多运动平台多传感器机动目标自适应跟踪

针对多运动平台多传感器背景下的机动目标跟踪问题,提出了模糊自适应无迹卡尔曼滤波(FUKF)算法,基于良好机动性描述的"当前统计"模型和良好非线性滤波能力的UKF(Unscented Kalman Filter),利用模糊推理技术实时自适应地调整系统噪声协方差矩阵,来提高对目标机动性的理解能力和跟踪精度.仿真实验表明该算法的有效性.     

纯方位小幅机动目标定位跟踪技术研究

对纯方位小幅机动目标UKF(Unscented Kalman Filter)定位跟踪算法进行了研究。在目标机动可检测性分析的基础上,建立了纯方位小幅机动目标定位跟踪的UKF滤波算法模型,基于最小二乘和UKF算法联合调度思想,实现了对纯方位小幅机动目标的定位跟踪,通过仿真计算对其定位精度进行了分析,验证了算法模型的有效性。     

三维空间纯方位多目标跟踪PHD算法

针对基于概率假设密度算法（Probability Hypothesis Density,PHD）的高维纯方位多目标跟踪,提出了新型的PHD算法-新型采样准则的基于无迹变换的粒子PHD算法（Unscented Particle PHD based on New Sampling Rule,NSRUP-PHD）.新算法对每个目标设计了基于无迹变换（Unscented Transform,UT）的粒子滤波器,不仅解决了非线性滤波估计的问题,而且还通过高斯混合的方式实现了非高斯噪声估计.此外粒子滤波器提出了一种新型的采样手段,通过基于三阶容积准则（Cubature Rule,CR）的粒子方位选择和概率累加的距离延伸,使得采样粒子遍布整个空间的同时保障了粒子概率分布的问题,提高了粒子使用的效率.仿真结果表明NSRUP-PHD能够实现多目标有效跟踪,相比于传统的算法和伪随机采样,新型滤波器和采样手段可改善跟踪效果.     

高斯和高阶无迹卡尔曼滤波算法

为了提高非线性变换的近似精度,提出了一种高阶无迹变换（High order Unscented Transform,HUT）机制,利用HUT确定采样点并进行数值积分去近似状态的后验概率密度函数,建立了高阶无迹卡尔曼滤波（High-order Unscented Kalman Filter,HUKF）算法.进一步的为了解决非线性、非高斯系统的状态估计问题,将HUKF与高斯和滤波（Gaussian Sum Filter,GSF）相结合,提出了一种高斯和高阶无迹卡尔曼滤波算法（Gaussian Sum High order Unscented Kalman filter,GS-HUKF）,该算法的核心思想是利用一组高斯分布的和去近似状态的后验概率密度,同时针对每一个高斯分布采用高阶无迹卡尔曼滤波算法进行估计.数值仿真实验结果表明,提出的HUT机制与普通的无迹变换（Unscented Transform,UT）相比,具有更高的近似精度;提出的GS-HUKF与传统的GSF以及高斯和粒子滤波器（Gaussian Sum Particle Filter,GS-PF）相比,兼容了二者的优点,即具有计算复杂度低和估计精度高的特性.     

Unscented粒子滤波器及其在纯方位跟踪中的应用

为处理纯方位跟踪(BOT)中的非线性问题,提出了一种Unscented粒子滤波(UPF)跟踪方法。在使用Unscented变换的基础上,利用UPF来加入最新的观测量并产生非线性粒子滤波(PF)的建议分布。结合纯方位跟踪模型,推导了UPF应用的具体算法步骤,使用匀速运动和机动目标两个BOT仿真实例,与其它滤波器进行了仿真对比,分析了跟踪性能和误差。仿真结果表明,对于纯方位跟踪问题,UPF不仅解决了扩展卡尔曼滤波器的线性化损失难题,而且与PF等粒子滤波器相比,具有更高的跟踪精度。     

基于波形调度的机动目标跟踪算法

针对机动目标的跟踪问题,提出一种结合自适应匀速（Constant Acceleration,CA）模型和波形调度的平方根容积卡尔曼滤波（Square-Root Cubature Kalman Filter,SCKF）算法.在CA模型的基础上,通过构建Jerk分量与速度、加速度的近似关系,使得状态过程噪声与滤波器输出的状态协方差矩阵相联系,以实现模型的自适应调整.另外,利用分数阶傅里叶变换（Fractional Fourier Transform,FrFT）旋转发射波形的模糊函数,使得量测误差椭圆与滤波算法中的状态预测误差椭圆正交,得到最优的发射波形,以从数据处理和信号处理两方面共同提升系统的跟踪性能.仿真结果表明,相比于基于改进当前统计（current statistical,CS）模型的无迹卡尔曼滤波（Unscented Kalman Filter,UKF）算法、基于CS模型的SCKF算法、基于CA模型的SCKF算法和交互式多模型（IMM）SCKF算法,所提算法结构简单且跟踪精度更高.     

基于多个颜色分布模型的粒子滤波跟踪算法

基于粒子滤波的目标跟踪性能在很大程度上依赖于观测模型的选择.为了解决被跟踪目标外观特征变化导致模型漂移问题,提出了一种新的粒子滤波算法,利用目标外观的先验知识,为目标建立多个颜色模型,通过对目标函数的优化,采用最优凸组合模型实时地对目标进行跟踪.同时,采用UKF(Unscented Kalman Filter)产生粒子...     

无迹卡尔曼滤波算法在目标跟踪中的研究

无迹卡尔曼滤波(UKF)是重要的非线性滤波方法。无迹卡尔曼滤波方法是通过一组代表着均值和方差分布的采样点来对非线性系统进行非线性计算,在不对非线性方程线性近似的条件下,达到线性卡尔曼滤波器的滤波性能。文中在机动目标选定运动模型和滤波算法的基础上,对机动目标的运动作了仿真实验。从仿真分析中可以看出,无迹卡尔曼滤波在跟踪方面有很高的精度,与传统的扩展卡尔曼滤波算法相比较,无迹卡尔曼滤波算法有较小的跟踪误差。     

有色噪声下基于Unscented粒子滤波的语音增强方法

针对含有色噪声的语音,提出了一种基于Unscented粒子滤波的单通道语音增强方法.采用时变自回归模型(TVAR)对干净语音建模,通过Unscented粒子滤波器估计AR模型的参数并滤除有色噪声.与大多数常用的粒子滤波选择的建议分布不同,Unscented粒子滤波器采用Unscented卡尔曼滤波器生成粒子滤波的建议分布.由于在粒子的更新过程中考虑了最近的观测值,Unscented粒子滤波器能够在粒子数少于传统粒子滤波算法所需粒子数目的基础上改善估计的性能.仿真实验结果表明,在有色噪声背景下该算法具有良好的语音增强效果.     

基于粒子滤波与局部搜索的视频目标跟踪

为了提高视频目标跟踪的鲁棒性和准确性,本文提出了基于局部搜索(Local Search)和粒子滤波(Particle Filter)相结合的视频目标跟踪方法——LSPF(Local Search Particle Filter)算法.利用粒子滤波得到样本的权值后,将局部搜索用于每一个粒子,使权值小的粒子收敛于邻近的权值较大的粒子处,有效克服了传统PF算法的粒子退化问题.实验结果表明,传统PF算法平均跟踪误差为10.89,而本文提出的LSPF算法平均跟踪误差仅为3.49,在跟踪性能上有了很大改善.尤其当目标受到干扰时,LSPF算法仍能实现对目标的准确跟踪,为稳定跟踪提供了有利保障.     

雷达目标角度跟踪环路滤波器设计新方法

角度跟踪环路在机载雷达对目标的距离、速度、角度3维联合跟踪中起着至关重要的作用。该文分析指出传统采用卡尔曼滤波算法形成角度跟踪环路对机动目标角度进行跟踪时跟踪精度低,角跟踪误差收敛速度慢的缺点,提出弯曲度检测跟踪环路滤波器(Bend Degree Tracking Loop Filter, BDTLF)设计方法,其利用弯曲度检测角度曲线拐点,自适应地调节环路滤波器环路等效噪声带宽,并以此来控制角度跟踪环路。此算法加快了角跟踪误差的收敛速度,减轻了拐点处的角度滤波扰动,保持了滤波性能的连续性。计算机仿真结果验证了该文方法相比于卡尔曼滤波算法、粒子滤波算法、-- 滤波算法及恒定系数环路滤波器方法,对弱机动目标角度跟踪具有更加出色的性能。     

机动目标DOA跟踪粒子滤波算法

针对标准粒子滤波算法在机动目标波达方向(direction of arrival, DOA)随时间快速变化导致跟踪精度下降、实时性变差及多目标跟踪误差大等不足的问题,本文提出了一种改进粒子滤波(particle filter, PF)算法。该算法依据阵列信号处理模型和匀速(constant velocity,CV)模型,建立了机动目标跟踪的状态方程和观测方程作为状态空间模型,并在此基础上,借鉴多重信号分类(multiple signal classification,MUSIC)算法谱函数修改了粒子滤波的似然函数,实现了对目标方位的实时动态跟踪。仿真结果表明,与传统子空间类跟踪算法和标准粒子滤波算法相比,本文方法跟踪精度更高,收敛速度更快,抗噪能力及鲁棒性更强,对轨迹交叉的多目标跟踪性能也更优。      

基于多模粒子滤波的机动弱目标检测前跟踪

检测前跟踪技术是低信噪比环境下目标检测与跟踪的有效方法。该文针对目标作复杂运动的情况,提出了机动弱目标检测前跟踪的多模粒子滤波算法。该算法在目标状态矢量中增加了表示目标存在与否以及目标运动模型的变量,采用粒子滤波实现了包含两个离散变量的混合滤波过程。仿真试验表明,该算法在经典跟踪方法难以发挥作用的低信噪比条件下,能够有效实现机动目标的检测与跟踪。     

基于自适应无迹粒子滤波的目标跟踪算法

为解决复杂场景中目标跟踪问题,提出了一种噪声未知情况下的自适应无迹粒子滤波(A-UPF)算法。算法采用改进的Sage-Husa估计器对系统未知噪声的统计特性进行实时估计和修正,并与无迹Kalman粒子滤波器相结合产生优选的建议分布函数,降低系统估计误差的同时有效提升了系统的抗噪声能力。实验结果表明,本文方法对于复杂条件下的目标跟踪问题具有较高的精度和较强的鲁棒性。     

Direct tracking of noncircular sources for multiple arrays via improved unscented particle filter method

Direct tracking problem of moving noncircular sources for multiple arrays is investigated in this study. Here, we propose an improved unscented particle filter (I-UPF) direct tracking method, which combines system proportional symmetry unscented particle filter and Markov Chain Monte Carlo (MCMC) algorithm. Noncircular sources can extend the dimension of sources matrix, and the direct tracking accuracy is improved. This method uses multiple arrays to receive sources. Firstly, set up a direct tracking model through consecutive time and Doppler information. Subsequently, based on the improved unscented particle filter algorithm, the proposed tracking model is to improve the direct tracking accuracy and reduce computational complexity. Simulation results show that the proposed improved unscented particle filter algorithm for noncircular sources has enhanced tracking accuracy than Markov Chain Monte Carlo unscented particle filter algorithm, Markov Chain Monte Carlo extended Kalman particle filter, and two-step tracking method.     

扩展卡尔曼滤波在目标跟踪中的应用研究

扩展卡尔曼滤波在非平稳矢量信号和噪声环境下具有广泛的应用,针对机动目标运动模型的特点,采用基于扩展卡尔曼滤波的算法对运动目标进行跟踪处理,该算法首先建立了运动目标的状态模型和观测模型,然后对观测数据进行滤波和误差估计处理,最后通过计算机的蒙特卡洛仿真得到了滤波轨迹和运动目标的距离和角度误差,仿真结果表明,扩展卡尔曼滤波算法具有很好的目标跟踪性能.     

基于阵列单通道的机动目标DOA跟踪方法

针对现有利用阵列单通道系统对机动目标跟踪精度不高,实时性差等不足,提出了一种新的基于改进粒子滤波算法的阵列单通道机动目标波达方向(direction of arrival, DOA)跟踪方法。该方法首先在利用接收机轮流采样建立数学模型的基础上,建立跟踪模型。然后,利用粒子群优化算法对马尔科夫链蒙特卡罗(Markov Chain Monte Carlo, MCMC)粒子滤波算法的重采样环节进行优化处理,给出了一种交互MCMC粒子滤波算法,该算法克服了传统粒子滤波算法粒子退化及样本贫化的固有缺陷。最后利用该算法求解跟踪方程,实现了实时DOA估计。理论分析与仿真结果表明,本文方法可实现基于阵列单通道的DOA跟踪与波束形成一体化,且能够处理相干信号,与标准粒子滤波和子空间类算法相比,收敛速度快,跟踪精度高。      

基于α-β-γ固定增益滤波器的机动目标跟踪方法研究

为提高电子战中对机动目标的跟踪能力,提出了基于α-β-γ固定增益滤波器的动目标跟踪技术,分析了固定增益滤波器原理和组成,阐述了α-β-γ滤波器的原理,介绍了一种固定增益滤波器跟踪方法,最后通过仿真证实了该技术跟踪强、弱机动目标的性能,并可在噪声干扰情况下获得较小的期望残差.     

基于CPFDE的目标跟踪算法研究

在目标跟踪中,为了克服粒子滤波的粒子退化和贫化问题,提高滤波精度,文中将差分演化算法与容积粒子滤波相结合,形成了差分演化容积粒子滤波算法。在粒子进行先验更新时, 使用容积卡尔曼滤波算法融入当前时刻的量测信息并用其来产生重要性密度函数,并且在重采样阶段,用差分演化算法对根据重要性密度函数抽取的采样粒子做优化操作,从而克服粒子滤波存在的粒子退化及贫化问题,提高滤波性能。实验结果表明,和粒子滤波、无迹粒子滤波、容积粒子滤波相比,该算法有着更高的滤波精度和更好的稳定性,并且能够提高雷达机动目标跟踪的精确性。     

正则UK状态约束的多模型滤波

为解决存在模型不确定、多区域似然和观测噪声干扰情况下的机动目标跟踪问题,提出了正则UK状态约束的多模型滤波器,根据截断理论对系统空时约束信息构建软约束模型,将其作为系统先验知识融入状态模型预测和模型状态非线性滤波的过程。为了处理模型不精确引起的模型属性歧义的问题,通过加权蒙特卡罗重要性样本预测状态模型概率。为了实现系统软约束,通过添加系统结构的内外正则项优化目标函数,在此基础上,对模型状态变量进行无迹变换并融合多模型滤波输出,从而对有效观测信息进行优化跟踪,从而实现多变量非线性闭环系统的稳定控制。仿真实验结果表明,与传统的交互多模型滤波器相比,提出的滤波器具有更好的跟踪机动目标能力。