多被动传感器UKF与EKF算法的应用与比较

Journal of Systems Engineering and Electronics ›› 2009, Vol. 31 ›› Issue (5): 1083-1086.

多被动传感器UKF与EKF算法的应用与比较

宋骊平, 姬红兵

西安电子科技大学电子工程学院, 陕西, 西安, 710071

收稿日期:2008-02-26 修回日期:2008-05-09 出版日期:2009-05-20 发布日期:2010-01-03
作者简介:宋骊平(1975- ),男,讲师,博士研究生,主要研究方向为目标定位与跟踪、数据融合.E-mail:lpsong@xidian.edu.cn
基金资助:
国家自然科学基金资助课题(60677040)

Application and comparison of UKF and EKF algorithm in target tracking with multiple passive sensors

SONG Li-ping, JI Hong-bing

School of Electronic Engineering, Xidian Univ., Xi'an 710071, China

Received:2008-02-26 Revised:2008-05-09 Online:2009-05-20 Published:2010-01-03

摘要/Abstract

摘要： 针对多被动传感器条件下的目标跟踪问题,给出了推广卡尔曼滤波在多被动传感器条件下的具体算法;考虑到多被动传感器目标跟踪需要解决观测非线性的问题,故而将用于非线性系统的基于UT变换的UKF算法应用于所讨论的跟踪问题中,采用检测融合方案,将多个被动传感器的角度观测组合成量测向量,推导了多被动传感器的UKF滤波算法,实现了对目标在三维空间中的全被动跟踪.将两种算法进行了仿真比较,结果表明,采用多被动传感器的UKF算法可以获得比传统的推广卡尔曼滤波算法更为精确的跟踪效果.

Abstract: The algorithm of EKF suitable for multiple passive sensors is presented.Thinking about the problem of nonlinear measurements in target tracking with multiple passive sensors,the unscented transform based unscented Kalman filter suitable for nonlinear systems is applied to the target tracking with multiple passive sensors.Detection fusion solution is adopted and the bearings measurements from multiple passive sensors are formed into one vector,then the algorithm of UKF suitable for multiple passive sensors is presented.Comparison of two algorithms in passive tracking to a 3D target with multiple passive sensors is illustrated that the tracking precision of UKF-based is higher than that of the traditional EKF-based.

中图分类号:

TN957.51

宋骊平, 姬红兵. 多被动传感器UKF与EKF算法的应用与比较[J]. Journal of Systems Engineering and Electronics, 2009, 31(5): 1083-1086.

SONG Li-ping, JI Hong-bing. Application and comparison of UKF and EKF algorithm in target tracking with multiple passive sensors[J]. Journal of Systems Engineering and Electronics, 2009, 31(5): 1083-1086.

[1]	雷禹, 冷祥光, 周晓艳, 孙忠镇, 计科峰. 基于改进ResNet网络的复数SAR图像舰船目标识别方法[J]. 系统工程与电子技术, 2022, 44(12): 3652-3660.
[2]	唐军奎, 刘峥, 谢荣, 曾波. MIMO雷达稀疏阵列优化设计方法[J]. 系统工程与电子技术, 2022, 44(12): 3661-3666.
[3]	杨立儒, 刘永祥, 杨威. 基于迁移学习的雷达杂波幅度统计模型选择[J]. 系统工程与电子技术, 2022, 44(8): 2457-2467.
[4]	周毅恒, 杨军, 夏赛强, 吕明久. 闪烁现象下旋翼目标微动参数估计方法[J]. 系统工程与电子技术, 2022, 44(1): 54-63.
[5]	龚树凤, 龙伟军, 贲德, 潘明海. 组网雷达自适应模糊CFAR检测融合算法[J]. 系统工程与电子技术, 2022, 44(1): 100-107.
[6]	但波, 付哲泉, 高山, 简涛. 基于卷积神经网络的海面目标全极化高分辨距离像识别技术[J]. 系统工程与电子技术, 2022, 44(1): 108-116.
[7]	张良, 杨威, 李玮杰, 杨小琪, 刘永祥. 基于复数卷积-残差网络的雷达杂波幅度统计模型分类[J]. 系统工程与电子技术, 2021, 43(11): 3086-3097.
[8]	于伟强, 汪飞, 孙萍, 周建江, 陈军. 杂波背景下机载雷达信号参数的射频隐身优化[J]. 系统工程与电子技术, 2021, 43(11): 3194-3201.
[9]	孙萍, 汪飞, 窦山岳, 周建江, 陈军. 基于辐射能量缩减约束的双机雷达协同目标跟踪方法[J]. 系统工程与电子技术, 2021, 43(10): 2851-2859.
[10]	李锐洋, 霍伟博, 马巍, 程子扬. 基于逆高斯纹理分布的协方差矩阵估计方法[J]. 系统工程与电子技术, 2021, 43(9): 2470-2475.
[11]	陈一畅, 熊鑫, 王万田. 基于稀疏FrFT的窄带雷达目标架次识别方法[J]. 系统工程与电子技术, 2021, 43(8): 2129-2136.
[12]	肖宇, 邓正宏. 信杂噪比约束下基于互信息的雷达波形设计[J]. 系统工程与电子技术, 2021, 43(7): 1775-1780.
[13]	姜予名, 李景文, 孙兵. 单站直达波欺骗干扰检测与抑制的DPCA方法[J]. 系统工程与电子技术, 2021, 43(6): 1524-1532.
[14]	蒲涛, 童宁宁, 冯为可, 房亮, 高晓阳. 基于块稀疏矩阵恢复的MIMO雷达扩展目标高分辨成像算法[J]. 系统工程与电子技术, 2021, 43(3): 647-655.
[15]	王宁, 周明, 刘国庆, 杨予昊, 孙俊. 基于Chirp Z变换的海面目标帧间非相参积累技术[J]. 系统工程与电子技术, 2021, 43(2): 383-389.