.png){kind=icon}
返回
Generalized M-Estimation-Based Framework for Robust Guidance Information Extraction
.png){kind=icon}
PRE
AI
DOI：10.3390/e27121217.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本研究解决了指导信息提取中的状态估计挑战。这些挑战源于非高斯噪声。我们提出了一种鲁棒框架来解决这些问题。IMCIF框架能够有效处理导引头测量中的非高斯噪声。然而，具有不稳定和统计特性未定义的噪声使得最优核宽度选择变得困难。这一局限性损害了估计精度，甚至可能导致滤波器发散。为解决此问题，我们首先使用统计线性回归对非线性模型进行线性化，并将广义M估计与IMCIF相结合。引入SVD以提高数值稳定性，并缓解由次优核宽度选择引起的发散。此外，采用DCS核函数处理由大视场操作和目标表面反射引起的大规模非高斯噪声。提出了一种改进的权重函数方法，在保持L2-范数准则的同时，确保在非高斯噪声下的估计精度。仿真验证了算法在非高斯噪声下的精度。在显著非高斯噪声下仍能保持高精度，证明了其鲁棒性。这些改进解决了数值稳定性和自适应噪声抑制问题，从而提高了系统在多样化干扰场景下的可靠性。本研究旨在为需要实时算法的制导系统设计人员，以及关注M估计与信息论学习鲁棒融合的滤波研究人员提供参考。
Keyword:
guidance information estimation
generalized M-estimation
non-Gaussian noise maximum correlation entropy
期刊
IF:
2
论文数:
956
被引数:
2.4W
机构
引用论文
分享收藏Robust Student's t-Based Stochastic Cubature Filter for Nonlinear Systems With Heavy-Tailed Process and Measurement Noises具有重尾过程和测量噪声的非线性系统的鲁棒学生t基随机容积滤波器.png)
IEEE ACCESS
OAAI
IEEE ACCESSIF3.6
OAAI分享收藏Below the radar. Examining a small state’s usage of tactical unmanned aerial vehicles低于雷达：考察小国对战术无人航空器的使用
PREAI
分享收藏Robust recursive sigma point Kalman filtering for Huber-based generalized M-estimation基于Huber准则的广义M估计的鲁棒递归sigma点卡尔曼滤波OAAI
OAAI分享收藏Training multi-source domain adaptation network by mutual information estimation and minimizationNEURAL NETWORKS
NEURAL NETWORKSIF6.3
PREAI
分享收藏
查看更多内容