💥 💥 💞 💞 欢迎来到本博客 ❤️ ❤️ 💥 💥
🏆 博主优势： 🌞 🌞 🌞博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。
⛳ 座右铭：行百里者，半于九十。
📋 📋 📋 本文目录如下： 🎁 🎁 🎁
目录
💥1 概述
📚2 运行结果
🎉3 参考文献
🌈4 Matlab代码、数据、详细文章
💥1 概述
诸如美国全球定位系统（GPS）的全球导航卫星系统（GNSS）已经在民用应用和军事中变得普遍。GNSS应用是多种多样的，因为这样的系统提供精确的全球定位和时间同步。然而，GPS的一个主要弱点是它容易受到干扰，因为来自环绕地球运行的GPS卫星的GPS信号是非常低的信号，约为-130dBm，如[1]所述市场上各种各样的民用GPS干扰器都可以以实惠的价格买到。如[2]所示，民用GPS干扰机通常是具有近似固定发射功率的简单全向单极天线，其扫描主GPS频带（约1.57GHz的L1频率）。最近的事件，如盗窃和机场事件，暴露了GPS的脆弱性和日益增长的干扰环境，如[3]所示。因此，当局正在采取措施防止其扩散，并尝试开发抗干扰的GPS接收机，以及检测和定位这些干扰的新方法无线电频率（RF）发射器的被动定位（也称为地理定位）是一个日益增长的研究领域，这得益于无人机（UAV）在民用和军用搜索救援和目标跟踪任务中的日益使用。这些平台在地理定位方面有几个优势，包括更小的平台、更强的耐力和灵活性、团队搜索以及可能降低的成本
本文是作为传感器融合模块的一部分创建的，该模块由克兰菲尔德大学的Hyo-Sang Shin博士为自动驾驶汽车动力学与控制硕士课程的学生举办。该存储库包含 MATLAB 软件，用于对来自无人机平台的非移动 GPS 干扰器进行位置估计的多种传感器融合算法的性能分析。
任务的障碍是在 MATLAB/Simulink 提供的合成环境中开发和实现不同的传感器融合算法。提供的问题定义分为两个子部分。第一部分侧重于在具有各向同性干扰器行为的环境中开发某些传感器融合算法。本节重点介绍扩展卡尔曼、无迹卡尔曼和粒子滤波算法的实现，以估计非移动 GPS 干扰平台的位置。在第二部分中，干扰器模式在扩散过程中是各向异性的 行为。应使用先前开发的算法（扩展卡尔曼、无迹卡尔曼和粒子滤波器）来分析它们使用新干扰器模式的行为。作为任务的最后一部分，应该已经实现了新的 abd 未呈现的传感器融合算法。该算法的目标是改进各向异性干扰器行为情况下的位置估计
GPS干扰器定位方法
GPS干扰车的位置不能直接观察到，因此必须利用观测测量来观察。为了定位混淆GPS信号的目标，使用干扰信号的功率测量。这种方法称为接收信号强。
无人机制导方法
用于无人机制导的制导方法是基于矢量场的路径跟踪。其中无人机首先遵循直线方法到达目标的估计位置。当无人机到达一定距离时，它开始沿着徘徊路径行驶。
传感器融合算法
该任务的目标是为各向同性和各向异性GPS干扰器模式开发和实现不同的传感器融合算法。实现了以下算法：
扩展卡尔曼滤波器
昂森特卡尔曼滤波器
粒子过滤器
扩展粒子过滤器
无厘头粒子过滤器
H-无限滤光片
自适应卡尔曼滤波
H-无限粒子过滤器
粒子过滤器重采样
已经采用了一套潜在的重新采样方法。该分析的目的是比较重采样方法在同一环境中的不同性能，并选择性能最佳的算法。已实施并调查了以下方法：
多项重采样
系统重采样
残余重采样
残差系统重采样
局部选择重采样
分层重采样
📚2 运行结果
【无人机】无人机平台的非移动 GPS 干扰器进行位置估计的多种传感器融合算法的性能分析（Matlab代码实现）
仅展现部分结果：
🎉3 参考文献
部分理论来源于网络，如有侵权请联系删除。
