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.     

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。      

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。     

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。     

基于当前模型自适应改进的航迹跟踪算法

在航迹跟踪过程中,目标发生转弯、变加速等强机动行为,会导致传统"当前"统计模型的跟踪精度变差,通过提取残差新息序列和测量方差序列中的信息,分别在"当前"统计模型中添加机动频率、最大加速度自适应修正因子,以及在卡尔曼滤波框架中增加协方差自适应因子,改善了该算法对强机动目标跟踪的适应能力。通过改进,该算法即保持了对一般机动目标良好的跟踪特性,又提高了对强机动目标的跟踪性能。通过使用蒙特卡洛模拟仿真验证了改进算法的有效性。     

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。     

基于机动检测的参数自适应跟踪算法

在机动目标跟踪中,传统当前统计模型卡尔曼滤波算法对弱/无机动目标跟踪精度不高,对突发机动跟踪精度显著下降,且跟踪性能受限于先验参数.针对上述问题,本文提出一种基于机动检测的参数自适应机动目标跟踪算法,算法利用新息的概率分布特性构建双阈值检测门限,依据检测结果进行参数自适应调整.首先,利用加速度预测误差方差信息,自适应调...     

基于“当前”统计模型的模糊自适应跟踪算法

针对"当前"统计模型中目标机动频率和极限加速度值人为设定的不合理性,提出一种基于修正模型的模糊自适应算法(CS-MFA),对机动频率建模以便其估计更新,同时利用目标机动信息来实时调整过程噪声方差,提高系统在目标作非机动或者弱机动时的跟踪精度以及在强机动时的快速响应能力.最后,通过仿真验证了该算法的有效性.     

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。     

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。     

多种跟踪算法对机动目标跟踪的应用研究

通过建立目标运动模型,对多种跟踪滤波器进行了分析仿真。仿真结果表明,混合状态估计交互式多模型算法（IMM）对机动目标跟踪效果比其它类型的滤波器好得多,并且确定了在航迹滤波与机动跟踪方面综合表现性能较高的IMMVCVA跟踪算法。通过外场实际数据验证,表明该算法对现实环境中的目标稳定跟踪具有重要的意义。     

基于地理信息的地面运动目标跟踪方法

为了提高地面运动目标跟踪精度,提出了基于地理信息约束的变结构交互多模(VS-IMM)的目标跟踪算法。通过建立地理信息系统约束地面目标运动状态,并利用目标转弯曲线模型确定滤波器中机动目标的时变运动模型集,采用地理信息约束的变结构交互多模算法可更符合实际进行地面目标机动跟踪。针对机场地面机动目标的仿真结果表明,给出的地理条件约束的目标跟踪算法比现有交互多模算法具有更好的性能。     

基于双重扩展卡尔曼滤波器的共轴跟踪技术研究

为了解决光电经纬仪由于机动目标运动模型不准确而引起的跟踪精度下降的问题,采用了单隐层前向神经网络(SLFNs)进行建模,提出了基于状态参数双重扩展卡尔曼滤波估计的共轴跟踪控制技术。仿真与实验结果显示,对83.33sin0.6t的等效正弦目标的速度估计最大误差为0.070 9()/s,跟踪精度为2.42';对旋转周期为4.5 s的光学动态靶标的跟踪精度达到2.96'以内。由此可见,所建立的模型与机动目标实际模型匹配,双重扩展卡尔曼滤波器(DEKF)能快速跟踪和估计状态参数。与传统控制方法相比,提出的方法具有更高的跟踪能力,能有效提高系统的跟踪精度。     

Stochastic Differential Equations for Modeling of High Maneuvering Target Tracking

In this paper, we propose a new adaptive single model to track a maneuvering target with abrupt accelerations. We utilize the stochastic differential equation to model acceleration of a maneuvering target with stochastic volatility (SV). We assume the generalized autoregressive conditional heteroscedasticity (GARCH) process as the model for the tracking procedure of the SV. In the proposed scheme, to track a high maneuvering target, we modify the Kalman filtering by introducing a new GARCH model for estimating SV. The proposed tracking algorithm operates in both the non‐maneuvering and maneuvering modes, and, unlike the traditional decision‐based model, the maneuver detection procedure is eliminated. Furthermore, we stress that the improved performance using the GARCH acceleration model is due to properties inherent in GARCH modeling itself that comply with maneuvering target trajectory. Moreover, the computational complexity of this model is more efficient than that of traditional methods. Finally, the effectiveness and capabilities of our proposed strategy are demonstrated and validated through Monte Carlo simulation studies.     

基于线性高斯滤波的反干扰跟踪方法

以往机动目标的跟踪问题大多是针对确定性系统,而对随机跳变系统的研究较少.针对目标随机施放干扰的情况,将线性高斯滤波应用于观测噪声中带有尖头干扰信号的系统中,实现机动目标的反干扰跟踪.其算法是一种基于不同模型问"软切换"的机动目标跟踪方法,用计算的概率权值对这些模型输出进行综合,保证了跟踪精度,大大降低了离散时间结构随机跳变系统最优滤波算法的复杂程度.通过仿真实例可以看出,在观测噪声特性发生剧烈随机跳变的情况下,线性高斯滤波算法对机动目标进行了比较准确的跟踪,其性能显著地优于标准的卡尔曼滤波算法.     

机动目标跟踪中的多模算法

机动目标跟踪是一个很具有挑战性的任务，即使是跟踪单目标也可能因为目标的逃避机动而失跟，机动目标跟踪所遇到的基本问题是所建目标模型的动力学方程与目标的实践运动模式存在着不匹配。所以很多学者研究多模算法来解决这一问题。本文对学者们在多模算法上的研究结果进行了系统总结分析，得出结论：变结构的方法是提高跟踪性能、减少运算量，将多模算法用到实际的机动目标跟踪中的有效途径。     

基于高斯-艾肯特滤波的机动目标跟踪算法

针对交互式多模型(IMM)算法切换滤波模型缓慢、跟踪精度低甚至发散的问题,提出了在机动目标跟踪中使用的高斯-艾肯特滤波算法。首先,该算法确定观测模型和滤波模型集,分别构造量测方程组和滤波方程组,形成总体观测矩阵;然后,针对跟踪目标的非合作机动,提出使用卡方检验来检验滤波效果,并通过滤波控制算法实时调整滤波内存长度,使用高斯-艾肯特滤波对机动目标跟踪具有很强的灵活性,实现自适应跟踪;最后,在目标跟踪仿真中与三种改进模型集的卡尔曼滤波IMM算法进行对比验证,对两类算法进行了复杂度分析。仿真结果证明了高斯-艾肯特滤波算法的有效性,在无先验信息条件下拥有更高的跟踪精度。     

RGPO 干扰下基于改进的IMM-PDAF 的机动目标跟踪技术

研究了距离波门拖引(RGPO)干扰下杂波环境中机动单目标的跟踪问题,在建立RGPO 干扰条件下雷达量测模型的基础上,提出了一种RGPO 干扰下基于改进的交互多模型-概率数据关联算法(IMM-PDAF)的目标跟踪技术。该技术联合RGPO 鉴别与跟踪一体化。在干扰鉴别上,采用信号似然比预处理、角度研究了距离波门拖引(RGPO)干扰下杂波环境中机动单目标的跟踪问题,在建立RGPO 干扰条件下雷达量测模型的基础上,提出了一种RGPO 干扰下基于改进的交互多模型-概率数据关联算法(IMM-PDAF)的目标跟踪技术。该技术联合RGPO 鉴别与跟踪一体化。在干扰鉴别上,采用信号似然比预处理、角度 检验以及m / n 逻辑检验方法。在跟踪算法方面,采用提出的基于量测功率特征的IMM-PDAF 算法,同时目标状态更新依据是否存在干扰采用不同的方法。若存在RGPO 干扰,则根据RGPO 假目标与真目标量测对的特点,采用提出的距离最近选择、角度数据压缩方法合成新量测对目标状态进行更新,若无RGPO 干扰,则综合功率和位置特征对所有量测进行加权更新目标状态。仿真结果表明,该技术不仅能有效剔除RGPO 干扰对跟踪算法带来的不良影响,而且具有良好的机动目标跟踪性能。 检验以及m / n 逻辑检验方法。在跟踪算法方面,采用提出的基于量测功率特征的IMM-PDAF 算法,同时目标状态更新依据是否存在干扰采用不同的方法。若存在RGPO 干扰,则根据RGPO 假目标与真目标量测对的特点,采用提出的距离最近选择、角度数据压缩方法合成新量测对目标状态进行更新,若无RGPO 干扰,则综合功率和位置特征对所有量测进行加权更新目标状态。仿真结果表明,该技术不仅能有效剔除RGPO 干扰对跟踪算法带来的不良影响,而且具有良好的机动目标跟踪性能。     

一种H∞次优滤波模糊跟踪器的设计与仿真

针对目标做高机动运动时跟踪误差增大的问题,提出了一种基于H∞次优滤波器的模糊鲁棒跟踪器。该跟踪器利用日。次优滤波器的鲁棒性以快速减小由于目标机动产生的估计误差,实现对机动目标（尤其是高机动目标）的快速跟踪。同时,应用一系列的模糊规则在线自适应调整日。次优滤波器的过程噪声协方差矩阵,使得该跟踪器可以精确跟踪非机动目标和机动目标。仿真结果表明,该跟踪器对机动目标和非机动目标的跟踪效果均很好,并且在目标从非机动到机动切换时,能够快速减小跟踪误差。