一种带伪加速度修正的跟踪算法
倾角卡尔曼滤波-概述说明以及解释
倾角卡尔曼滤波-概述说明以及解释1.引言1.1 概述倾角卡尔曼滤波是一种用于测量倾角的方法，它结合了倾角测量与卡尔曼滤波原理。
倾角的测量在许多领域中都是非常重要的，例如航空航天、导航系统以及工业自动化等。
倾角的准确测量可以帮助我们判断物体的姿态、稳定性以及对周围环境做出合适的调整。
然而，由于当前倾角传感器本身存在一定的误差和干扰，因此需要采用合适的滤波算法来对倾角进行精确估计和校正。
在这方面，倾角卡尔曼滤波是一种被广泛应用的方法。
倾角卡尔曼滤波算法基于卡尔曼滤波原理，通过对倾角的测量数据进行预测和更新，以得到更加准确、稳定的倾角估计值。
它利用了传感器测量数据的统计特性和系统模型的动态特性，通过权衡预测值和测量值的不确定性来对倾角进行优化估计。
相比其他滤波算法，倾角卡尔曼滤波具有以下优势：首先，它能够有效地抑制传感器数据中的噪声和干扰，并能够适应不同程度的噪声；其次，它具有较高的估计精度和稳定性，能够准确地跟踪目标物体的倾角变化；最后，倾角卡尔曼滤波算法具有较快的收敛速度和较低的计算复杂度，适用于实时应用场景。
未来，倾角卡尔曼滤波在自动化控制、导航系统等领域具有广阔的应用前景。
随着技术的不断进步和创新，倾角卡尔曼滤波算法将更加成熟和精确，为各行各业提供更加可靠和准确的倾角测量方法。
同时，倾角卡尔曼滤波的应用也将得到进一步的拓展，为我们创造更多便利和可能性。
1.2 文章结构文章结构部分的内容如下:文章结构部分的目的是为了向读者介绍本文的大致结构和内容安排。
本文将按照以下方式进行组织和撰写:第一部分是引言，主要包括概述、文章结构和目的三个小节。
在概述部分，会简要介绍倾角卡尔曼滤波的背景和重要性，引起读者的兴趣。
在文章结构部分，将详细说明本文的结构安排，以便读者能够清楚地了解整篇文章的内容。
在目的部分，将明确本文的目标和意义，为读者提供一个阅读的导向。
第二部分是正文，主要包括倾角测量方法和卡尔曼滤波原理两个小节。
mpc速度跟踪控制算法流程
mpc速度跟踪控制算法流程1 MPC的概述MPC是Model Predictive Control的缩写，是一种基于数学模型的预测控制算法。
它可以将系统状态的预测结果和控制器的控制结果进行优化求解，从而得到最优的实现方案。
MPC适用于多变量、非线性、不确定和时变系统的控制问题，而且其数学理论极为完备，算法实现相对容易。
2 MPC的基本原理MPC的基本原理是将控制问题建立成一个预测优化问题。
首先建立系统的动态数学模型，然后通过预测未来几个时刻内的状态变化，同时考虑控制器的作用，得到最优的控制策略。
MPC具有明显的优化特性，即每一时刻的控制决策都是基于目标函数最小化的原则进行的。
3 MPC的控制策略MPC的控制策略由两部分组成，一部分是预测模型，另一部分是目标函数。
预测模型通常采用状态空间模型或者传递函数模型，而目标函数通常是系统的能量函数或者代价函数。
预测模型和目标函数相互协调，构成了MPC的控制策略。
4 MPC的速度跟踪控制算法MPC的速度跟踪控制算法是一种基于多变量预测模型和目标函数的控制策略，旨在实现车辆速度的精确跟踪。
具体实现过程如下：4.1 状态空间建模首先，需要对车辆的动态行为进行建模。
状态空间模型是一种简单而有效的建模方法，可以通过一组状态方程和输出方程描述系统的动态行为。
本文以车辆的速度跟踪为例，假设车辆状态包括速度和加速度，控制量为油门开度。
则状态方程和输出方程可以表示为：状态方程：x(k+1) = A*x(k) + B*u(k)输出方程：y(k) = C*x(k)其中，A、B和C分别是系统的状态转移矩阵、控制输入矩阵和输出矩阵。
4.2 目标函数构建为了实现速度的精确跟踪，需要将车辆速度控制在一定的范围内，并且限制车辆加速度的变化。
同时，还需要确保车辆的控制输入在可行范围内。
因此，可以将MPC的目标函数确定为：目标函数：J = 0.5*(x(k+1) - x_ref)^T*Q*(x(k+1) - x_ref) +0.5*u(k)^T*R*u(k)约束条件：u_min <= u(k) <= u_maxv_min <= x(k+1) <= v_maxa_min <= (x(k+1) - x(k))/T <= a_max其中，Q和R分别是状态和控制量的权重矩阵，x_ref是参考速度，u_min和u_max是控制输入的上下限，v_min和v_max是车速的上下限，a_min和a_max是加速度的上下限。
改进的强跟踪SVD-UKF算法在组合导航中的应用
改进的强跟踪SVD-UKF算法在组合导航中的应用孙磊;黄国勇;李越【摘要】针对无迹卡尔曼滤波(Unscented Kalman Filter,UKF)在系统强非线性或状态模型不精确的情况下,存在滤波精度降低甚至发散的问题,提出一种改进的强跟踪SVD-UKF算法.该算法采用奇异值分解(Singular Value Decom-position,SVD)的方法改进UKF中状态协方差矩阵的迭代,保证协方差矩阵的非负定性及迭代的稳定性;算法基于强跟踪滤波(Strong Tracking filter,STF)理论框架,对改进的SVD-UKF引入多重渐消因子自适应调整状态协方差矩阵,在系统状态发生突变的情况下,实现系统真实状态的强跟踪.将该算法在BDS/INS组合导航中仿真验证,结果表明了该算法的有效性.%The performance of the Unscented Kalman filter would be degraded in accuracy or divergences when the sys-tem states are uncertain and strong nonlinear, an improved strong tracking SVD-UKF algorithm is proposed. The iteration of covariance matrix in UKF is improved by Singular Value Decomposition(SVD)of covariance matrix, ensured the sta-bility of the iteration of covariance matrix and restrained the negative definiteness of system state covariance matrix. Mul-tiple fading factors matrices are introduced in improved SVD-UKF, in order to automatic improve system state covariance matrix based on Strong Tracking Filter(STF)theory framework, and realize the strong tracking of the real state while sys-tem status are mutating. The proposed strong tracking SVD-UKF is applied to the BDS/INS integrated system for simula-tion, simulation results show the effectiveness of the presented algorithm.【期刊名称】《计算机工程与应用》【年(卷),期】2017(000)010【总页数】6页(P225-229,240)【关键词】无迹卡尔曼滤波(UKF);奇异值分解(SVD);强跟踪;渐消因子;组合导航【作者】孙磊;黄国勇;李越【作者单位】昆明理工大学信息工程与自动化学院,昆明 650500;云南省矿物管道输送工程技术研究中心,昆明 650500;昆明理工大学信息工程与自动化学院,昆明650500;云南省矿物管道输送工程技术研究中心,昆明 650500;昆明理工大学信息工程与自动化学院,昆明 650500;云南省矿物管道输送工程技术研究中心,昆明650500【正文语种】中文【中图分类】V249.32+8非线性系统状态估计在组合导航中应用十分广泛，非线性滤波方法成为组合导航的热门研究之一。
基于YOLOv5和DeepSORT的多目标跟踪算法研究与应用
基于YOLOv5和DeepSORT的多目标跟踪算法研究与应用一、本文概述随着计算机视觉技术的飞速发展，多目标跟踪（Multi-Object Tracking, MOT）作为其中的一项关键技术，已广泛应用于智能监控、自动驾驶、人机交互等领域。
本文旨在研究基于YOLOv5（You Only Look Once version 5）和DeepSORT（Deep Simple Online and Realtime Tracking）的多目标跟踪算法，并探讨其在实际应用中的性能表现。
本文将对YOLOv5算法进行详细介绍。
作为一种先进的实时目标检测算法，YOLOv5凭借其高效的速度和优异的检测性能，在众多目标检测算法中脱颖而出。
本文将对YOLOv5的基本原理、网络结构、训练过程等进行深入剖析，为后续的多目标跟踪算法研究奠定基础。
本文将重点研究DeepSORT算法在多目标跟踪中的应用。
DeepSORT算法结合了深度学习和SORT（Simple Online and Realtime Tracking）算法的优点，通过提取目标的深度特征并进行数据关联，实现了对多个目标的准确跟踪。
本文将详细介绍DeepSORT算法的实现过程，包括特征提取、目标匹配、轨迹管理等关键步骤，并分析其在实际应用中的优势与不足。
本文将探讨基于YOLOv5和DeepSORT的多目标跟踪算法在实际应用中的性能表现。
通过设计实验，对比不同算法在不同场景下的跟踪效果，评估所提算法在准确性、鲁棒性、实时性等方面的性能。
本文将结合具体的应用场景，对所提算法进行实际应用案例分析，展示其在智能监控、自动驾驶等领域的应用潜力。
本文旨在深入研究基于YOLOv5和DeepSORT的多目标跟踪算法，通过理论分析和实验验证，评估其在实际应用中的性能表现，为推动多目标跟踪技术的发展和应用提供有益的参考。
二、YOLOv5目标检测算法介绍YOLOv5，全称为You Only Look Once version 5，是一种先进的实时目标检测算法。
智能驾驶系统中的车辆目标跟踪算法优化
智能驾驶系统中的车辆目标跟踪算法优化智能驾驶技术正迅速发展，将汽车带入了一个全新的时代。
为了实现自动驾驶，车辆需要能够准确跟踪周围的车辆和障碍物，并做出相应的决策。
车辆目标跟踪算法在智能驾驶系统中起到了至关重要的作用。
本文将探讨智能驾驶系统中车辆目标跟踪算法的优化问题，以提高算法的准确性和鲁棒性。
一、车辆目标跟踪算法的基本原理为了实现车辆目标的准确跟踪，车辆目标跟踪算法需要从传感器数据中提取有关车辆位置、速度和变道意图等信息。
最常用的传感器是激光雷达和摄像头。
激光雷达可以提供高精度的距离和角度信息，而摄像头可以提供更丰富的视觉信息。
基于激光雷达的车辆目标跟踪算法通常有两个主要步骤：目标检测和目标跟踪。
目标检测使用激光雷达数据来识别潜在的车辆目标。
然后，目标跟踪通过将车辆目标与已知的轨迹进行匹配来确定其位置和速度。
这些算法可以使用卡尔曼滤波器或扩展卡尔曼滤波器来融合多个传感器的数据以获得更准确的结果。
二、车辆目标跟踪算法的挑战车辆目标跟踪算法在实际应用中面临着许多挑战。
首先，车辆目标的外观和形状多样性很大，使得目标检测和跟踪变得复杂。
其次，由于环境的变化和噪声的存在，传感器数据常常存在误差。
这会导致算法的准确性下降，并增加了误报和漏报的概率。
此外，车辆目标的快速移动和复杂的动态行为也给目标跟踪算法带来了挑战。
三、车辆目标跟踪算法的优化方向为了提高车辆目标跟踪算法的准确性和鲁棒性，有几个优化方向值得探索。
1. 多传感器融合：使用多传感器数据融合可以提高目标检测和跟踪的精度。
例如，激光雷达可以提供准确的位置和距离信息，而摄像头可以提供丰富的视觉信息。
通过将两者的数据进行融合，可以提高目标检测和跟踪的准确性，并降低误报和漏报的概率。
2. 深度学习技术的应用：深度学习技术在计算机视觉领域取得了巨大的成功。
将深度学习技术应用于车辆目标跟踪算法中，可以提高目标检测和跟踪的性能。
例如，使用卷积神经网络可以更好地识别车辆目标的形状和外观特征，从而提高目标检测的准确性。
TLD目标跟踪算法
TLD目标跟踪算法TLD（Track Learning Detection）是一种目标跟踪算法，它结合了目标跟踪和目标检测的方法，能够在复杂环境中跟踪目标并检测目标的丢失。
TLD算法的核心思想是结合在线学习和离线学习的方法，通过检测器（detector）来检测目标，并通过跟踪器（tracker）来跟踪目标。
在在线学习阶段，检测器会进行训练，学习目标的外观特征和形状信息。
而在跟踪阶段，跟踪器会根据检测器的输出来进行目标的跟踪，同时根据跟踪结果反馈给检测器，进行修正。
TLD算法的具体步骤如下：1. 首先，通过一个强分类器进行目标检测。
这个强分类器使用了Haar特征和Adaboost算法进行训练，能够在图像中快速定位目标。
2.检测到目标后，根据目标的位置和尺度信息，将目标裁剪出来作为正样本，并提取其外观特征，包括颜色、纹理等。
3.同时，从目标附近随机选择一些负样本，并提取其外观特征。
这些负样本一般是与目标外观相似的背景区域。
4. 然后，使用一个在线集成学习器（Online Ensemble Learning）来学习目标的外观特征。
这个学习器使用了随机决策的方法，通过多个弱分类器的投票来进行目标的分类。
5.在跟踪阶段，通过跟踪器来进行目标的跟踪。
跟踪器使用了一个模板，通过计算目标与模板的相似度来判断目标的位置。
6.如果跟踪器发生目标丢失，即目标与模板的相似度低于一个阈值，那么就需要重新进行目标检测。
7.在进行目标检测时，使用之前训练得到的检测器，来对图像进行目标检测。
同时，根据跟踪器的输出结果，对检测器进行修正，从而提高检测的准确率。
TLD算法的优点是能够在复杂环境中进行目标跟踪，并且能够适应目标的外观变化。
它通过结合目标检测和目标跟踪的方法，能够在目标丢失时及时进行目标检测，从而提高了跟踪的准确率和稳定性。
然而，TLD算法也有一些缺点。
首先，由于在跟踪阶段是基于目标检测结果来进行跟踪的，所以在目标遮挡或者快速移动时容易出现跟踪失败。
高速运动目标的跟踪算法研究
高速运动目标的跟踪算法研究导语：随着科技的不断发展，各行各业都在不断地寻求创新和进步。
在安全监控领域，高速运动目标跟踪技术已经成为了不可或缺的一部分，因此如何研究和应用高速运动目标的跟踪算法成为了一个热门话题。
本文将从算法研究的角度探讨这个话题。
一、算法概述高速运动物体跟踪算法是指通过一系列计算机视觉和图像处理算法来对运动速度较快、变化较大的物体进行追踪和预测的技术。
主要应用于交通、安防等领域，可以对路面行驶的汽车、飞驰的摩托车、奔跑的人等高速运动目标进行实时跟踪，从而帮助安全监控人员进行快速有效的应对。
二、研究现状目前，国内外有很多关于高速运动物体跟踪算法的研究。
其中常见的算法包括以下几种：1. 匹配滤波算法：该算法利用模板匹配的方法对物体进行跟踪。
该方法虽然精确度高，但受到受干扰光照等因素的影响较大。
2. 卡尔曼滤波算法：该算法利用运动学模型来预测物体的位置和速度，从而对物体进行跟踪。
该方法适用于小尺度、低速运动物体的跟踪，但对于高速运动目标的跟踪效果并不好。
3. 光流算法：该算法基于图像亮度的变化，通过计算每个像素在两个相邻图像间的位置关系来实现物体跟踪。
该方法精确度较高，但对高速移动的物体跟踪效果较差。
通过对以上算法的研究，我们发现目前尚没有一种完全适用于高速运动目标跟踪的算法。
因此，在这个领域的研究中，需要不断地探究和发现更加适用于高速运动目标的跟踪算法。
三、创新思路1. 基于深度学习的算法：目前深度学习技术在计算机视觉领域得到了广泛的应用，通过卷积神经网络和循环神经网络等技术，可以对高速运动目标进行更为准确的跟踪和识别。
2. 基于多模态融合的算法：多模态融合是指利用多种传感器来采集目标的位置、速度、方向等信息，并将这些信息综合起来，从而提高物体跟踪的精度。
3. 基于自适应滤波的算法：自适应滤波基于物体运动模型和噪声分布模型，可以将物体运动轨迹的不确定性进行有效地估计和处理，从而提高物体跟踪的精度。
基于伪线性和输入估计的无源自适应跟踪算法
２ １ 年 ４月 ０１
信 息 与 电 子 工 程
Ｉ ＮＦＯＲＭＡＴＩ ＯＮ ＡＮＤ ＥＬＥＣＴＲＯＮＩ Ｃ ＥＮＧＩ ＮＥＥＲＩ ＮＧ
ＶＯ ． ＮＯ． １ ９， ２
Ａｐ ． ２ １ ｒ ， ０１
文 章 编 号 ： １ ７ － ８ ２２ １ ） ２ ０ ５ ． ６ ６ ２２ ９ （０ １０ ． １ ２ ０
ｐ ｓ ｉ ｅｌ ｃ ｔｏ ｙ ｔ ｍ ａ ｓｖ ｏ ａ ｉ ｎ ｓ ｓｅ
Ｘ ＵＪａ ． ａ Ｋ Ｎ ｏ，Ｘ ＵＪａ ．ｕ Ｉ ｉｎｊ ｎ， Ｏ ＧＢ Ｉ ｉｎｈ ａ ｕ
（． ｅ ａｔ ｎ ｆ ｌｃｒｎｃａ ｄＩｆｒ ｔ ｎＥ ｇｎ ｅｉｇ ．ｒｇ ｄ ｆ ｏｔｒｄ ａｅ，Ｎａ ａ Ａ ｒｎ ｕｉａ ａ ｄＡｓｒｎ ｕｉａ ｎｖ ｒｉ ， ａＤ ｐ ｒｍｅ ｔ ｅ ｔ ｉ ｎ ｎｏｍａｉ ｎ ｉｅ ｒ ；ｈＢ ｉａ ｅ２ｏ ｓｇａ ｕ ｔ ｏＥ ｏ ｏ ｎ Ｐ ｖｌ ｅｏ ａ ｔｃ ｌ ｎ ｔ ａ ｔ ｌ ｉｅｓｔ ｏ ｃ Ｕ ｙ
基 于 伪 线 性 和 输 入 估 计 的 无 源 自适 应 跟 踪 算 法
修建娟 。 ，孔 博 ，修 建 华
（ 军航 空 １ 程学 院 ａ电 子信 息 工程 系 ；ｂ研 究 生 二 队 ， 山东 烟 台 ２ ４ ０ ） 海 ＝ ． ． ６０ １
摘 要 ：基 于 伪 线 性 滤 波 算 法 和 输 入 估 计 算 法 提 出 了 一 种 对 空 中机 动 目标 进 行 三 维 测 向 无 源 自适 应 跟 踪 的 新 算 法 。该 算 法 把 目标 机 动 加 速 度 看 成 是 未 知 的 输 入 向 量 附加 到 状 态 方 程 中 ，再 利 用 状 态 向 量 扩 维 情 况 下 的 伪 线 性 滤 波 算 法 对 目标 进 行 三 维 无 源 跟 踪 ， 跟 踪 过 程 中在 对 原 来 目标 状 态 向量 进 行 估 计 的 同 时估 计 目标 加 速 度 。 仿 真 结 果 表 明 ：该 算 法 不 需 要 对 目标 进 行 机 动 检 测 ， 即 能 够 适 应 目标 机 动 和 非 机 动 ２种 工作 模 式 ， 实现 对 空 中机 动 目标 的 自适 应 无 源 跟 踪 。 关 键 词 ：修 正 的输 入 估 计 ； 伪 线 性 滤 波 ； 无 源 ｌｒ ｔｏ ｖ ｅｏ ｓ ａ ｅ ｅ ｔｍａ ｅ ｓｍｕｌ ｎ ０ ｓｙ ｗｉｈ ｔ ｅ ｈ ｇ ｅ ｄ ｍｅ ｓｏ ｐｓ ｕ ｏ ｌｎ ａ ｆｌｅ ． ｃ ｅｅ ａｉ ｎ ｅ ｔ ｒ ｒ ｓｉ ｔｄ ｉ ｔ ｅ ｕ ｌ ｔ ｈ ｉ ｈ ｒ ｉ ｎ ｉｎ ａ ｅ ｄ ・ｉｅ ｒ ｉｔｒ
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
一种带伪加速度修正的跟踪算法
作者：刘涛庆赵非耿东华
来源：《现代电子技术》2013年第10期
摘要：为了解决处理速度与跟踪性能之间的矛盾，提出一种带伪加速度修正的跟踪算法。
该算法利用球坐标系下距离、方位、俯仰的测量误差的不相关性，引入三个方向的伪加速度，建立目标运动模型、测量模型。
同时结合选取最佳跟踪波门，实现了对空中机动目标的实时跟踪。
与传统的自适应卡尔曼滤波跟踪算法相比，在减少计算量的同时，提高了机动目标的跟踪精度。
仿真和实验结果表明，该算法对空中机动目标具有良好的跟踪性能，工程实用性强。
关键词：α⁃β滤波；状态方程；量测方程；伪加速度；跟踪波门
中图分类号： TN957⁃34 文献标识码： A 文章编号： 1004⁃373X（2013）10⁃0033⁃04
0 引言
现代雷达系统中，要求对机动目标进行跟踪，从而获取目标的航迹信息。
跟踪算法的功能是外推下一周期目标出现的位置，选择合适的跟踪波门，在若干扫描点迹中找到航迹的下一个点迹，从而建立和更新航迹[1]。
建立一整套跟踪算法，包括目标运动模型、测量模型的建立、滤波算法、跟踪波门的选取等问题。
本文以某对空雷达为背景，实现了机动目标航迹跟踪，实际跟踪效果良好。
在该系统中，利用球坐标系下距离、方位、俯仰的测量误差的不相关性，采用带伪加速度修正的α⁃β滤波算法，该算法在减少运算量的同时，提高了目标的机动跟踪性能，较好地解决了处理速度和跟踪性能之间的矛盾，同时结合选取最佳跟踪波门，在若干点迹中找到目标真实点迹，实现了对空中目标的实时跟踪，有很好的工程实用价值。
2 带伪加速度修正的滤波算法
跟踪的效果受到量测方程和目标状态方程误差的影响，而这两者都是数学模型，都依赖于坐标系的选取，因此选择适当的坐标系对提高跟踪性能非常重要[4]。
该雷达的点迹录取是在球坐标系下获得，而目标状态方程在直角坐标系中可以用线性方程描述。
考虑到测量非线性对于估算的影响比动态非线性的影响大的多，因此选择跟踪和测量在同一个球坐标系中完成。
在球坐标系下进行测量的雷达，其距离、方位、俯仰的测量误差是相互独立的，因而可以分解为三个简单滤波器，分别对距离、方位、俯仰进行滤波。
然而，由于目标的运行特性不能用线性来描述，因此引入了三个方面的伪加速度，这些加速度与距离、方位、俯仰的关系还是非线性的[5]。
3 跟踪波门的选取
4 仿真和试验结果
5 结语
在现代雷达系统中，经常需要对机动目标进行跟踪，而跟踪性能的好坏取决于跟踪算法。
本文采用一种带伪加速度的跟踪算法，较好地实现了对飞机的实时跟踪。
通过仿真和检飞试验表明，该算法跟踪精度高，跟踪效果好。
表2 直线航路的飞行数据
参考文献
[1] 陈琼，邱峰，王俊.一种实用的多目标航迹跟踪算法[J].火控雷达技术，2008，37（1）：43⁃46.
[2] 何友.雷达数据处理及应用[M].北京：电子工业出版社，2006.
[3] 刘宇.雷达数据处理中的航迹相关[D].成都：四川大学，2003.
[4] 罗利强.某型雷达多目标跟踪算法的研究[D].西安：西北工业大学，2004.
[5] 马玲.边扫描边跟踪雷达航迹跟踪算法的研究[D].西安：西北工业大学，2004.
[6] 焦健.基于外辐射源雷达系统中的数据处理[D].南京：南京理工大学，2004.
[7] 罗利强，蔡兴雨.TWS雷达多目标动态跟踪及其实现[J].火控雷达技术，2004，33（1）：22⁃26.
[8] 闫敬业，陶然，单涛，等.扇形扫描的TWS雷达目标方位角对距离估计误差的影响[J].北京理工大学学报，2001，21（6）：761⁃764.
[9] 张林怡.相控阵雷达数据及多目标跟踪仿真[J].电视技术，2008，48（5）：86⁃88.
[10] 章圣洁，丁立新.多目标跟踪系统数据融合算法的性能评估[J].计算机测量与控制，2007，15（12）：1772⁃1774.
[11] 邱令存.新型伪加速度修正自适应滤波算法研究[J].航天控制，2009（3）：8⁃11.
[12] 江桥，罗利强.伪加速度修正自适应α⁃β滤波算法研究[J].火控雷达技术，2005，34（2）：9⁃12，28.
[13] 查立宏，肖明清，江洋溢，等.基于最小误跟概率的最优跟踪波门确定方法[J].弹箭与制导学报，2004（6）：29⁃32.。