一、一种基于Snake和强跟踪滤波器的目标跟踪方法（论文文献综述）
李中强[1]（2021）在《基于模糊逻辑强跟踪的交互式多模型电力负荷建模研究》文中研究表明电力负荷模型是电力系统规划设计、调度运行和分析研究的基础,尤其是电力系统稳定性分析的重要依据。负荷建模的难点在于负荷的随机性和时变性。单一的负荷模型难以准确描述复杂的负荷时变特性,负荷建模方法难以获得准确的反映负荷时变性且具有鲁棒性的负荷模型参数。交互式多模型算法可以有效解决系统变结构或参数时变下的目标跟踪问题,为解决负荷建模中的时变性和鲁棒性问题提供了参考。本文研究了基于模糊逻辑强跟踪的交互式多模型负荷建模方法,具体内容如下:（1）负荷时变、随机的特性使得难以获得对负荷模型精确的先验知识,负荷建模中存在的模型误差和测量噪声也影响着负荷建模的精确性,本文提出了一种基于模糊逻辑强跟踪的交互式多模型负荷建模方法,将负荷模型的负荷特性和参数辨识问题转化为电力负荷的准确跟踪。构造负荷模型集,通过模型遴选选择出最优模型参与交互;根据混合概率,对状态估计和误差协方差进行混合,作为滤波的输入量;利用强跟踪滤波器对模型进行滤波,考虑测量中存在的测量噪声的影响,构建自适应模糊逻辑强跟踪滤波器,自适应调整噪声协方差矩阵;根据模型更新后的权重,对状态估计量与误差协方差矩阵进行融合输出,得到符合系统实际特性的综合负荷模型。（2）研究基于正交性原理的强跟踪滤波方法,引入渐消因子,实时调整滤波增益,保证过程参数和模型参数相匹配;降低对初值和噪声的敏感性,提高测量信息的作用。一方面满足负荷有功功率和无功功率的估计值与测量值之间的误差最小的性能指标,另一方面满足新息序列处处保持正交的性能指标,提高在稳态和突变状态下对负荷特性的跟踪能力。（3）研究负荷建模中模糊逻辑自适应滤波的方法,根据负荷数据电压和新息的变化,建立电压和新息变化的模糊化定义,构建负荷数据测量噪声推理的模糊规则库,噪声协方差去模糊化输出采用加权平均法。构造负荷建模中的模糊逻辑算法,根据测量数据中噪声的变化而自适应调整噪声协方差矩阵。一方面噪声协方差矩阵在预测方程中直接影响协方差和增益矩阵;另一方面,噪声协方差矩阵通过确定时变渐消因子的大小,影响增益矩阵,其数值越大,得到的渐消因子越大,滤波估计的速度越快,在不同测量噪声的情况下保持负荷建模的准确性。在PSCAD/EMTDC仿真软件中搭建负荷模型仿真系统,测量得到负荷特性数据,通过MATLAB软件编程进行验证。仿真结果表明,该方法具有良好的鲁棒性,提高了负荷建模的精度和速度,能建立准确的负荷模型。
张冰[2]（2020）在《全线控电动汽车不同行驶模式的轨迹跟踪控制研究》文中指出在交通环境日趋复杂的今天,对车辆底盘灵活性要求越来越高,应社会发展需求,随着电控系统技术的迅速提升,基于分布式底盘的全线控电动汽车将会成为解决复杂交通环境问题的主要交通工具。全线控电动汽车具有四轮独立驱动/制动/转向的独特结构,结合控制手段可以实现更加灵活、高效的轨迹跟踪,为智能驾驶技术发展带来了许多新的可能。目前针对全线控电动汽车轨迹跟踪控制的研究中多将其视为期望运动实现的基础平台,结合传统底盘车辆控制思想实现其轨迹跟踪控制方法的设计,难以充分发挥全线控电动汽车的优势。因此,本论文依托国家自然科学基金资助项目“分布式全线控电动汽车可重构集成控制策略研究”（项目编号:51505178）及吉林省“十三五”教育厅科学技术项目“基于线控底盘的分布式电动汽车动力学建模与协同控制”（项目编号:JJKH20200963KJ）,从全线控电动汽车灵活机动特性出发,考虑其动力学特性,研究了不同行驶模式的全线控电动汽车轨迹跟踪控制方法,具体研究内容可总结为如下几个部分:1)对全线控电动汽车运动状态估算方法进行了研究:针对驱动系统轮毂电机力矩突变以及车辆模型不确定性等原因所造成的车辆运动状态观测不准确问题,提出一种双结构强跟踪滤波（Double Strong Tracking Filter,DSTF）运动状态观测器。采用强跟踪滤波（Strong Tracking Filter,STF）方法分别对基于轮毂电机的驱动系统状态及整车运动状态进行观测,并利用两个滤波器之间的数据共享,结合强跟踪滤波方法对模型不确定性的鲁棒性以及对信号变化的强跟踪能力,快速、精确地获取整车运动状态信息。通过仿真对比验证了所设计的全线控电动汽车DSTF观测器可以在无信号突变情况下准确获取整车运动状态;当驱动系统轮毂电机状态信号发生突变造成整车运动状态变化时,所提出的观测器仍然具有快速、准确的信号处理与估算能力,相比于现有的全线控电动汽车运动状态观测器,提高了对整车运动状态的观测能力。2)针对紧急工况,为满足严格轨迹跟踪精度需求以保证无人驾驶安全性,利用全线控电动汽车灵活特性优势,研究一种不同行驶模式融合的轨迹跟踪控制方法。首先基于分层式集成控制架构结合模型预测控制（Model Predictive Control,MPC）方法对四轮独立驱动/制动/转向底盘的轨迹跟踪控制器进行设计,其中结合人工势场法在MPC轨迹跟踪控制优化目标中引入避障势场函数,实现动态避障功能。其次基于线性化摩擦圆约束结合二次规划方法,对期望车体广义力/力矩进行分配,结合引入轮胎逆模型的执行器执行层,实现期望轨迹跟踪运动。在上述基础上,摒弃传统通过驾驶员在低速工况中对不同转向模式进行手动选择与严格切换的方法,首先以车辆跟踪轨迹时姿态为特征将车辆行驶模式划分为传统与非传统行驶模式,并设计一种自动融合不同行驶模式的全线控电动汽车轨迹跟踪控制方法,其中在MPC轨迹跟踪器中引入可变的优化控制目标,设计变权重调整器结合MPC框架对车辆动力学的约束能力,通过控制传统与非传统行驶模式不同程度的融合,实现更加灵活与精确的轨迹跟踪控制;仿真结果表明了提出的全线控电动汽车不同行驶模式融合轨迹跟踪控制方法可以有效提高轨迹跟踪精度。3)在轨迹跟踪精度要求低的工况中,为适应长期基于传统架构底盘形成的驾驶习惯,提高乘坐舒适性,针对全线控电动汽车传统行驶模式,研究了一种兼顾不同动力学稳定性需求的自适应MPC轨迹跟踪控制方法。首先结合传统行驶模式对控制架构进行重组以改善预测控制实时性能,并利用（质心侧偏角-质心侧偏角速度,β-（?））相平面对车辆稳定性较强的表征能力对动力学稳定性进行判断与量化,结合稳定性量化指标与给定阈值,根据MPC控制器中预测域对全线控电动汽车动力学稳定性的影响对其进行在线调节;针对自适应MPC轨迹跟踪控制中存在的数学问题,在目标函数中引入递减指数权重,解决系统“病态”导致的预测域切换过程中扰动问题,同时降低了控制系统对干扰的敏感性;设置长的控制域对处于动力学稳定状态中的车辆轨迹与横摆跟踪能力进行优化,通过引入Laguerre函数序列对控制域中的控制序列进行拟合,将优化变量从多个控制增量转化为少量的拟合参数,从而在不增加优化求解计算复杂度的基础上提高了动力学稳定状态下对参考轨迹与期望横摆的跟踪精度。通过仿真结果得出,针对符合传统驾驶与乘车习惯的全线控电动汽车传统行驶模式,所提出的自适应MPC轨迹跟踪控制方法与传统MPC轨迹跟踪控制方法相比在跟踪精度上有大幅度提升,并通过优化进一步提升了动力学稳定状态下的轨迹跟踪精度,验证了提出方法的有效性。4)针对本论文所提出的方法进行试验验证。首先利用全线控电动汽车采集并合成模拟轮毂电机故障与试验噪声的试验数据,对提出DSTF运动状态观测器进行验证;基于驾驶模拟器,搭建不同行驶模式融合的全线控电动汽车轨迹跟踪控制器及传统行驶模式下的自适应MPC轨迹跟踪控制器,并对相应方法进行实时性优化,在中高速工况中引入执行器延迟,对提出方法进行模型在环验证。试验结果表明针对不同工况需求的轨迹跟踪控制方法均可以获得良好的轨迹跟踪控制效果,验证了方法的有效性。
宁子健[3]（2020）在《基于多雷达平台校准的目标跟踪融合滤波》文中提出近年来,目标跟踪技术被广泛的应用在制导、导航、控制等领域。随着技术的发展,只依靠单源雷达已经无法满足跟踪精度的需求,因此,多雷达协同目标跟踪应运而生。多雷达协同目标跟踪能够通过对多个雷达的测量数据进行融合来获得比单源雷达更可靠的融合信息,能够更加精准的实现目标位置估计,容错性、抗干扰能力也显着增强。然而,雷达平台各元器件的离散性、各雷达平台自身的定位误差、以及使用过程中出现的老化与磨损等原因导致雷达平台系统偏差,进而影响对运动目标融合跟踪性能。为此,本文拟开展基于多雷达平台校准的目标跟踪融合滤波的方法研究。（1）针对非机动目标跟踪过程中,多个雷达平台相对于基准雷达平台存在位置偏差、旋转偏差或同时存在位置、旋转偏差的情况,分别提出了两种基于多雷达校准的非机动目标跟踪方法。当部分雷达平台相对于基准雷达平台存在位置偏差或旋转偏差时,首先将各个雷达测量通过去偏转换表示成笛卡尔坐标系中的伪线性测量,并使用卡尔曼滤波估计目标的状态。然后基于最小二乘法曲线拟合的思想估计出有偏差雷达平台的位置偏差或旋转偏差,进而实现雷达平台的偏差校准。最后使用分布式并行融合滤波方法对非机动目标进行融合跟踪。当部分雷达平台相对于基准雷达平台同时存在位置偏差与旋转偏差时,使用UKF求取的基于基准雷达的目标状态估计,并将其代入到有偏差雷达的测量方程中构造关于位置偏差与旋转偏差的伪测量方程,利用基于Unscented变换的强跟踪滤波方法对有偏差雷达的位置偏差与旋转偏差进行估计,并分别校准。最后,利用校准后的雷达平台与基准雷达平台对非机动目标进行融合跟踪。（2）针对部分雷达平台存在多种偏差情况下的机动目标跟踪问题,基于状态参数联合估计的思想,提出了两种偏差校准方法与机动目标融合跟踪方法。当部分雷达平台存在位置偏差或旋转偏差时,首先,研究基于去偏转换量测的状态参数联合估计方法,利用基准雷达平台与存在偏差雷达平台的测量信息对机动目标状态进行估计,构建雷达平台偏差的伪测量信息;然后,基于最小二乘曲线拟合的思想对雷达平台偏差进行估计与校准。最后,在分布式融合框架下,对机动目标进行融合跟踪。当部分雷达平台同时存在位置偏差与旋转偏差时,首先使用基于Unscented变换的强跟踪状态参数联合估计方法利用基准雷达平台估计机动目标的状态与机动加速度;然后将其代入到有偏差雷达的测量方程中构造关于位置偏差与旋转偏差的伪测量方程并使用基于Unscented变换的强跟状态参数联合估计方法对雷达偏差进行估计与校准;最后利用校准后的雷达平台与基准雷达平台对机动目标进行融合跟踪。
孟欣鑫[4]（2020）在《观测时滞系统状态估计融合方法的研究》文中研究表明多传感器系统的状态估计融合理论目前已经被广泛应用于军事及民用领域。估计信息的融合能够充分利用来自于不同传感器的观测信息,从而获得系统状态的最佳描述,同时能够提高系统的可靠性。然而,对于工作在复杂环境下的观测时滞系统,由于通信网络带宽限制、噪声相关性复杂、状态空间模型不匹配、多传感器观测值异步等情况的存在,给状态估计融合方法的研究带来了一系列新的问题和困难。本文以观测值随机时滞处理、噪声相关性解耦、系统模型不确定性处理和多观测值时滞特性不一致处理为基础,结合高斯滤波、强跟踪滤波、序贯滤波和分布式联邦滤波技术,分别提出了一系列的局部滤波算法和状态估计融合算法,以降低带有时间滞后特性的观测信息对融合系统的估计性能的影响。本论文的具体研究内容概括成以下几点:第一,针对融合系统中传统的局部滤波算法无法同时解决观测值带有随机时滞和过程噪声与观测噪声相关的状态估计问题,提出了带有两步随机时滞量测和噪声相关的滤波算法。首先,在高斯滤波器的框架下,通过对状态进行扩展并引入正交变换矩阵,推导了带有两步随机时滞量测和噪声相关的高斯滤波公式。然后,利用一阶线性化的方法来实现所提出的算法。最后,通过仿真实验对所提出算法的有效性和优越性进行了验证。第二,针对融合系统中的局部滤波器算法在设计过程中系统模型不准确导致状态估计精度下降的问题,提出了一种带有两步随机时滞量测和噪声相关的强跟踪滤波算法。首先,分析了标准的强跟踪滤波算法的运行机理。然后,给出了扩展正交性原理,通过计算求得渐消因子,并将其引入到系统的扩展状态预测协方差阵中,进而实现对滤波增益的实时在线调节,迫使滤波器输出的残差序列在不同时刻处处保持相互正交。最后,通过仿真实验验证了所提出的算法能够进一步提高估计精度,并具有更强的鲁棒性。第三,针对融合系统的状态估计融合方法展开研究,提出了自适应信息分配的序贯联邦滤波算法。首先,推导并分析了标准联邦滤波算法,然后,针对多传感器的观测值时滞特性不一致问题,序贯利用观测值完成所提出算法的量测更新部分,并采用估计精度衰减因子来完成融合信息在局部滤波器中的自适应分配,以得到最终的估计融合值。最后,通过仿真验证了所提出的融合算法能够实现对系统状态的精确估计。
孙博[5]（2020）在《基于模糊推理的雷达机动目标跟踪》文中研究说明随着现代航海事业的不断发展,目标的机动性越来越高,这严重影响着水上交通的安全。模糊推理具有类似于人类大脑的思维,可用于目标机动状态的预测估计,以便提高机动目标的跟踪性能。为此,本文展开了基于模糊推理的机动目标跟踪算法的研究。首先,本文讨论了机动目标跟踪的基本原理和基于模糊推理的机动目标跟踪的基本方法,分析了目标机动的常用模型,讨论了交互式多模型以及模糊交互多模型的算法,仿真论证了几种常用运动模型的特性,为后续机动目标跟踪算法的研究建立基础。其次,本文提出了一种改进的基于模糊推理的“当前”统计模型（IFI-CS）目标跟踪算法。针对“当前”统计模型滤波算法在机动目标跟踪中加速度极限值不能自适应改变的问题,进而讨论了基于模糊推理的当前统计模型滤波算法,利用模糊推理系统自适应调整加速度极限值,但当目标发生突变时,其跟踪存在较大误差,因此本文提出改进的基于模糊推理的“当前”统计模型（IFI-CS）,利用无突变的模糊隶属度函数加强对弱机动目标的跟踪,并引入了强跟踪滤波器加强对运动状态发生突变的目标跟踪,最后通过仿真实验,验证了本文改进的算法相对于“当前”统计模型滤波算法（CS）和基于模糊推理的“当前”统计模型滤波算法（FI-CS）,在机动目标跟踪性能上均有所提升。最后,本文提出了改进的模糊交互多模型算法（IF-IMM）。由于目标机动的时变性和复杂性,仅仅利用单一模型很难实现准确跟踪,因此本文讨论了交互式多模型算法（IMM）。IMM因选取大量模型集会导致计算量增大、跟踪不准确的缺点,进而讨论了模糊交互多模型算法（F-IMM）,在此基础上,提出改进的模糊交互多模型算法（IF-IMM）,将模型协方差矩阵作为模糊推理系统的输入,利用升半梯形的隶属度函数将模型集中有用的模型留下,无用的模型剔除,可以减少模型集之间的竞争更新模型概率,最后通过仿真实验,将交互式多模型算法（IMM）、模糊交互多模型算法（IF-IMM）和本文改进的算法进行仿真对比分析,验证本文算法的有效性和优越性。
白璐[6]（2020）在《UUV对跟踪目标运动要素估计方法研究》文中指出目前我国的海洋事业已经进入了良好的发展阶段,科技迅猛发展的今天正是我国大力建设海洋强国的最佳时期。水下无人潜航器（Unmanned Underwater Vehicle,UUV）,是目前非常热门的经济安全的水下装备,是执行海洋任务的最佳选择。水下目标运动要素估计是UUV实现水下目标探测的核心技术之一,为提高目标运动要素估计性能,本文围绕基于目标运动要素估计的非线性非高斯噪声下滤波算法、UUV目标跟踪路径优化算法等方面展开深入研究,论文的主要工作有:首先,简述水下目标运动要素估计与滤波理论的发展现状,明确水下目标运动要素估计核心问题。建立常用水下目标跟踪模型,通过可观测性分析给出目标可观测条件,并阐述基于贝叶斯理论的目标运动要素估计方法,为后续研究奠定基础。其次,为选择最优滤波算法进行目标运动要素估计,对非线性卡尔曼滤波展开研究,分析扩展卡尔曼滤波（Extended Kalman Filter,EKF）、无迹卡尔曼滤波（Unscented Kalman Filter,UKF）、容积卡尔曼滤波（Cubature Kalman Filter,CKF）的滤波性能,确定了在目标跟踪模型中CKF的优越性。针对目标跟踪状态方程具有线性化特征情况,在平方根容积卡尔曼（Square Root Cubature Kalman Filter,SCKF）的基础上,引入边缘采样思想,构建边缘平方根容积卡尔曼滤波（Marginal Square Root Cubature Kalman Filter,MSCKF）,利用状态矩阵的线性映射对一步预测状态以及一步预测状态协方差矩阵进行计算。进一步,针对跟踪目标运动的先验信息较难获取,过程噪声统计特性未知的问题,提出自适应边缘平方根容积卡尔曼（Adaptive Marginal Square Root Cubature Kalman Filter,AMSCKF）滤波算法,该算法结合Sage-Husa时变噪声统计估计器以及边缘平方根容积卡尔曼滤波MSCKF,利用状态矩阵及量测信息实时估计过程噪声协方差矩阵,并通过仿真验证该滤波算法的有效性。然后,针对Sage-Husa无法保证其估计的过程噪声协方差矩阵的正定性,容易导致MSCKF过程中的平方根滤波递推失效,且容易发散、计算量大的问题,引入强跟踪滤波理论（Strong Tracking Filter,STF）,构建MSCKF-STF滤波器,根据正交性原理,通过引入时变渐消因子来实时修正状态预测误差协方差矩阵,进而实时调节滤波器增益矩阵,提高滤波器对于模型不确定性的鲁棒性和对于突变状态的跟踪能力。进一步,针对海杂波复合K噪声干扰下目标跟踪系统中非高斯噪声问题,将MSCKF-STF应用于粒子滤波（Particle Filter,PF）框架中,构建MSCPF-STF滤波器,利用实时观测数据,通过MSCKFSTF优化粒子重要性密度函数,使其在兼顾非高斯噪声特性的情况下提高滤波精度。为更准确的描述跟踪目标的复杂运动过程,并将MSCPF-STF应用于交互多模型（Interacting Multiple Model,IMM）滤波框架中,构建IMM-MSCPF-STF滤波器,并通过仿真验证该滤波算法的有效性。最后,为进一步提高对目标运动要素的估计精度,分析UUV机动路线对于目标运动要素的估计精度的影响,介绍基于最大方位角变化率的UUV轨迹优化方法,针对复杂目标运动过程下的UUV轨迹优化问题,提出将最大方位角变化率的UUV轨迹优化方法与多模型IMM-MSCKF-STF相结合的方法,将各个滤波器计算的UUV优化路线通过交互模型概率加权融合,最后通过仿真对比验证该算法的有效性。
黄景帅[7]（2020）在《高超声速滑翔目标跟踪与拦截制导方法研究》文中进行了进一步梳理高超声速滑翔目标（Hypersonic Glide Target,HGT）突破了传统弹道式目标的飞行模式,凭借大升阻比的气动外形在临近空间长时间滑翔飞行。作为当前最具威胁的进攻性武器之一,兼具速度和机动性,如何拦截HGT是当前导弹防御领域的研究热点与前沿问题。论文以此为背景,主要针对目标跟踪和拦截制导方法开展了研究。首先,针对HGT跟踪模型中的建模误差导致跟踪精度不高的问题,基于无迹卡尔曼滤波（Unsencted Kalman Filter,UKF）框架构造了一种鲁棒非线性滤波算法用于目标运动状态的估计。目标跟踪精度与目标跟踪模型和滤波估计算法密切相关。鉴于HGT复杂多变的运动模式,难以建立与其真实运动模式实时匹配的目标运动模型,于是导致模型误差。从动力学角度将未知的气动加速度表征为广义气动参数,假定其符合维纳随机过程,并扩展至目标运动方程中与其运动状态联合进行估计,建立了地基雷达对目标的量测模型。将强跟踪滤波理论和Huber方法嵌入至UKF框架下,分别用于提高UKF对状态模型误差和量测模型误差的鲁棒性,并抑制了两方法间的相互影响。通过蒙特卡洛仿真验证了鲁棒非线性滤波算法能够降低模型误差存在时的状态估计误差。其次,提出了基于交互式多模型（Interacting Multiple Model,IMM）和量测新息的机动频率自适应跟踪方法,通过自适应机动模型参数来增强跟踪方法对HGT复杂多变运动模式的适应性。介绍了几种典型的机动模型,并将HGT的气动加速度建模为Singer机动模型。基于IMM方法对Singer模型中的关键参数机动频率进行自适应,以扩大运动模型的覆盖范围。基于量测新息又提出了一种自适应机动频率的跟踪方法,依据正交性原理由量测新息计算得到可反映模型误差的调整因子,用于实时调整Singer模型中的机动频率。针对多种形式的HGT机动,通过蒙特卡洛仿真验证了上述两种方法的模型适应性,降低了模型参数固定带来的建模误差,提高了跟踪精度,但基于量测新息方法的估计精度优于IMM方法,且计算量小。然后,针对大气层内拦截弹相对于HGT不再具有速度优势的问题,基于微分几何理论提出了可用于大气层内迎面拦截HGT的新型微分几何制导律（Differential Geometric Guidance Law,DGGL）。在拦截弹弧长体系下对弹目拦截交战进行了微分几何建模,在未对拦截弹和目标运动状态作任何假设的条件下推导得到了由曲率和挠率指令构成的扩展DGGL,并分析了捕获性能,给出了捕获充分条件。在扩展DGGL的基础上,给出了可二次设计的广义DGGL,省去了复杂的挠率计算,不再依赖目标加速度信息。通过不同交战场景的仿真,验证了新型DGGL迎面拦截HGT的有效性。最后,将广义DGGL与现代控制方法相结合来抑制由HGT的强机动性引起的弹目视线旋转,分别设计了基于快速趋近律的自适应滑模制导律、自适应积分滑模有限时间收敛制导律和基于路径跟踪的有限时间收敛制导律。为获得拦截制导律对目标机动的鲁棒性,同时指令不发生抖振,采用滑模控制方法跟踪预设的滑模面,并对目标机动实施自适应处理,推导了具有不同收敛特性的先进拦截制导律。通过仿真拦截不同机动形式的HGT,结果表明三种制导律均能够灵活地控制视线转率的收敛,终端脱靶量小,制导指令连续,较好地平衡了鲁棒性和抖振之间的矛盾,并在量测噪声条件下表现出一定的鲁棒性,利于工程实现。论文紧跟导弹防御技术的发展前沿,丰富了HGT跟踪与拦截制导问题的研究思路和方法,能为我国发展HGT防御技术提供理论支持和方案参考。
杨楠[8]（2020）在《面向航天器在轨服务最后接近段的单目视觉位姿估计》文中研究表明航天器在轨服务包括航天器维修、在轨组装、燃料加注、离轨等操作,它可以降低航天任务的成本,提高航天器的性能,延长航天器的寿命。服务航天器与目标航天器之间的相对运动状态对在轨服务任务,特别是最后接近阶段至关重要。这一阶段面临的主要挑战有:视觉相机视场有限、目标的观测特征不完整且不断变化等。根据目前航天器在轨服务面临的问题与挑战,本论文深入研究了面向航天器在轨服务最后接近段的位姿估计问题,具体研究内容如下:首先,针对一般航天器建模方式将其轨道运动和姿态运动拆分独立描述,忽略了两种运动的耦合影响的问题,本文采用对偶四元数对航天器相对运动进行建模,实现姿态轨道一体化,为后续研究奠定基础。其次,采用基于多特征融合视觉测量模型的扩展卡尔曼滤波对航天器位姿进行跟踪估计。非合作目标不具有人工特征标记,只能以太阳帆板三角支架、对接环等轮廓特征作为测量特征。为了克服视觉相机视场限制和近距离成像模糊的缺点,采用“自拍杆”安装结构,保证两航天器接近时部分轮廓特征能够被清楚观测到。采用对偶四元数对测量特征（点、线、圆）建立统一的测量模型,并运用扩展卡尔曼滤波对航天器位姿进行估计,扩展卡尔曼滤波对航天器位姿估计结果良好,但是存在稳定时间较长,部分估计误差略大的情况。再次,为了提高动态情况下相对位姿跟踪估计效果,引入强跟踪滤波器对航天器进行跟踪估计。针对强跟踪滤波器中弱化因子选取及多重次优渐消矩阵自适应计算问题,提出一种具有模糊自适应特点的改进强跟踪卡尔曼滤波器（Fuzzy Strong Tracking Kalman Filter,FSTKF）。该方法采用一种模糊逻辑自适应控制器（Fuzzy Logic Controller,FLAC）来动态调整弱化因子,从而对多重次优渐消矩阵进行在线自适应调整,提高系统的快速性和稳定性。经过仿真数据对比,相比于扩展卡尔曼滤波器,强跟踪卡尔曼滤波器的估计结果在快速性和稳定性上都有了明显的提高。改进强跟踪卡尔曼滤波器的估计结果相比于强跟踪卡尔曼滤波器在稳定性上得到了进一步的提高。最后,为了验证算法在实际工程应用中的有效性,设计在轨服务最近接近段单目视觉相对导航系统半物理仿真验证系统。以航天器模型作为目标航天器,以带有平动和转动功能的导轨模拟航天器的相对轨道运动和姿态运动,采用单目相机对运动的航天器模型进行拍摄,然后利用MATLAB仿真环境开发的单目视觉测量软件对图像进行处理和特征提取,进行相对位姿估计。实验结果与仿真结果大体一致,因此验证了提出的算法在实际应用中的有效性。
唐兵[9]（2020）在《几类模型不确定动态系统的滤波器设计与仿真研究》文中认为随着科学技术的发展,特别是现代工业电子、航空航天、图像处理等领域的崛起,滤波技术已经成为当今学术领域和工程领域最为热门的研究课题之一。根据场景需求不同,所使用的滤波框架也存在着差异。在线性系统的各种滤波器中,Kalman滤波要求模型精确且噪声为高斯,在实际环境中难以满足其要求而影响了更好的发展。因此,本文是针对几类模型不确定或噪声为非高斯的系统,展开相应的滤波器设计方法研究。主要创新贡献如下:（1）建立了一种强跟踪滤波器渐消因子的在线迭代求解方法。首先,基于强跟踪滤波器需满足的矩阵恒等式建立相应的标量性能评估函数;其次,基于渐消因子的遍历范围进行逐级遍历求解渐消因子;最后,用仿真实验对该方法的可行性进行了验证。（2）建立了一种双层容积卡尔曼滤波器。首先,基于预测误差协方差矩阵进行Sigma点采样,进一步以每个Sigma点为中心再进行第二层Sigma点采样,以增强样本对统计特性的表示能力;其次,先在第二层上建立对第一层采样的估计值及协方差,并在此基础上建立总体的预测值和协方差矩阵;再次,对测量系统进行采样,建立相应的滤波估计器;最后,用仿真实验验证该方法的可行性。（3）针对一类观测噪声为非高斯的线性动态系统,提出了一种基于采样样本均值估计器的最大相关熵滤波设计方法。首先,将预测估计值视为一个新的观测方程,建立基于原测量方程的扩展测量系统;其次,基于对测量的重采样建立测量误差协方差矩阵,并结合预测误差协方差矩阵,建立预测估计值和测量值扩维向量的相互独立分解方法;再次,建立用于估计系统状态的目标函数;然后,将增益矩阵建模为一个不动点方程,进行在线迭代优化求解;最后,用仿真验证了方法的有效性。
李云育[10]（2020）在《工程化智能Kalman滤波方法》文中研究表明Kalman滤波是状态估计领域的一种基础性方法。在模型参数精准的假设下,Kalman滤波可以实现最小均方误差下的最优估计。但在大多数实际工程应用中,参数选择方法的局限性使得模型精准的假设很难得到保证,同时非线性系统或非高斯系统的近似表示必然导致滤波过程使用的模型与实际系统之间存在失配性。因此,开展模型失配（模型不精准）情形下的自适应Kalman滤波方法研究具有重要的理论意义和重要的工程应用价值。针对上述问题,论文以Kalman滤波工程应用为导向目标,主要创新性研究工作如下:（1）提出一种渐消因子作用于过程噪声方差的改进强跟踪滤波方法。传统强跟踪滤波是将渐消因子作用于预测估计误差协方差计算公式的状态转移矩阵部分,其作用原理和产生效用的理论可解释性不强。针对该问题,提出将渐消因子作用于过程噪声方差的方式,并对该强跟踪渐消因子的计算公式进行了重新推导,进而形成一种新的强跟踪滤波方法。与传统强跟踪滤波相比,新方法等价于实时自适应估计过程噪声方差,具有很好的原理可解释性,同时仿真结果表明新方法比传统方法具有更好的估计性能。（2）针对Kalman滤波自评估机制遭受破坏的问题,提出一种基于可信度理论的智能Kalman滤波设计方法。在现有失配系统的Kalman滤波性能分析框架下,以滤波计算估计均方差误差（Filter Calculated MSE,FMSE）和真实估计均方误差（True MSE,TMSE）为基础,提出一种用于滤波估计性能度量的可信度分析方法,并成功将滤波器最优化条件从估计均方误差框架近似转化为新息均方差误差框架中,从而实现Kalman滤波的工程化设计思路。最后,将用于度量可信度的置信因子计算过程建模成一个最优化问题,并应用粒子群优化方法求解该优化问题,成功实现过程和测量噪声方差的高性能联合估计。（3）针对传统最优Kalman滤波对模型参数值唯一性的认知局限性,提出一种基于模型参数比（Model Parameter Ratios,MPR）的工程化Kalman滤波器设计方法。在新息均方误差最小化时Kalman滤波的估计误差达到最小这一结论的证明基础上,结合（2）中建立的新息均方差误差框架下滤波器最优化条件,将过程和测量噪声方差的估计转化为极值优化求解问题。本工作突破Kalman方法最优模型参数唯一性的传统认知,为自适应滤波的创新性设计提供了一个全新不同的视角和思路。
二、一种基于Snake和强跟踪滤波器的目标跟踪方法（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、一种基于Snake和强跟踪滤波器的目标跟踪方法（论文提纲范文）
（1）基于模糊逻辑强跟踪的交互式多模型电力负荷建模研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 选题背景及研究意义 |
| 1.2 考虑时变性的负荷建模发展 |
| 1.3 考虑时变性的负荷建模研究现状 |
| 1.4 本文的主要工作 |
| 第2章 交互式多模型与模糊逻辑强跟踪基本理论 |
| 2.1 引言 |
| 2.2 交互多模型算法 |
| 2.3 强跟踪滤波算法 |
| 2.4 模糊逻辑 |
| 2.5 本章小结 |
| 第3章 基于模糊逻辑强跟踪的交互式多模型负荷建模 |
| 3.1 引言 |
| 3.2 基于模糊逻辑强跟踪的交互式多模型负荷建模原理 |
| 3.3 负荷模型 |
| 3.4 负荷模型离散化 |
| 3.5 强跟踪并行滤波 |
| 3.5.1 预测更新 |
| 3.5.2 时变渐消因子 |
| 3.6 模糊逻辑 |
| 3.6.1 模糊化 |
| 3.6.2 模糊推理 |
| 3.6.3 去模糊化 |
| 3.7 输出融合 |
| 3.8 本章小结 |
| 第4章 仿真验证与分析 |
| 4.1 仿真平台 |
| 4.2 仿真结果 |
| 4.3 本章小结 |
| 第5章 总结与展望 |
| 5.1 论文的主要研究成果 |
| 5.2 后期工作展望 |
| 附录 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表的学术论文和参与课题情况 |
| 学位论文评阅及答辩情况表 |
（2）全线控电动汽车不同行驶模式的轨迹跟踪控制研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 选题背景与研究意义 |
| 1.1.1 选题背景 |
| 1.1.2 研究意义 |
| 1.2 论文相关技术国内外研究现状 |
| 1.2.1 全线控电动汽车动力学控制研究现状 |
| 1.2.2 传统行驶模式轨迹跟踪控制研究现状 |
| 1.2.3 非传统行驶模式轨迹跟踪控制研究现状 |
| 1.3 论文相关研究技术问题 |
| 1.4 本文技术路线和论文章节安排 |
| 第2章 基于双结构强跟踪滤波的全线控电动汽车状态估算 |
| 2.1 全线控电动汽车运动状态观测模型 |
| 2.1.1 车辆动力学模型 |
| 2.1.2 HSRI轮胎侧偏模型 |
| 2.1.3 车轮动力学模型 |
| 2.2 运动状态观测器设计需求及滤波方法对比 |
| 2.2.1 全线控电动汽车运动状态观测器设计需求 |
| 2.2.2 滤波方法对比 |
| 2.3 基于DSTF的全线控电动汽车状态辨识与估计 |
| 2.3.1 强跟踪滤波理论 |
| 2.3.2 DSTF状态观测器设计 |
| 2.4 仿真验证 |
| 2.5 本章小结 |
| 第3章 不同行驶模式融合的全线控电动汽车轨迹跟踪控制 |
| 3.1 全线控电动汽车轨迹跟踪控制总体架构与基本思路 |
| 3.1.1 控制架构 |
| 3.1.2 轨迹跟踪控制方法选择 |
| 3.2 基于MPC的全线控电动汽车轨迹跟踪控制层设计 |
| 3.2.1 整车预测模型建立 |
| 3.2.2 基于MPC的全线控电动汽车轨迹跟踪控制 |
| 3.2.3 引入避障势场函数的轨迹跟踪优化问题 |
| 3.3 轨迹跟踪期望运动实现 |
| 3.3.1 动力学分配层设计 |
| 3.3.2 执行器执行层 |
| 3.4 基于不同行驶模式融合的轨迹跟踪控制 |
| 3.4.1 传统与非传统行驶模式对比 |
| 3.4.2 不同行驶模式轨迹跟踪控制目标及基本思路 |
| 3.4.3 基于模糊理论的不同行驶模式轨迹跟踪目标权重调节器设计 |
| 3.5 仿真验证 |
| 3.5.1 基于MPC框架的全线控电动汽车轨迹跟踪控制方法验证 |
| 3.5.2 基于变权重 MPC 的多行驶模式轨迹跟踪方法验证 |
| 3.6 本章小结 |
| 第4章 传统行驶模式下全线控电动汽车自适应轨迹跟踪控制 |
| 4.1 MPC自适应轨迹跟踪控制原理与基本思路 |
| 4.2 传统行驶模式下MPC自适应轨迹跟踪控制 |
| 4.2.1 基本框架 |
| 4.2.2 基于β-(?)相平面法的稳定性判断 |
| 4.2.3 自适应轨迹跟踪中NP的调节 |
| 4.2.4 自适应轨迹跟踪控制中问题描述 |
| 4.2.5 基于目标函数指数权重引入的“病态”问题处理 |
| 4.3 基于Laguerre函数拟合的跟踪能力优化 |
| 4.3.1 跟踪能力优化 |
| 4.3.2 基于Laguerre函数的控制序列拟合 |
| 4.4 仿真验证 |
| 4.4.1 自适应轨迹跟踪控制方法验证 |
| 4.4.2 基于Laguerre函数拟合的机动特性优化有效性验证 |
| 4.5 本章小结 |
| 第5章 全线控电动汽车轨迹跟踪控制方法试验验证 |
| 5.1 基于DSTF的车辆状态观测器试验验证 |
| 5.1.1 全线控电动汽车实车平台 |
| 5.1.2 状态观测器试验数据合成 |
| 5.1.3 DSTF状态观测器验证 |
| 5.2 轨迹跟踪控制方法验证 |
| 5.2.1 驾驶模拟器介绍 |
| 5.2.2 集成动力学特性的MPC实时性优化 |
| 5.2.3 不同行驶模式融合轨迹跟踪控制方法在线验证 |
| 5.2.4 传统行驶模式下自适应轨迹跟踪控制及机动特性优化方法验证 |
| 5.3 本章小结 |
| 第6章 结论与展望 |
| 6.1 全文总结 |
| 6.2 本文创新点 |
| 6.3 研究展望 |
| 参考文献 |
| 作者简介及在学期间所取得的主要科研成果 |
| 致谢 |
（3）基于多雷达平台校准的目标跟踪融合滤波（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 |
| 1.2.1 多雷达平台偏差校准的研究现状 |
| 1.2.2 目标跟踪滤波算法的研究现状 |
| 1.3 本文主要内容及章节安排 |
| 第2章 坐标系的转换与目标跟踪基础理论 |
| 2.1 引言 |
| 2.2 测量坐标系的选取与转换 |
| 2.3 三类常见的目标运动模型 |
| 2.3.1 常速模型(CV) |
| 2.3.2 常加速度模型(CA) |
| 2.3.3 变加速模型 |
| 2.4 卡尔曼滤波算法 |
| 第3章 基于多雷达平台校准的非机动目标跟踪方法研究 |
| 3.1 引言 |
| 3.2 系统描述 |
| 3.3 算法介绍 |
| 3.3.1 雷达的测量转换 |
| 3.3.2 雷达平台存在位置偏差或旋转偏差时的非机动目标跟踪方法 |
| 3.3.3 雷达平台同时存在两类偏差时的非机动目标跟踪方法 |
| 3.4 仿真及分析 |
| 3.5 本章小结 |
| 第4章 基于多雷达平台校准的机动目标跟踪方法研究 |
| 4.1 引言 |
| 4.2 系统描述 |
| 4.3 算法介绍 |
| 4.3.1 三维去偏测量转换 |
| 4.3.2 雷达平台存在位置偏差或旋转偏差时的机动目标跟踪方法 |
| 4.3.3 雷达平台同时存在两类偏差时的机动目标跟踪方法 |
| 4.4 仿真及分析 |
| 4.5 本章小结 |
| 总结与展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间发表的论文及科研成果 |
（4）观测时滞系统状态估计融合方法的研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题来源及背景意义 |
| 1.2 时滞滤波算法的研究现状 |
| 1.3 非线性系统滤波算法的研究现状 |
| 1.4 状态估计融合理论的研究现状 |
| 1.5 主要研究内容和章节安排 |
| 第2章 随机时滞和噪声相关滤波算法的研究 |
| 2.1 引言 |
| 2.2 TRMC滤波算法的推导 |
| 2.2.1 非线性高斯滤波递推公式 |
| 2.2.2 TRMC高斯滤波算法 |
| 2.2.3 TRMC/EKF滤波算法的推导 |
| 2.3 仿真实验研究和结果分析 |
| 2.4 本章小结 |
| 第3章 强跟踪滤波算法的研究 |
| 3.1 引言 |
| 3.2 TMRC/STF算法的推导 |
| 3.2.1 STF的引入 |
| 3.2.2 定理的提出与证明 |
| 3.2.3 渐消因子的计算 |
| 3.3 仿真实验研究和结果分析 |
| 3.4 本章小结 |
| 第4章 状态估计融合算法的研究 |
| 4.1 引言 |
| 4.2 联邦滤波器 |
| 4.2.1 方差上界定理 |
| 4.2.2 联邦滤波器结构及融合过程 |
| 4.3 状态估计融合算法的推导 |
| 4.3.1 TRMC/SSF算法的推导 |
| 4.3.2 信息分配算法的确定 |
| 4.3.3 基于自适应信息分配的TRMC/SSF联邦滤波算法步骤 |
| 4.4 仿真实验与结果分析 |
| 4.5 本章小结 |
| 第5章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 致谢 |
| 参考文献 |
| 作者简介 |
| 攻读硕士学位期间研究成果 |
（5）基于模糊推理的雷达机动目标跟踪（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 选题的研究背景及意义 |
| 1.2 国内外研究的现状 |
| 1.2.1 模糊推理系统的研究 |
| 1.2.2 雷达机动目标跟踪模型的研究 |
| 1.3 论文的组织结构 |
| 2 机动目标跟踪与机动模型 |
| 2.1 基于模糊推理的机动目标跟踪 |
| 2.1.1 机动目标跟踪 |
| 2.1.2 模糊推理的机动目标跟踪 |
| 2.2 机动目标动力学模型分析 |
| 2.2.1 匀速模型和匀加速模型 |
| 2.2.2 协同转弯模型 |
| 2.2.3 Singer模型 |
| 2.2.4 Jerk模型(一阶相关加速度变化率模型) |
| 2.2.5 “当前”统计模型 |
| 2.3 模糊交互多模型目标跟踪 |
| 2.4 机动模型特性的仿真分析 |
| 2.5 本章小结 |
| 3 基于模糊推理的“当前”统计模型跟踪算法 |
| 3.1 基于“当前”统计模型的自适应滤波算法 |
| 3.2 改进的基于模糊推理的“当前”统计模型算法 |
| 3.2.1 基于模糊推理的“当前”统计模型 |
| 3.2.2 改进的基于模糊推理的“当前”统计模型 |
| 3.2.2.1 模糊隶属度函数的设计 |
| 3.2.2.2 模糊推理系统 |
| 3.2.2.3 强跟踪滤波器 |
| 3.2.3 改进的基于模糊推理的“当前”统计模型滤波算法步骤 |
| 3.3 仿真实验 |
| 3.4 本章小结 |
| 4 模糊交互的多模型算法 |
| 4.1 交互式多模型算法 |
| 4.1.1 交互式多模型算法 |
| 4.1.2 模糊交互多模型算法 |
| 4.2 改进的模糊交互多模型算法 |
| 4.2.1 改进的模糊交互多模型算法的基本结构 |
| 4.2.2 模糊推理系统 |
| 4.2.3 模型集合的设计 |
| 4.2.4 改进的模糊交互多模型算法滤波步骤 |
| 4.3 仿真实验 |
| 4.3.1 选用与目标运动匹配的模型 |
| 4.3.2 选用与运动目标不匹配的模型 |
| 4.4 本章小结 |
| 5 总结与展望 |
| 参考文献 |
| 致谢 |
| 作者简历及攻读硕士学位期间的科研成果 |
（6）UUV对跟踪目标运动要素估计方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 水下潜航器研究现状 |
| 1.2.2 水下目标运动要素估计研究现状 |
| 1.2.3 滤波理论研究发展现状 |
| 1.3 论文研究内容及组织结构 |
| 第2章 水下运动目标建模及分析 |
| 2.1 引言 |
| 2.2 水下目标运动要素估计问题分析 |
| 2.3 水下目标跟踪运动模型建立 |
| 2.4 水下目标运动模型可观测性分析 |
| 2.5 基于贝叶斯滤波的目标运动要素估计 |
| 2.6 本章小结 |
| 第3章 基于改进非线性卡尔曼滤波的目标运动要素估计方法研究 |
| 3.1 引言 |
| 3.2 非线性卡尔曼滤波算法 |
| 3.2.1 扩展卡尔曼滤波算法 |
| 3.2.2 无迹卡尔曼滤波算法 |
| 3.2.3 容积卡尔曼滤波算法 |
| 3.3 非线性卡尔曼滤波算法性能分析 |
| 3.3.1 非线性滤波算法精度分析 |
| 3.3.2 非线性滤波算法的复杂度分析 |
| 3.4 基于目标运动要素估计的改进容积卡尔曼滤波方法 |
| 3.4.1 平方根容积卡尔曼滤波SCKF |
| 3.4.2 基于线性时间更新的边缘采样平方根容积卡尔曼滤波 |
| 3.4.3 过程噪声自适应边缘采样平方根容积卡尔曼 |
| 3.5 UUV对跟踪目标运动要素估计仿真验证 |
| 3.5.1 仿真条件设置 |
| 3.5.2 仿真结果分析 |
| 3.6 本章小结 |
| 第4章 基于改进粒子滤波的目标运动要素估计方法研究 |
| 4.1 引言 |
| 4.2 基于强跟踪的改进边缘平方根容积卡尔曼滤波 |
| 4.2.1 强跟踪滤波基本理论 |
| 4.2.2 强跟踪边缘平方根容积卡尔曼滤波MSCKF-STF |
| 4.3 非高斯噪声下的改进粒子滤波算法 |
| 4.3.1 海杂波复合K分布噪声统计模型 |
| 4.3.2 基本粒子滤波原理及实现流程 |
| 4.3.3 基于强跟踪边缘平方根容积卡尔曼的粒子滤波算法MSCPF-STF |
| 4.4 复杂机动过程下的IMM-MSCPF-STF目标运动要素估计方法 |
| 4.5 非高斯噪声下的目标复杂运动要素估计综合仿真验证 |
| 4.5.1 仿真条件设置 |
| 4.5.2 仿真结果分析 |
| 4.6 本章小结 |
| 第5章 面向目标运动要素最优估计的 UUV 运动轨迹优化方法 |
| 5.1 引言 |
| 5.2 复杂目标运动过程下的UUV轨迹优化方法 |
| 5.2.1 UUV机动路线对目标运动要素估计精度影响分析 |
| 5.2.2 最大方位角变化率的UUV轨迹优化方法 |
| 5.2.3 基于目标复杂机动过程的UUV轨迹优化方法 |
| 5.3 UUV轨迹优化方法仿真分析 |
| 5.3.1 仿真条件设置 |
| 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 |
（7）高超声速滑翔目标跟踪与拦截制导方法研究（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 高超声速滑翔飞行器发展现状 |
| 1.2.1 高超声速滑翔飞行器由来 |
| 1.2.2 国内外发展现状及动态 |
| 1.3 导弹防御系统发展现状 |
| 1.3.1 美国导弹防御系统 |
| 1.3.2 其它国家导弹防御系统 |
| 1.3.3 美国高超声速目标防御系统项目进展 |
| 1.3.4 高超声速滑翔目标防御难点分析 |
| 1.4 目标跟踪与拦截制导方法研究进展 |
| 1.4.1 目标跟踪方法 |
| 1.4.2 拦截制导方法 |
| 1.5 论文研究内容及结构安排 |
| 第二章 基于鲁棒滤波的高超声速滑翔目标跟踪方法 |
| 2.1 目标跟踪模型 |
| 2.1.1 地基雷达坐标系下目标运动建模 |
| 2.1.2 地基雷达量测模型 |
| 2.2 基于UKF框架的鲁棒非线性滤波方法 |
| 2.2.1 经典UKF滤波理论 |
| 2.2.2 鲁棒非线性滤波方法 |
| 2.3 仿真分析 |
| 2.3.1 高超声速滑翔目标轨迹生成 |
| 2.3.2 雷达量测量真值生成 |
| 2.3.3 跟踪滤波性能分析 |
| 2.4 小结 |
| 第三章 基于自适应机动模型的高超声速滑翔目标跟踪方法 |
| 3.1 基于机动模型的目标运动建模 |
| 3.1.1 典型机动模型 |
| 3.1.2 运动学建模 |
| 3.2 基于交互式多模型的机动频率自适应跟踪方法 |
| 3.2.1 交互式多模型算法 |
| 3.2.2 模型集设计 |
| 3.2.3 仿真分析 |
| 3.3 基于量测新息的机动频率自适应跟踪方法 |
| 3.3.1 机动频率自适应 |
| 3.3.2 基于UKF算法的自适应实现 |
| 3.3.3 仿真分析 |
| 3.4 小结 |
| 第四章 高超声速滑翔目标拦截微分几何制导方法 |
| 4.1 经典比例导引律 |
| 4.1.1 拦截交战建模 |
| 4.1.2 经典比例导引律 |
| 4.2 微分几何制导方法 |
| 4.2.1 微分几何基本理论 |
| 4.2.2 拦截交战微分几何建模 |
| 4.2.3 扩展微分几何制导律及捕获性能 |
| 4.2.4 广义微分几何制导律 |
| 4.3 仿真分析 |
| 4.3.1 拦截性能分析 |
| 4.3.2 捕获性能分析 |
| 4.4 小结 |
| 第五章 高超声速滑翔目标拦截先进制导方法 |
| 5.1 基于快速趋近律的自适应滑模制导律 |
| 5.1.1 制导律设计 |
| 5.1.2 稳定性证明 |
| 5.1.3 仿真分析 |
| 5.2 自适应积分滑模有限时间收敛制导律 |
| 5.2.1 制导律设计 |
| 5.2.2 稳定性证明 |
| 5.2.3 仿真分析 |
| 5.3 基于路径跟踪的有限时间收敛制导律 |
| 5.3.1 标准跟踪路径 |
| 5.3.2 制导律设计 |
| 5.3.3 稳定性证明 |
| 5.3.4 仿真分析 |
| 5.4 小结 |
| 第六章 结论与展望 |
| 6.1 论文研究成果及创新点 |
| 6.1.1 论文研究成果 |
| 6.1.2 论文创新点 |
| 6.2 研究展望 |
| 致谢 |
| 参考文献 |
| 作者在学期间取得的学术成果 |
| 附录A CAV-H模型 |
| 附录B 坐标系定义及转换关系 |
| B.1 坐标系定义 |
| B.2 坐标转换关系 |
| 附录C 高超声速滑翔飞行器运动模型 |
（8）面向航天器在轨服务最后接近段的单目视觉位姿估计（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 课题背景及研究的目的和意义 |
| 1.1.1 课题来源 |
| 1.1.2 研究的目的及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 在轨服务技术研究现状 |
| 1.2.2 航天器位姿耦合动力学建模研究现状 |
| 1.2.3 视觉导航方法研究现状 |
| 1.2.4 滤波算法研究现状 |
| 1.3 本文主要研究内容 |
| 第二章 基于对偶四元数的航天器相对运动学及动力学建模 |
| 2.1 引言 |
| 2.2 参考坐标系 |
| 2.3 数学理论基础 |
| 2.3.1 四元数 |
| 2.3.2 对偶数 |
| 2.3.3 对偶四元数 |
| 2.4 坐标系转换的数学描述 |
| 2.4.1 旋转矩阵与平移向量描述法 |
| 2.4.2 对偶四元数描述法 |
| 2.5 航天器相对运动学及动力学模型 |
| 2.5.1 航天器相对运动学模型 |
| 2.5.2 航天器相对动力学模型 |
| 2.5.3 数值仿真与结果分析 |
| 2.6 本章小结 |
| 第三章 基于多特征融合的视觉测量模型的航天器相对位姿估计 |
| 3.1 引言 |
| 3.2 视觉坐标系 |
| 3.3 基于多特征融合的视觉测量模型 |
| 3.3.1 基于特征点的测量模型 |
| 3.3.2 基于特征线的测量模型 |
| 3.3.3 基于特征圆的测量模型 |
| 3.4 多特征融合扩展卡尔曼相对位姿估计 |
| 3.4.1 扩展卡尔曼滤波 |
| 3.4.2 数值仿真与结果分析 |
| 3.5 本章小结 |
| 第四章 基于改进强跟踪滤波的航天器相对运动估计 |
| 4.1 引言 |
| 4.2 基于强跟踪滤波的相对位姿估计 |
| 4.2.1 强跟踪滤波器 |
| 4.2.2 强跟踪滤波器算法原理分析 |
| 4.2.3 数值仿真与结果分析 |
| 4.3 基于改进强跟踪滤波的相对估计 |
| 4.3.1 模糊控制系统概述 |
| 4.3.2 模糊自适应强跟踪滤波器 |
| 4.3.3 数值仿真与结果分析 |
| 4.4 本章小结 |
| 第五章 单目视觉相对导航系统半物理仿真验证 |
| 5.1 引言 |
| 5.2 半物理仿真系统总体方案与系统组成 |
| 5.2.1 半物理仿真总体方案 |
| 5.2.2 系统硬件组成 |
| 5.3 单目相机的标定 |
| 5.3.1 单目相机成像模型 |
| 5.3.2 单目相机标定实验 |
| 5.4 目标航天器特征提取与匹配 |
| 5.4.1 图像预处理 |
| 5.4.2 特征提取 |
| 5.5 单目视觉测量软件 |
| 5.6 半物理仿真及结果分析 |
| 5.7 本章小结 |
| 第六章 总结与展望 |
| 6.1 全文工作总结 |
| 6.2 未来工作展望 |
| 参考文献 |
| 致谢 |
| 在学期间的研究成果及学术论文情况 |
（9）几类模型不确定动态系统的滤波器设计与仿真研究（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 几种线性系统滤波器 |
| 1.3 几种非线性系统滤波器 |
| 1.4 研究内容及章节描述 |
| 第2章 常用滤波方法介绍 |
| 2.1 卡尔曼滤波(Kalman Filtering,KF) |
| 2.2 扩展卡尔曼滤波(Extended Kalman Filtering,EKF) |
| 2.3 无迹卡尔曼滤波(Unscented Kalman Filtering,UKF) |
| 2.4 容积卡尔曼滤波(Cubature Kalman Filtering,CKF) |
| 2.5 粒子滤波(Particle Filtering,PF) |
| 2.6 分析总结 |
| 第3章 基于在线学习渐消因子的强跟踪滤波器设计 |
| 3.1 引言 |
| 3.2 强跟踪滤波器 |
| 3.2.1 强跟踪滤波器设计 |
| 3.2.2 增益阵的求取 |
| 3.2.3 渐消因子的计算 |
| 3.3 在线迭代反馈滤波器设计 |
| 3.3.1 渐消因子的设计 |
| 3.3.2 基于正交性原理的在线迭代反馈滤波器设计 |
| 3.3.3 基于残差信息阵的在线迭代反馈滤波器设计 |
| 3.4 仿真实验 |
| 3.5 本章总结 |
| 第4章 双层容积卡尔曼滤波器设计 |
| 4.1 引言 |
| 4.2 UKF与 CKF运算复杂度的比较 |
| 4.3 双层容积卡尔曼滤波算法设计 |
| 4.3.1 内层CKF算法 |
| 4.3.2 外层CKF算法 |
| 4.4 仿真实验 |
| 4.5 本章总结 |
| 第5章 基于采样样本均值估计器的最大相关熵滤波器设计 |
| 5.1 引言 |
| 5.2 最大熵原理 |
| 5.3 基于采样样本均值估计器的代价函数构建 |
| 5.4 基于采样样本均值估计器的滤波器设计 |
| 5.5 仿真实验 |
| 5.6 本章总结 |
| 第6章 总结与展望 |
| 6.1 工作总结 |
| 6.2 未来展望 |
| 致谢 |
| 参考文献 |
| 附录 |
（10）工程化智能Kalman滤波方法（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 |
| 1.2.1 Kalman滤波理论 |
| 1.2.2 自适应Kalman滤波 |
| 1.2.3 现存的问题 |
| 1.3 论文的主要研究内容介绍 |
| 1.4 论文的内容安排 |
| 第2章 基础知识 |
| 2.1 Kalman滤波简介 |
| 2.2 Sage-Husa自适应Kalman滤波简介 |
| 2.3 强跟踪滤波简介 |
| 2.4 粒子群算法简介 |
| 2.5 本章小结 |
| 第3章 一种改进的强跟踪自适应滤波 |
| 3.1 引言 |
| 3.2 问题分析 |
| 3.2.1 系统模型 |
| 3.2.2 强跟踪滤波 |
| 3.2.3 研究动机 |
| 3.3 一类新的强跟踪自适应滤波 |
| 3.3.1 一种新的带次优渐消因子的自适应滤波器(STAKF) |
| 3.3.2 一种新的带多重次优渐消因子的自适应滤波器(STMAKF) |
| 3.3.3 性能分析 |
| 3.4 仿真 |
| 3.4.1 参数设置 |
| 3.4.2 仿真结果 |
| 3.5 本章小结 |
| 第4章 Kalman滤波中的可信度研究 |
| 4.1 引言 |
| 4.2 存在不匹配噪声的Kalman滤波器 |
| 4.2.1 理想Kalman滤波模型 |
| 4.2.2 存在不匹配噪声协方差的Kalman滤波器 |
| 4.3 Kalman滤波器的信任因子 |
| 4.4 估计信任因子 |
| 4.4.1 只存在不准确观测噪声的Kalman滤波器 |
| 4.4.2 只存在不准确过程噪声的Kalman滤波器 |
| 4.4.3 存在不匹配过程噪声和观测噪声的Kalman滤波器 |
| 4.4.4 Sage-Husa自适应滤波 |
| 4.4.5 粒子群算法估计信任因子 |
| 4.5 仿真实验 |
| 4.5.1 只存在不匹配观测噪声的Kalman滤波器 |
| 4.5.2 只存在不匹配过程噪声的Kalman滤波器 |
| 4.5.3 存在不匹配过程噪声和观测噪声的Kalman滤波器 |
| 4.6 本章小结 |
| 第5章 基于参数估计准则的自适应滤波方法 |
| 5.1 引言 |
| 5.2 存在不匹配噪声协方差的系统 |
| 5.2.1 Kalman滤波模型 |
| 5.2.2 存在不匹配噪声协方差的Kalman滤波器 |
| 5.3 参数估计准则 |
| 5.3.1 估计误差分析 |
| 5.3.2 滤波参数线性倍数定理 |
| 5.3.3 模型参数比 |
| 5.3.4 过程噪声参数比和观测噪声参数比存在证明 |
| 5.3.5 模型参数比存在性定理 |
| 5.4 基于参数估计准则的噪声估计 |
| 5.4.1 粒子群算法 |
| 5.4.2 模型调节系数估计 |
| 5.4.3 算法流程 |
| 5.5 仿真 |
| 5.5.1 验证模型噪声比 |
| 5.5.2 估计模型噪声比 |
| 5.5.3 算法对比 |
| 5.6 本章小结 |
| 第6章 总结与展望 |
| 6.1 论文工作总结 |
| 6.2 论文工作展望 |
| 致谢 |
| 参考文献 |
| 附录 |
四、一种基于Snake和强跟踪滤波器的目标跟踪方法（论文参考文献）
- [1]基于模糊逻辑强跟踪的交互式多模型电力负荷建模研究[D]. 李中强. 山东大学, 2021(12)
- [2]全线控电动汽车不同行驶模式的轨迹跟踪控制研究[D]. 张冰. 吉林大学, 2020
- [3]基于多雷达平台校准的目标跟踪融合滤波[D]. 宁子健. 河南工业大学, 2020(01)
- [4]观测时滞系统状态估计融合方法的研究[D]. 孟欣鑫. 长春工业大学, 2020(01)
- [5]基于模糊推理的雷达机动目标跟踪[D]. 孙博. 大连海事大学, 2020(01)
- [6]UUV对跟踪目标运动要素估计方法研究[D]. 白璐. 哈尔滨工程大学, 2020(05)
- [7]高超声速滑翔目标跟踪与拦截制导方法研究[D]. 黄景帅. 国防科技大学, 2020(01)
- [8]面向航天器在轨服务最后接近段的单目视觉位姿估计[D]. 杨楠. 南京航空航天大学, 2020(07)
- [9]几类模型不确定动态系统的滤波器设计与仿真研究[D]. 唐兵. 杭州电子科技大学, 2020(01)
- [10]工程化智能Kalman滤波方法[D]. 李云育. 杭州电子科技大学, 2020(01)