组合Kalman隔点预测法的仿真适应性

将Kalman预测方法用于仿真经纬仪跟踪机动目标,对不同靶标旋转速度下的机动目标跟踪进行了仿真研究。对等角速度模型和等角加速度模型的状态方程输入矩阵G(k)进行了计算。根据Kalman预测曲线与实测曲线误差的标准方差最小原则,确定了两模型的状态噪声与测试噪声的方差比值Q/R,并优化了两模型适合经纬仪的比值Q/R。提出了组合Kalman隔点预测法。对两模型的组合Kalman隔点预测仿真结果进行了对比。得出了两模型的组合Kalman预测法在仿真经纬仪跟踪机动目标时的适应范围。     

基于交互式当前统计模型的变采样率跟踪算法

针对相控阵雷达跟踪机动目标时当前统计模型采用固定机动频率和机动加速度上限而难以适应多种目标机动环境,提出了基于交互式当前统计模型的变采样率跟踪算法．该算法将多个当前统计模型作为交互多模型框架下的模型组成,然后根据各模型相关过程噪声值合成计算雷达的采样间隔,实现变采样率跟踪,提高了适应目标机动的能力和跟踪精度．仿真结果表明,本文算法的跟踪性能明显优于基于Singerk模型的变采样率跟踪算法．     

广义合作目标跟踪的误差空间估计方法

提出了广义合作目标的概念及误差空间估计方法,提高了光电跟踪系统的跟踪精度与平稳性。该方法采用引导数据与引导误差描述目标的运动,通过将目标的机动分散到引导数据和引导误差,在目标状态空间中根据目标的运动模型进行滤波,在误差空间中根据引导误差模型进行滤波与预测,再进行合成得到目标位置预测数据。实验结果表明在相同的机动水平下,该方法的跟踪性能优于Kalman滤波与强跟踪滤波。     

卡尔曼滤波在陀螺稳定吊舱控制中的应用

通过对当前流行的控制方法进行比较,采用变结构控制的原理对系统控制器进行设计.以典型的两轴四框架结构吊舱系统的内俯仰框架为控制对象,设计了一种基于Kalman滤波器的滑模变结构控制方案.当过程噪声和量测噪声较大时,针对不同形式的跟踪信号,对有无滤波器两种控制方案的跟踪效果进行了比较.仿真结果表明,采用基于Kalman滤波器的滑模变结构,系统的跟踪性能较没有Kalman滤波器的跟踪性能有明显的改善,提高了系统跟踪精度.     

模糊化模型概率的IMM-SUPF机动面目标跟踪

为了提高跟踪系统对水面机动目标的跟踪能力,本文将水面目标建模为椭圆形面目标,提出一种基于交互多模型(interacting multiple model, IMM)算法的机动面目标跟踪方法。首先,利用现代高分辨率雷达获得的面目标扩展测量,给出了基于面目标的跟踪测量方程。其次,将强无迹粒子滤波(strong unscented particle filter, SUPF)算法引入到IMM中得到IMM-SUPF。该SUPF利用强跟踪无迹卡尔曼滤波(strong tracking unscented Kalman filter, STUKF)产生粒子建议分布。由于STUKF采用渐消因子调整UKF的状态模型协方差和观测模型协方差的比例,使得建议分布更符合真实状态的后验概率分布,从而提高了IMM算法中子模型滤波器的估计精度。最后,基于模糊隶属度函数对粒子的模型概率进行模糊化,从而在提高真实模型滤波器中粒子模型概率的同时减小非匹配模型滤波器中粒子模型概率,进而提高了IMM算法的估计融合精度。Monte-Carlo仿真实验表明,相比于传统的基于质点目标的IMM-UPF算法,文中所提的基于面目标的IMM算法跟踪精度更高,且所提算法的误差超调量更小,收敛更快。此外,所提面目标IMM算法的跟踪精度也要高于面目标IMM-UPF算法。针对水面机动目标跟踪问题,不同于传统的质点目标IMM算法,文中将水面目标建模为椭圆形面目标,并利用面目标扩展测量信息设计了模糊化模型概率的IMM-SUPF算法。该算法进一步提高了跟踪系统对水面机动目标的跟踪能力。     

一种参数自适应变化的强机动目标跟踪算法

针对强机动目标跟踪模型难以准确匹配以及跟踪滤波器容易发散的问题,提出一种基于参数自适应变化的强机动目标跟踪算法。对"当前"统计Jerk(improved Jerk model based on current statistics,CS-Jerk)跟踪模型中的机动频率及加速度变化率的极大值进行自适应处理,同时将强跟踪滤波器(strong tracking filter, STF)中的单重时变渐消因子调整为自适应变化的多重时变渐消因子,从而实现对强机动目标更高精度的跟踪。仿真实验结果表明,该算法提高了对强机动目标的跟踪精度。     

自适应TSKF的空间电推进机动目标跟踪

非合作机动目标跟踪是地球静止轨道卫星进行状态监测、维修维护等复杂航天任务的前提.出于推进效率考虑,下一代高轨卫星将优选全电推进配置,但电推进的连续小推力机动特性致使基于CW方程的经典非合作目标跟踪算法期望有偏,两段状态估计法在稳态估计性能与机动跟踪响应间存在矛盾.为了解决电推进下对机动目标的快速跟踪估计问题,采用滤波误差理论对经典算法性能衰减因素进行分析,得到机动加速度至滤波新息的转移矩阵演变特性,进而提出一种自适应变维两段状态估计法.改进方法基于目标机动检测信息修正偏差滤波器的观测阵以匹配上述演变特性,使其在目标非机动区间性能与经典相对导航跟踪算法等效,在机动区间性能与两段状态估计算法等效,同时具备更快的跟踪响应特性.仿真结果表明,本算法对非合作目标的稳态跟踪性能与传统经典算法一致,跟踪响应速度提升4~5倍,是对空间非合作机动目标连续小推力机动下跟踪问题的有益探索.     

BF粒子滤波算法在快速目标跟踪中应用的研究

为了对快速目标进行跟踪,在高斯加性白噪声的条件下(AGWN),文章把BF粒子滤波算法和迭代的Kalman滤波器方法结合起来对快速目标状态进行处理,状态估计用BF粒子滤波算法,能减小方差和运算量,同时用Kalman滤波器能提高跟踪精度和对目标状态的估计。仿真结果表明,文中所设计的快速和精确的BF算法能真正地解决快速目标跟踪问题。     

基于伪线性卡尔曼滤波的两站红外无源定位及跟踪技术

建立了目标的两站红外搜索与跟踪系统的伪线性观测模型，基于该模型提出了运动目标的伪线性卡尔曼滤波算法．该算法利用伪线性方程组获得滤波器的初值，从而提高了滤波器的跟踪精度和速度．分别采用伪线性卡尔曼滤波器与推广卡尔曼滤波器对目标进行定位及跟踪的仿真结果表明：在跟踪初始阶段，伪线性卡尔曼滤波的跟踪精度明显优于推广卡尔曼滤波．在近距离范围，不论目标是匀速还是机动运动，两者的跟踪精度都非常高．在远距离范围，当目标机动时，伪线性卡尔曼滤波的跟踪精度明显优于推广卡尔曼滤波；当目标匀速运动时，推广卡尔曼滤波的跟踪精度略优于伪线性卡尔曼滤波．从整个仿真过程可以看出，目标的运动形式对推广卡尔曼滤波性能的影响是非常明显的，而对伪线性卡尔曼滤波性能的影响则很小．     

辐射源机动目标被动式鲁棒跟踪一种算法

为研究只测向目标跟踪系统在观测噪声为ε污染高斯分布背景下的辐射源机动目标鲁棒跟踪问题,提出一种简易而有效的变结构鲁棒跟踪算法。该算法由机动目标快速鲁棒检测器、变结构跟踪器（鲁棒MGEKF／PLKF）以及系统误差补偿等环节组成,能够在ε污染高斯分布背景下快速鲁棒检测和跟踪辐射源机动目标,同时根据系统误差特征可实时补偿系统跟踪误差。仿真结果表明,该算法能够有效解决辐射源机动目标鲁棒跟踪问题。     

机载PD雷达四维跟踪数据处理原理及实现

在机械PD雷达系统中，建立了机动目标的运动模型和测量模型，着重阐述了Kalman跟踪滤波算法，给出了四维（距离、速度、方位角、俯仰角）跟踪实验系统三重处理器结构的实现，给出了跟踪误差曲线，结果表明：对于跟踪精度高，计算量大的Kalman滤波算法，应用DSP技术能满足实时要求。     

GPS/INS动态卡尔曼滤波优化算法

GPS/INS组合导航系统动态定位数据的随机误差消除的重要方法是卡尔曼滤波,但运用扩展卡尔曼滤波器进行动态定位滤波时,需要对系统模型和观测模型以及误差模型进行准确建模,特别是载体状态机动时滤波器跟踪能力不强。提出一种GPS/INS组合导航动态卡尔曼滤波的优化算法,引入遗忘因子限制卡尔曼滤波器的记忆长度,充分利用现时的测量数据,改善滤波器的动态性能,并进行计算机仿真实验。仿真结果表明,遗忘因子增加,滤波器的跟踪能力增强,使滤波器达最佳性能。该优化算法比普通的扩展卡尔曼滤波算法的动态跟踪性能好,从而可显著提高导航系统定位精度。     

基于矩阵加权多模型融合的认知跟踪波形设计

针对机动目标状态跟踪问题,认知雷达能够调整发射端波形来获取持续、稳健目标跟踪信息.本文基于矩阵加权多模型融合思想引入一种新的面向机动目标跟踪的认知雷达自适应波形设计方法(Adaptive waveform design method based on Matrix-weighted Interacting Multiple Model,AMIMM).首先,利用多模型思路对机动目标状态进行建模,并考虑各模型目标状态估计及其误差协方差矩阵中元素间相关性,以矩阵加权融合方式代替传统概率加权方式,进而构造基于矩阵加权多模型信息融合的跟踪算法框架;然后,以多模型状态融合后的状态估计误差协方差矩阵为基准,利用特征值分解(Eigen Value Decomposition,EVD)技术求取融合后状态估计误差协方差矩阵对应椭圆参数;最后,通过分数阶傅里叶变换(fractional Fourier transform,FrFT)来旋转雷达量测误差椭圆,使得量测误差椭圆与融合后目标状态估计误差椭圆正交,从而获得下一时刻认知波形参数,实现波形自适应捷变.仿真实验表明,与当前流行多种算法相比,本文所提算法能够进一步提高机动目标跟踪精度和稳健性.     

组网无源雷达高速多目标初始化及跟踪算法

针对无源相参雷达系统多个高速机动目标跟踪问题,提出一种扩展的多模型概率假设密度滤波器的粒子滤波实现方法． 传统的多模型概率假设密度滤波器假定新生目标的强度函数先验已知,但是无源雷达背景下新生目标可在监视区域任意位置出现,且速度取值范围大,此时传统方法失效． 基于传统多模型概率假设密度滤波器,利用各时刻远离多目标状态估计的定位结果,自适应初始化各时刻新出现的目标,有效跟踪多个高速机动目标． 仿真实验验证了该方法的有效性．     

一种车辆机动目标跟踪的多传感器信息融合估计算法

为了保证自动高速公路系统对车辆机动目标的实时、精确跟踪,提出了一种车辆机动目标状态的多传感器信息融合估计算法.建立了车辆运动状态的离散时间多模式非线性动态系统模型,利用当前时刻的各个传感器量测数据,结合交互式多模型和扩展卡尔曼滤波器得到各个局部状态估计值和滤波误差协方差阵,并采用动态加权信息融合准则获得更为精确的车辆融合航迹估计值.通过仿真验证表明这种多传感器信息融合估计算法能实时有效地提高车辆机动目标跟踪精度.     

基于CV模型的α-β滤波新息序列相关特性分析

雷达数据处理中卡尔曼滤波的新息序列白噪声特性常被用于目标的机动检测,从扩大目标跟踪容量的角度考虑,计算量较小的α-β滤波器仍被许多雷达采用.为了指导新的机动目标检测方案设计,首先从理论上推导了α-β滤波的新息序列相关特性计算公式,然后在一组特定α、β取值下,进一步证明了滤波稳态后新息序列同样具有白噪声特性,最后仿真实验验证了理论推导的正确性.这为α-β滤波器下的机动目标检测提供了理论支撑.     

水面目标信号预测与识别方法

针对水声信道随机、时变、空变的特性,在强干扰背景下难以提取目标信号的问题,建立了基于改进Volterra滤波器的水面信号预测模型。应用Volterra级数滤波器,建立了目标信号的非线性动力学模型,通过对目标信号的短期预测,实现了对背景干扰的抑制;结合Kalman滤波器的实时递推性质和二阶Volterra级数滤波器的非线性拟合特性,对常规Volterra模型进行了改进;对预测时间序列提取了非线性特征量最大Lyapunov指数和关联维数,验证了两类水面目标信号具有混沌特性。结果表明,Kalman滤波器估计Volterra核的自适应预测方法预报误差较常规方法有显著降低,收敛性提高,鲁棒性增强。     

基于序贯重要采样算法的被动单站机动目标跟踪

将序贯重要采样(SIS)与交互多模型(IMM)算法相结合,提出了一种新的机动目标跟踪方法——IMM-SIS算法,并将其应用于被动单站跟踪系统,同高斯和粒子滤波器(IMM-GSPF)算法相比,其优点是不需要重采样步骤,也不会出现采样粒子的退化和贫乏现象．通过跟踪一个机动目标的仿真过程,对算法性能进行了检验,结果表明,该算法在计算速度和跟踪精度方面均优于IMM-GSPF算法,同经典的IMM-EFK算法相比,两种算法在鲁棒性和精度上都是优越的．     

在线角速度估计的乒乓球机器人视觉测量方法

针对目前乒乓球机器人在视觉跟踪过程中无法准确识别和跟踪旋转球轨迹,导致预测结果误差较大的问题,提出基于在线旋转角速度估计的视觉测量方法.该方法应用空气动力学的理论知识对旋转球的受力情况进行分析建模,构建旋转球轨迹的过程方程和观测方程,利用非线性扩展Kalman滤波器对包括角速度在内的运动状态进行估计.通过仿真实验和实际轨迹跟踪实验验证了该方法的有效性和正确性,且预测结果优于同类跟踪方法.该方法亦可应用于实时高速目标跟踪的场合.     

当前统计概率数据关联算法

目标跟踪领域的一个研究重点是如何解决在密集杂波环境下机动目标的跟踪问题。机动目标跟踪的关键是解决目标模型的不确定性,而密集杂波环境则使这个问题变得更加复杂。针对这一问题,提出一种当前模型概率数据互联算法。该算法将当前模型算法与概率数据互联相结合,在使用概率数据互联算法的同时,利用当前模型算法对目标出现的机动进行自适应滤波。最后,给出了算法的仿真分析,仿真结果说明该方法能够有效地跟踪杂波环境中的机动目标。