基于IMM-极限迭代UFIR的机动目标跟踪算法

为提高非高斯噪声条件下机动目标跟踪的精度,提出基于交互式多模型极限迭代无偏有限脉冲响应滤波(IMM-极限迭代UFIR)算法。采用对噪声统计特性不敏感的极限迭代无偏有限脉冲响应滤波(UFIR)作为其子滤波器,对各模型进行状态估计,最后通过对各模型的输出结果综合得到机动目标状态。仿真结果表明,在噪声条件复杂的情况下,该算法比交互式多模型卡尔曼滤波(IMM-KF)具有更高的跟踪精度和稳定性,计算量小于IMM-PF,算法能较好地兼顾跟踪精度和计算量两方面性能。     

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.     

基于自适应扩展卡尔曼滤波的导弹制导信息估计

在机动目标的被动跟踪研究领域,导引头仅能量测到视线角速度或视线角信息,利用仅有的角度测量信息对制导信息进行估计,是导弹实现先进导引律精确命中机动目标的基础。本文针对机动目标的被动跟踪问题,选取"当前"统计模型作为机动目标模型,建立系统状态方程和量测方程,提出一种适应于大机动目标的自适应扩展卡尔曼滤波算法对制导信息进行估计。通过仿真实验可以看出,本文所提出的算法具有较好的滤波效果,对制导信息的估计误差满足系统精度要求。     

基于辅助粒子滤波的机动弱目标 TBD算法

为了解决低信噪比条件下的机动目标检测跟踪问题,研究了辅助粒子滤波与多模粒子滤波（ MMPF）相结合的检测前跟踪（ APF-MMPF）算法。将多模粒子滤波过程中包含目标存在变量及运动模式变量的预测粒子直接用于产生辅助变量,进行辅助粒子滤波过程实现对机动目标的检测跟踪。通过APF-MMPF算法与单纯MMPF算法的仿真结果对比可见,APF-MMPF算法的检测概率高、跟踪误差小,检测跟踪性能优于MMPF算法。由算法机理和仿真结果可见,由于APF-MMPF算法中粒子采样利用了当前量测信息,可有效提高对机动目标的检测跟踪性能。     

基于辅助粒子滤波的机动弱目标TBD算法

为了解决低信噪比条件下的机动目标检测跟踪问题,研究了辅助粒子滤波与多模粒子滤波(MMPF)相结合的检测前跟踪(APF-MMPF)算法。将多模粒子滤波过程中包含目标存在变量及运动模式变量的预测粒子直接用于产生辅助变量,进行辅助粒子滤波过程实现对机动目标的检测跟踪。通过APF-MMPF算法与单纯MMPF算法的仿真结果对比可见,APF-MMPF算法的检测概率高、跟踪误差小,检测跟踪性能优于MMPF算法。由算法机理和仿真结果可见,由于APF-MMPF算法中粒子采样利用了当前量测信息,可有效提高对机动目标的检测跟踪性能。     

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。     

基于神经网络的机动目标跟踪模糊Kalman滤波算法

以实现坦克对机动目标的有效跟踪为背景,针对传统Kalman滤波算法存在的计算量较大、需要先验信息较多的缺点,提出了一种基于神经网络的机动目标跟踪模糊Kalman滤波算法.在"当前"统计模型的基础上,将未知的目标机动加速度作为附加的过程噪声,使用模糊系统估计全部过程噪声的时变方差,利用神经网络对模糊系统中的参数进行优化.仿真结果表明了所提方法的有效性.     

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.     

State Bounding在目标跟踪中的应用

本文把Ｂｏｕｎｄｉｎｇ估计引入目标跟踪领域,提出一种用状态估计集几何中心作为目标滤波值的递推算法。该算法使用椭圆集来描述状态的不确定性并给和系统和观测噪声的界,以最小值椭圆作为更新准则。仿真结果给出了本算法与Ｋａｌｍａｎ滤波算法的性能比较以及界内噪声分布不同时跟踪性能的差别。     

被动传感器阵列中基于粒子滤波的目标跟踪

针对被动传感器阵列中的机动目标跟踪问题,该文提出了一种基于多模Rao-Blackwellized粒子滤波的机动目标跟踪新方法。算法首先基于Rao-Blackwellization理论将机动目标跟踪问题划分为模型选择和目标跟踪两个子问题;采用多模Rao-Blackwellized粒子滤波对目标运动模型进行选择,扩展Kalman滤波对目标进行更新,有效降低了抽样粒子状态维数,节省了计算时间;最后,建立了被动传感器阵列的非线性观测模型。实验结果表明,提出方法可以有效地对目标模型进行选择,算法的跟踪性能及稳定性要好于交互多模型(IMM)方法。     

AKF与EFRLS在动态目标跟踪性能上的比较

卡尔曼滤波是具有递推估计形式的最优滤波,但最优性的获得是在过程噪声和观测噪声统计特性已知的前提下得到的。然而,在大量的动态目标跟踪实际问题中噪声具有不确定性,因而有必要研究在噪声不确定下动态目标的跟踪算法以满足实际问题的需要。文中介绍自适应Kalman滤波对过程噪声方差的估计以及推广的遗忘因子最小二乘法对状态估计的递推公式,并且在平均误差最小准则下通过计算机仿真比较两种方法对动态目标的跟踪性能.仿真结果表明,在不确定噪声下自适应Kalman滤波能够取得比推广的遗忘因子递推最小二乘法更好的跟踪性能。     

基于形态匹配聚类的近邻扩展目标跟踪算法

针对传统扩展目标跟踪（Extended Target Tracking, ETT）算法在处理近邻目标时面临的计算效率低下和跟踪不准确的问题,提出了一种形态匹配聚类量测集划分与高斯逆威沙特概率假设密度（Gaussian Inverse Wishart Probability Hypothesis Density, GIW-PHD）滤波器相结合的跟踪处理方法。该方法首先由GIW-PHD滤波器得到预测的目标状态,其次使用DBSCAN(Density-Based Spatial Clustering of Applications with Noise, DBSCAN)算法完成量测集的初步划分,在此基础上利用较高权重的预测分量实现对多个近邻目标混合量测簇的判断,进而使用椭圆形状约束（Elliptic Shape Constraint, ESC）的FCM(Fuzzy C-Means, FCM)算法（ESC-FCM）对混合簇进行二次划分得到更精确的划分结果,最后将划分结果合并后送入GIW-PHD滤波器完成目标状态的更新。仿真结果表明,本文所提量测集划分方法能够充分利用GIW-PHD滤波器预测步获取...     

基于改进扩展卡尔曼滤波算法的空中目标跟踪

采用扩展卡尔曼滤波方法建立了雷达跟踪模型,对空中目标航迹进行滤波,为了减少雷达量测噪声的不稳定变化对系统跟踪性能的影响,对扩展卡尔曼滤波算法进行了改进,利用新息方差的计算来调整卡尔曼滤波器的增益。仿真结果表明,采用改进扩展卡尔曼滤波算法后,在雷达量测噪声发生大幅变化的情况下,经过滤波后的位置和速度误差仍然趋于稳定。表明该方法具有很好的滤波性能及跟踪精度,并可以提高空中目标航迹预测的精确性。     

多扩展目标滤波器的量测集划分算法

针对不同扩展目标产生的量测密度差别较大时的量测集划分问题,为扩展目标概率假设密度(PHD)滤波器提出了一种基于共享最近邻(SNN)相似度的量测集划分算法。量测间的SNN相似度可体现量测在量测空间局部分布情况,考虑了量测周围的量测信息,因此提出的SNN相似度划分法能够较好地划分量测密度差别较大的量测集,进而提高了扩展目标的跟踪性能,且基于提出的划分算法的PHD滤波器计算量也所减少。     

Influence of stochastic noise statistics on Kalman filter performance based on video target tracking

The system stochastic noises involved in Kalman filtering are preconditioned on being ideally white and Gaussian distributed. In this research, efforts are exerted on exploring the influence of the noise statistics on Kalman filtering from the perspective of video target tracking quality. The correlation of tracking precision to both the process and measurement noise covariance is investigated; the signal-to-noise power density ratio is defined; the contribution of predicted states and measured outputs to Kalman filter behavior is discussed; the tracking precision relative sensitivity is derived and applied in this study case. The findings are expected to pave the way for future study on how the actual noise statistics deviating from the assumed ones impacts on the Kalman filter optimality and degradation in the application of video tracking.     

基于联合似然函数的多扩展目标广义标签多伯努利滤波器

高分辨率雷达监视系统可观测到区域内不同形状的多个扩展目标,可靠的形状估计有利于提高扩展目标跟踪性能,并可作为战场态势评估的重要依据。该文针对不同形状多扩展目标跟踪问题,提出一种基于联合似然函数的广义标签多伯努利(JL-GLMB)滤波器,可实现目标数目、航迹以及形状的精确估计。首先,将目标形状建模为星凸集,并利用非线性量测变换滤波器更新GLMB分布中的高斯分量,有效提高扩展目标状态估计精度。然后,通过对数加权融合策略,构造联合似然函数,综合衡量扩展目标和量测单元之间的相似程度。最后,基于吉布斯采样,提出快速计算扩展目标状态后验概率密度的方法,有效提高数据关联的准确率和计算效率。仿真实验结果表明,所提滤波器能够有效估计不同形状的多扩展目标状态,且在杂波环境下具有稳定的势估计。     

Design of Gaussian Approximate Filter and Smoother for Nonlinear Systems with Correlated Noises at One Epoch Apart

In this study, the authors investigate the filtering and smoothing problems of nonlinear systems with correlated noises at one epoch apart. A pseudomeasurement equation is firstly reconstructed with a corresponding pseudomeasurement noise, which is no longer correlated with the process noise. Based on the reconstructed measurement model, new Gaussian approximate (GA) filter and smoother are derived, from which Kalman filter and smoother can be obtained for linear systems. For nonlinear systems, different GA filters and smoothers can be developed through utilizing different numerical methods for computing Gaussian-weighted integrals involved in the proposed solution. Numerical examples concerning univariate nonstationary growth model, passive ranging problem, and target tracking show the efficiency of the proposed filtering and smoothing methods for nonlinear systems with correlated noises at one epoch apart.     

粒子滤波算法的性能分析与改进

对粒子滤波算法的性能进行了分析并提出了一些改进设想。首先阐述粒子滤波的原理;以雷达目标跟踪为例,利用粒子滤波对目标的3种典型状态模型进行了跟踪试验;然后详细分析了粒子数、状态模型、过程噪声、热噪声等参数对整个跟踪性能的影响,并提出改进设想;最后阐明了粒子滤波的适应性,展望了其未来发展方向。     

扩展目标GMPHD滤波器的航迹维持算法

概率假设密度(PHD)滤波器提供了各目标在每个时刻的状态信息,但未形成航迹。该文提出了扩展目标高斯混合PHD(GMPHD)滤波器的航迹维持算法。首先对后验概率强度的每个高斯分量添加标签;其次在后验概率强度随着时间进行演化时,标签也随之演化;并通过航迹管理方案为扩展目标提供航迹。为提高GMPHD滤波器性能,提出了自适应的量测集划分法。最后通过仿真验证了提出算法的有效性。     

Target Birth Intensity Estimation Using Measurement‐Driven PHD Filter

The probability hypothesis density (PHD) filter is an effective means to track multiple targets in that it avoids explicit data associations between the measurements and targets. However, the target birth intensity as a prior is assumed to be known before tracking in a traditional target‐tracking algorithm; otherwise, the performance of a conventional PHD filter will decline sharply. Aiming at this problem, a novel target birth intensity scheme and an improved measurement‐driven scheme are incorporated into the PHD filter. The target birth intensity estimation scheme, composed of both PHD pre‐filter technology and a target velocity extent method, is introduced to recursively estimate the target birth intensity by using the latest measurements at each time step. Second, based on the improved measurement‐driven scheme, the measurement set at each time step is divided into the survival target measurement set, birth target measurement set, and clutter set, and meanwhile, the survival and birth target measurement sets are used to update the survival and birth targets, respectively. Lastly, a Gaussian mixture implementation of the PHD filter is presented under a linear Gaussian model assumption. The results of numerical experiments demonstrate that the proposed approach can achieve a better performance in tracking systems with an unknown newborn target intensity.