 交互多模型算法的原理 |
3.2.2 交互多模型算法的计算过程 |
3.3 IMM 的局限性 |
3.4 VSMM 的原理 |
3.5 MSA 算法 |
3.5.1 有向图的简介 |
3.5.2 三种 MSA 算法 |
3.6 常见的 VSMM 算法 |
3.7 MGS 算法 |
3.7.1 MGS 的特点 |
3.7.2 MGS 的步骤 |
3.7.3 MGS 算法设计 |
3.7.3.1 模型集覆盖 |
3.7.3.2 模型群激活和终止逻辑 |
3.7.3.3 模型群的初始化 |
3.7.3.4 MGS 算法的初始化 |
3.8 仿真分析 |
3.9 本章小结 |
第四章 基于 VSMM_UKF 的移动机器人故障诊断 |
4.1 移动机器人的动力学模型 |
4.2 模型群覆盖设计 |
4.3 模型群激活和终止逻辑 |
4.4 新激活模型群的模型转移概率 |
4.5 基于 MGS 故障诊断算法的过程 |
4.5.1 故障诊断的流程图 |
4.5.2 VSMM_UKF 的算法过程 |
4.6 仿真实验 |
4.6.1 仿真内容的设定 |
4.6.2 初始化参数设定 |
4.7 仿真结果分析 |
4.8 本章小结 |
第五章 总结 |
5.1 主要工作回顾 |
5.2 需进一步研究的地方 |
参考文献 |
个人简历 在读期间发表的学术论文 |
致谢 |
(7)采用自调整模糊变结构控制的机载激光通信视轴稳定研究(论文提纲范文)
0 引言 |
1 变结构控制数学模型 |
2 自调整模糊变结构控制器设计 |
3 仿真分析 |
4 结论 |
(8)改进的交互多模型粒子滤波算法在机动目标跟踪中的应用(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 课题研究的背景及意义 |
1.2 交互多模粒子滤波算法的发展现状 |
1.3 本文的主要内容 |
1.3.1 机动目标跟踪 |
1.3.2 交互多模型粒子滤波算法 |
1.4 论文章节安排 |
第二章 机动目标跟踪模型 |
2.1 机动目标数学模型 |
2.2 CV/CA模型 |
2.3 其它模型 |
2.3.1 时间相关模型 |
2.3.2 半马尔可夫模型 |
2.3.3 Noval统计模型 |
2.3.4 机动目标“当前”统计模型 |
2.3.5 机动转弯模型 |
2.4 交互式多模型 |
2.4.1 多模算法发展概述 |
2.4.2 交互式多模算法 |
2.5 仿真分析与比较 |
2.6 本章小结 |
第三章 滤波状态估计 |
3.1 滤波状态估计理论 |
3.1.1 滤波状态估计的目的 |
3.1.2 滤波状态估计的基本原理 |
3.1.3 贝叶斯准则 |
3.2 卡尔曼滤波算法 |
3.3 扩展卡尔曼滤波算法 |
3.4 粒子滤波算法 |
3.4.1 蒙特卡罗方法 |
3.4.1.1 蒙特卡罗方法的基本原理 |
3.4.1.2 蒙特卡罗方法的步骤 |
3.4.2 粒子滤波算法 |
3.5 仿真分析与比较 |
3.6 本章小结 |
第四章 改进的交互多模型粒子滤波算法 |
4.1 传统的交互多模型粒子滤波算法 |
4.1.1 交互式多模型建模原理 |
4.1.2 粒子滤波算法原理 |
4.1.3 交互多模粒子滤波算法 |
4.2 改进的交互多模粒子滤波算法 |
4.3 本章小结 |
第五章 改进的交互多模型粒子滤波算法在机动目标跟踪中的应用与仿真分析 |
5.1 IMMPF在机动目标跟踪中的应用 |
5.2 改进的IMMPF算法在机动目标跟踪中的应用 |
5.3 实验与仿真 |
5.4 本章小结 |
第六章 总结和展望 |
参考文献 |
致谢 |
攻读学位期间发表的学术论文目录 |
(9)基于道路信息的机动小目标跟踪(论文提纲范文)
1 引 言 |
2 目标运动模型 |
3 算法模型 |
4 仿 真 |
5 结束语 |
四、自调整交互多模型(论文参考文献)
- [1]基于交互多模型的目标跟踪方法研究[D]. 任培文. 哈尔滨工程大学, 2020(05)
- [2]空间非合作机动目标确定与主动规避方法[D]. 李皓皓. 国防科技大学, 2019(02)
- [3]无线传感器网络目标跟踪算法研究[D]. 丁琪琪. 西安电子科技大学, 2019(02)
- [4]基于神经网络的多传感器融合方法研究[D]. 朱先秋. 南京理工大学, 2019(06)
- [5]探测器软着陆小行星优化控制与导航方法研究[D]. 王泰花. 长春工业大学, 2018(08)
- [6]基于VSMMUKF的移动机器人故障诊断[D]. 张凤云. 华东交通大学, 2015(11)
- [7]采用自调整模糊变结构控制的机载激光通信视轴稳定研究[J]. 曹阳. 红外与激光工程, 2014(10)
- [8]改进的交互多模型粒子滤波算法在机动目标跟踪中的应用[D]. 焦迎雪. 太原理工大学, 2013(02)
- [9]基于道路信息的机动小目标跟踪[J]. 徐明慧,孔令讲. 雷达科学与技术, 2011(06)
- [10]基于IMM的UK-GMPHDF算法在多机动目标跟踪中的应用[J]. 郝燕玲,孟凡彬,孙枫,沈锋. 系统工程理论与实践, 2011(11)