杂波环境中一种新的机动目标跟踪算法

针对传统交互式多模型概率数据互联(IMM PDA)算法中因模型选取的不确定性,跟踪精度低等缺点,引入了联合交互式多模型概率数据互联的思想,在此基础上提出了一种适用于杂波环境机动目标跟踪的新算法——交互式自适应概率数据互联(IMMAPDA)算法,将自适应滤波算法应用到PDA滤波器中和数据关联进行有机结合,提高了杂波环境中机动目标的跟踪精度。理论分析与仿真结果验证了该算法的优越性,提高了目标跟踪精度,解决了全局最优化问题。     

多传感器跟踪型数据滤波融合算法

在实际系统中，常用的数据融合方法是基于扩展的卡尔曼滤波法的融合算法，但是这种融合算法的跟踪精度并不是很高，通过对滤波跟踪数据融合的研究，提出了基于转换测量值卡尔曼滤波算法的非线性系统中的数据融合方法，研究表明，在利用激光干涉仪进行目标跟踪时，这种基于融合算法的集中式融合算法的跟踪性能优于分布式融合算法，但是，从仿真结果可以看出，两种融合算法的差别并不大，结果基本相同，因此，在非线性系统中，基于转换测量值卡尔曼滤波算法的分布融合算法可以重构集中式融合算法。     

基于高机动目标跟踪的改进变结构IMM算法

传统交互式多模型(interacting multiple model,IMM)算法在跟踪高机动目标时存在模型集合和真实系统模式匹配欠佳所导致状态估计质量下降的问题.基于变结构的思想及图论的知识,结合协方差匹配技术提出了一种补偿式变结构交互式多模型算法(compensation variable structure interacting multiple model,CPVSIMM).针对目前对直线加速状态估计问题,传统变结构交互式多模型(variable structure interacting multiple model,VSIMM)模型集多采用角速度作为模型特征参数造成对其估计性能欠佳的情况,所提算法联合加速度和角速度作为模型参数,并建立了模型集合间的有向图连通关系及模型子集自适应调整原则.理论分析与对比仿真表明:本算法融合估计结果的精度更高,同时能在一定程度上减小由于模型集匹配欠佳及切换不及时所导致的机动累积误差.     

基于EDKF的机动目标跟踪算法研究

运用"当前"统计模型(CS)的扩充卡尔曼滤波(EDKF)与匀速运动(CV)模型进行交互,设计出了一种适合于色噪声环境中机动目标跟踪的交互式多模型(MM-EDKFCS/CV)算法.CS模型适用于一般的机动目标跟踪,EDKF对色噪声中目标的跟踪具有较高的跟踪精度,因此IMM-EDKFCS/CV算法保证了色噪声中机动目标和非机动目标的跟踪性能.仿真结果证明了此算法的可行性和有效性.     

一种适用于机动目标跟踪的改进卡尔曼滤波算法

针对卡尔曼滤波跟踪强机动目标时性能下降的问题,提出了一种适用于机动目标跟踪的改进卡尔曼滤波算法.该算法在卡尔曼滤波算法的基础上,根据当前量测目标航向与前一目标航向之间的航向角度差,判断机动强弱并计算出加权函数值,然后用加权函数值根据量测数据依次修正机动目标加速度预测值和目标预测状态,最终改进目标的状态估计.仿真结果表明,目标强机动时该算法具有较高的跟踪精度.     

基于“当前”模型的IMM-UKF机动目标跟踪融合算法研究

文章设计了一种基于“当前”统计模型的交互式多模型无迹卡尔曼滤波(IMM-UKF)融合算法.首先在交互式多模型算法框架内,计算“当前”统计模型的概率,自适应地调整“当前”统计模型中目标加速度,提高了“当前”统计模型的自适应性.其次,该算法结合了交互式多模型和无迹卡尔曼滤波算法,该算法具有交互式多模型具有对不同目标机动模式自适应跟踪的能力和无迹卡尔曼滤波滤波度高的优点.最后,采用分布式融合算法提高了系统抗干扰能力及对目标跟踪的有效性和跟踪精度.通过对三维机动目标进行仿真,结果表明文中所设计的IMM-UKF融合算法对于跟踪以多种机动策略实时机动的目标具有较好的跟踪性能,可以减小系统机动跟踪的误差均值和标准差.较之传统的交互式多模型算法,跟踪性能更加优越.     

目标跟踪的交互多模型方法

目的开发一个实用的目标跟踪方法,它对机动目标和非机动目标的跟踪精度都很高．方法首先建立新IMM跟踪模型,然后用计算机仿真的方法证实该模型的性能,并与已有的经常用于机动目标跟踪的“当前”加速度模型比较．结果仿真结果表明,IMM模型在目标运动的非机动段的跟踪精度比“当前”加速度模型高得多,而在机动段则有着与“当前”加速度模型相当的精度．结论在目标跟踪时,IMM模型比“当前”加速度模型有更高的综合精度,它将发展成为一种实用目标跟踪方法．     

基于IMM的舰载雷达目标跟踪算法研究

首先研究了目标跟踪中的卡尔曼滤波算法和常用的机动目标跟踪模型,分析了各模型基于卡尔曼滤波算法的跟踪性能。然后,引入交互式多模型算法,使用多个不同的运动模型匹配目标不同的运动模式,且各模型之间存在交互。在MATLAB中模拟舰载雷达的目标运动航迹,采用交互式多模型算法,通过对经典交互式模型(即一个CV模型和一个CA模型)的实验仿真,验证了在目标跟踪系统中交互式多模型算法的有效性。     

一种变结构多模型机动目标跟踪算法的研究

该文针对在机动目标跟踪领域应用广泛的交互式多模型算法,是一种基于固定模型集合的算法,由此带来一个两难问题,既需要较多的模型保证跟踪精度,有会因为太多的模型而增加计算量。该文提出了一种基于序列似然比检测的变结构多模型算法,给出了一种模型集合自适应的解决方法。该方法提高了跟踪精度的同时也降低了计算量。随着反舰导弹的威胁日益增大,该文针对反舰导弹的机动特性,仿真验证了该算法的有效性。     

一种有效的交互式多模型自适应跟踪算法

从减少系统模型噪声和量测噪声入手,引入自适应机动模型和新息滤波器对IMMA 进行改进,提出新息滤波交互式多模型自适应算法(IF-IMMAA),理论分析和仿真表明新算法的有效性.     

机动目标跟踪的改进α-β算法

针对目前机动目标跟踪算法存在计算要求高的不足，提出了以增加加速度作为状态估计项的一种改进的α-β滤波算法．该算法的滤波精度和IMM算法大体相当，但运算量远远小于IMM算法,仿真实验结果表明了该算法的有效性。     

机动目标跟踪中一种新的自适应滤波算法

通过分析基于“当前”统计模型的机动目标自适应跟踪算法,指出该算法对目标机动加速度极限值的依赖性,而实际中预先设定加速度的最大值是不可行的。为克服这一缺点,文中给出一种新的自适应滤波算法,该方法无需提前给定加速度最大值,可以直接利用位置估计值和加速度之间的函数关系进行加速度方差自适应调整。仿真结果表明,与标准的自适应滤波相比其跟踪精度有了较大提高。     

基于新息协方差的机动目标轨迹估计算法研究

针对态势显示系统中机动目标运动状态不确定、卫星定位误差、接收机随机噪声造成的目标轨迹估计精度低的问题。在"当前"统计模型的基础上,提出了一种基于新息协方差的Kalman滤波算法,该算法根据新息协方差的极大似然最优估计实现加速度方差的实时估计和自适应调整。仿真结果表明,该算法的估计性能优于常规算法,跟踪精度较高。     

一种带径向速度量测的Jerk-EKF机动目标跟踪算法

为了提高机动目标跟踪精度,在基于Jerk模型的扩展卡尔曼滤波算法(Jerk-EKF)基础上,提出了一种带径向速度量测的扩展卡尔曼滤波算法(Jerk-EKFrv).该算法通过引入径向速度量测扩充了量测矩阵的维数,然后利用展开泰勒级数的一次项,解决量测方程中状态向量和量测向量的非线性问题,最后采用卡尔曼滤波算法对目标状态进行估计.对Jerk-EKF和Jerk-EKFrv算法的仿真结果表明,Jerk-EKFrv算法能够有效提高机动目标的跟踪精度.     

一种杂波环境下机动目标跟踪算法

针对杂波环境下的机动目标跟踪问题,提出了一种利用多普勒量测的机动目标跟踪算法。该方法首先通过多普勒量测解目标径向速度模糊,然后在目标量测方程中增加了径向速度维,将量测方程中的径向速度函数进行泰勒级数展开略去高阶量转为线性函数,同时在点迹关联时增加了径向速度波门,滤除更多的杂波点,利用多普勒量测计算出的径向速度实时更新观测值中的径向速度。通过计算机仿真,该算法相比传统算法提高了目标位置精度、速度精度和收敛速度。同时还分析了多普勒量测误差对目标跟踪性能的影响,多普勒量测误差越小,目标跟踪性能越好。     

仅有角测量的跟踪机动目标系统

仅有角测量跟踪技术在理论上和实际上受到了广泛的应用。由于以往的仅有角测量跟踪滤波器不能精确跟踪机动目标,本文提出了带有机动目标检测器的修正增益的推广卡尔曼滤波器。这种滤波器是以线性动态系统及非线性观测方程为前提而推导的。文中给出了仿真数据结果,并与准线性卡尔曼滤波器,改进型推广卡尔曼滤波器作了比较。