高度机动目标的改进CS-Jerk模型

针对高度机动目标跟踪问题,通过对Jerk模型的分析,借鉴"当前"统计的思想,采用截断正态分布来表征目标机动加速度变化率(Jerk)特性,利用Jerk均值与方差之间的关系自适应调整过程噪声协方差矩阵,提出一种改进的"当前"统计Jerk模型(MCS-Jerk model);并通过理论分析指出了Jerk模型及其跟踪算法的缺陷以及改进的MCS-Jerk模型算法的有效性;仿真结果表明改进的模型及跟踪算法的高机动目标跟踪性能明显优于基于Jerk模型的跟踪算法。     

基于Jerk模型和EKF的多基地雷达机动目标跟踪算法

针对多基地雷达系统对高机动目标的跟踪精度问题,提出了基于Jerk模型和扩展卡尔曼滤波(EKF)的机动目标跟踪算法.通过建立系统的离散状态方程和非线性观测方程,推导状态向量和误差协方差矩阵的初始化计算公式,给出EKF滤波的流程.利用Monte Carlo仿真,分析和比较了在变加速目标轨迹下Jerk与当前统计模型的跟踪效果,表明该算法具有对高机动目标实现准确自适应跟踪的能力.     

改进的变维滤波实现运动目标姿态的跟踪

针对运动目标变维姿态滤波在姿态剧烈变化时滤波效果较差的问题,结合Jerk模型,提出一种改进的变维运动目标姿态滤波方法。该方法通过建立角加加速度滤波模型,结合变维姿态滤波中的角速度和角加速度模型,利用角度和角速度的新息残差,角加速度和角加加速度估计显著性检验的统计量,判定目标姿态的机动状态,调整跟踪模型,从而提高姿态跟踪精度。仿真表明,该方法在保持变维姿态滤波精度基础上,有效提高了姿态强机动情况下的跟踪精度。     

改进的当前统计模型及自适应跟踪算法

对于机动目标跟踪问题,在当前统计（CS）模型的基础上,提出了一种新的机动目标自适应跟踪算法。通过引入强跟踪滤波器（STF）的渐消因子,增强了模型对目标突发机动的自适应跟踪能力,同时针对模型对目标加速度极限值的依赖性这一缺点,引入一种利用位置估计值与加速度的函数关系自适应调整加速度方差的方法,提高了对弱机动和非机动目标的跟踪能力。仿真结果表明,该算法与标准的当前统计模型滤波算法相比具有较高的跟踪精度。     

基于“当前 ”统计模型的自适应Kalman跟踪算法

机动目标跟踪广泛应用于军事和民用领域。机动目标跟踪的主要问题之一是建立未知的目标加速度模型。本文阐述了一种跟踪机动目标的机动加速度统计模型--“当前”统计模型,并推导了基于此模型的自适应Kalman跟踪算法。这种模型和算法适用于每一种具体的战术场合和目标机动的当前状况。能够正确直接地估计出机动目标的当前状态,不存在任何估计滞后与修正问题。     

基于当前统计模型的目标跟踪改进算法仿真分析

针对当前统计模型跟踪机动目标算法存在误差较大问题,采用加速度方差与机动频率自适应技术,能够实现对任意机动情况下的目标精确跟踪。经计算机仿真,比较了加速度方差与机动频率自适应方法的跟踪性能,表明改进算法具有更好的适应性。     

变维的机动目标跟踪算法

为改善现有机动目标跟踪方法存在的跟踪精度不高、滤波易发散的问题,提出了一种RA-Jerk-EKF算法,该算法将目标径向加速度信息引入量测向量,通过增加雷达量测向量维数提高机动目标的跟踪精度。在信号处理阶段利用分数阶傅里叶变换(FRFT)估计出目标的径向加速度,并将其通过坐标转换引入量测向量中;在数据处理阶段采用Jerk模型和扩展卡尔曼滤波(EKF)算法解决滤波算法中非线性量测方程问题;最后将该方法与传统的不带径向加速度的Jerk-EKF方法进行了仿真比较。结果表明,该方法在跟踪精度,位置、加速度和速度估计精度方面均有所改善。     

基于当前统计模型的强机动目标跟踪算法

当前统计模型算法将当前加速度均值作为输入控制项引入一步预测方程,实质上变为方差自适应变化的匀加速直线运动模型,虽然单位阶跃加速度输入的稳态误差为零,但对变加速度运动的机动目标跟踪效果变差。本文提出一种改进算法,在保留修正瑞利分布描述机动加速度统计特性的基础上,选择零均值时间相关模型,并与当前统计模型算法进行比较。仿真结果表明,本算法对变加速机动目标的跟踪性能明显优于当前统计模型算法。     

基于Bayesian-Fisher 混合模型的强跟踪当前统计模型

针对当前统计模型(CS)不能自适应调节机动参数,导致对弱机动以及强机动目标跟踪性能下降的问题,提出了一种基于Bayesian-Fisher 混合模型的新方法。首先,通过引入Bayesian-Fisher 混合模型,将机动加速度均值作为未知的确定性输入增广到状态变量中,实现了对加速度均值的在线自适应估计;其次,根据强跟踪滤波器(STF)的思想,引入时变渐消因子,增强算法对突变状态的适应能力。仿真结果表明,该算法不仅提高了对弱机动和强机动目标的跟踪精度,也削弱了对初始机动参数的依赖。     

一种基于"当前"统计模型的自适应滤波算法

针对机动目标跟踪问题 ,在“当前”统计模型的基础上 ,利用机动加速度与方差的自适应关系 ,提出了一种新的自适应滤波算法。大量仿真结果表明 ,该算法在跟踪机动目标时 ,具有良好的跟踪性能。     

一种改进的方差自适应滤波算法

标准的基于”当前”统计模型的自适应卡尔曼滤波算法中机动频率和加速度极限值存在靠经验预先设定的问题,以及在跟踪非机动和弱机动目标时存在精度不高的问题,本文在分析已有的加速度方差自适应算法的基础上,提出了一种改进的加速度方差自适应算法.仿真结果表明本文提出的改进的加速度方差自适应算法是有效性的,较已有算法提高了跟踪非机动或弱机动目标的精度.     

基于截断正态概率密度模型的机动目标自适应跟踪算法

针对Singer模型算法中假设的不合理性,提出了基于截断正态概率密度模型的机动目标跟踪算法,给出了非零时间相关模型及目标加速度的截断正态概率密度模型,并结合Kalman滤波算法得出目标加速度的截断正态概率密度模型的自适应滤波系统流程图,最后针对实际目标机动情况对其进行仿真计算,结果验证了该算法的良好跟踪性能。     

基于改进“当前”统计模型的目标跟踪算法

提出一种基于改进"当前"统计模型的目标自适应跟踪算法.针对"当前"统计模型自适应算法对机动加速度极限值有依赖,对弱机动目标跟踪精度不高的问题,采用一种简单的加速度方差自适应调整公式加以克服,在此基础上融合隶属函数对其进行加权改进.为克服算法中自相关时间常数难以选取问题,将不同自相关时间常数的"当前"统计模型在交互式多模型框架内进行交互.仿真结果表明,无论对于强机动目标还是弱机动目标,新算法都具有较好的跟踪效果.     

修正的当前统计模型及自适应跟踪算法

针对当前统计模型及其自适应算法对弱机动目标跟踪精度较低以及强机动发生时刻跟踪误差增大的缺陷,提出了一种修正的当前统计模型及自适应跟踪算法。一方面,利用指数函数对当前统计模型中加速度极值进行实时修正,从而提高了算法对弱机动目标的跟踪精度;另一方面,利用滤波残差调整预测协方差,同时对滤波结果发生较大偏差的上一时刻的滤波结果进行修正,从而提高了对强机动目标的适应能力。仿真结果表明,所提算法对弱机动目标和强机动目标都具有良好的跟踪性能。     

机动目标跟踪中一种机动频率和方差自适应滤波算法

在机动目标跟踪中,当前统计模型(Current Statistical model, CS)需要预先依据经验设定机动频率和加速度极限值,当预先设定的值与目标的实际运动状态不一致时,将造成较大的跟踪误差。为克服上述问题,该文首先从当前统计模型的离散状态方程中,导出了一种机动频率自适应算法,然后对张安清及巴宏欣等人提出的加速度方差自适应算法进行了改进。仿真实验表明,在综合运用上述机动频率自适应和加速度方差自适应算法的基础上,对CS 模型修改后,得到的机动目标跟踪自适应滤波算法(Mending CS based Adaptive Filtering algorithm,MAF),能够有效增强基于CS 模型的机动目标跟踪自适应滤波算法(CS based Adaptive Filtering algorithm, AF)对目标运动状态变化的自适应能力,并且在低噪声环境下,跟踪精度比AF 算法有所提高,算法收敛速度可达到AF 算法的2 倍,在强噪声环境下,目标机动阶段的跟踪精度提高近2 倍,匀速阶段的精度与AF 算法相当,算法的收敛速度可达到AF 算法的4～10 倍,因此,MAF 算法具有较强的抗干扰能力。      

水下目标的多速率交互多模型跟踪算法

为解决水下机动目标精密跟踪定位的实时性和可靠性问题,根据水下目标运动速度慢、机动性能弱的特点,该文利用小波变换技术实现了模式空间与测量空间的混合滤波,建立了水下机动目标多速率交互多模型跟踪定位算法,给出了多速率常速度和常加速度多模型滤波算法的统一表示形式。仿真试验的结果表明水下目标的多速率交互多模型跟踪算法具有较低的计算复杂度,能够改善水下目标跟踪的可靠性和实时性。     

水下目标的多速率交互多模型跟踪算法

为解决水下机动目标精密跟踪定位的实时性和可靠性问题,根据水下目标运动速度慢、机动性能弱的特点,该文利用小波变换技术实现了模式空间与测量空间的混合滤波,建立了水下机动目标多速率交互多模型跟踪定位算法,给出了多速率常速度和常加速度多模型滤波算法的统一表示形式。仿真试验的结果表明水下目标的多速率交互多模型跟踪算法具有较低的计算复杂度,能够改善水下目标跟踪的可靠性和实时性。     

机动目标自适应高斯模型与跟踪算法

提出了一种描述机动目标运动状态的自适应高斯模型,在这种模型中,机动目标的加速度被认为是具有非零均值、时间相关的随机过程,并假定其概率密度函数服从高斯分布。指出了机动目标运动模型的均值和方差与目标机动加速度最佳当前估计值之间的关系,在此基础上,提出了相应的自适应卡尔曼滤波算法。仿真结果表明,该算法对机动目标在不同机动方式下的位置、速度和加速度均有良好的跟踪效果,且所需计算量小。     

改进的“当前”统计模型变采样率目标跟踪算法

为满足实际雷达系统对高精度和高实时性的要求,提出了一种改进的"当前"统计模型变采样率机动目标跟踪算法。该算法针对"当前"统计模型必须预设加速度极值和机动频率的问题,提出一种加速度方差和机动频率在线同步自适应方法,建立改进的"当前"统计模型机动目标跟踪算法;针对在线自适应方法计算量大的问题,结合采样周期的大小与目标机动特性的关系,引入变采样率方法。仿真结果表明,与传统"当前"统计模型相比,改进的"当前"统计模型机动目标跟踪算法能显著提高对不同机动强度目标的跟踪精度;变采样率方法通过减少采样点数,节省了系统资源,提高了跟踪实时性;所提算法将两者结合,用传统的"当前"统计模型1.5~2倍的平均采样周期得到了更小的位置均方根误差,实现了用单模型方法同时改善跟踪精度和实时性的目的。     

一种精确跟踪机动目标的非线性滤波算法

在非线性系统中,最常用的是扩展卡尔曼滤波算法(EKF),当目标距离较远时,滤波器由于量测方程非线性的影响,误差较大。以机动目标“当前”统计模型为基础,建立新的机动目标模型,加入多普勒速度测量对补偿线性化误差的跟踪算法(PTLKF)进行改进。最后融入修正的加速度方差自适应算法对机动目标进行跟踪。仿真结果表明:在非线性观测条件下,改进的PTLKF算法和修正的加速度方差自适应算法的融合可以有效地改善跟踪的效果,并且其计算量明显小于强跟踪滤波算法。