基于加性无迹卡尔曼滤波的雷达目标跟踪方法

提出一种基于加性无迹卡尔曼滤波的雷达目标跟踪方法。雷达跟踪系统为离散非线性系统,传统的解决方法是使用扩展卡尔曼滤波。无迹卡尔曼滤波用少量采样点表示随机变量的分布,通过非线性系统传播,能以三阶精度获得非线性变换的均值和方差的估计。用无迹卡尔曼滤波进行雷达目标跟踪。通过Monte Carlo仿真,验证了该滤波算法比传统的扩展卡尔曼滤波具有更高的滤波精度。     

基于序贯无迹卡尔曼滤波的雷达目标跟踪方法

提出一种基于序贯无迹卡尔曼滤波的雷达目标跟踪方法。雷达跟踪系统为离散非线性系统,传统的解决方法是使用扩展卡尔曼滤波。无迹卡尔曼滤波用少量采样点表示随机变量的分布,通过非线性系统传播,能以三阶精度获得非线性变换的均值和方差的估计。为了提高无迹卡尔曼滤波的精度,用序贯无迹卡尔曼滤波方法依次处理方位角、俯仰角和距离,来进行雷达目标跟踪。通过Monte Carlo仿真,验证了该滤波算法比传统的扩展卡尔曼滤波具有更高的滤波精度和更高的计算效率。     

基于卡尔曼滤波的动目标运动参数跟踪测量

为实现雷达的精确制导功能,需要精确的跟踪和测量动目标的各项运动参数,为了提高跟踪测量精度,根据目标运动特性采用与系统相匹配的滤波算法。本文探讨了卡尔曼滤波的原理和特点,设计了有效的滤波参数和滤波方程,并通过仿真验证了卡尔曼滤波对跟踪测量精度改善的有效性。     

多台雷达组合跟踪滤波的系统仿真方法

本文是美国海军实验室对应用最佳滤波进行飞机探测跟踪实验的报告。文中介绍了卡尔曼滤波和最大似然滤波的基本原理和使用方法,并且用系统仿真的方法对这两种滤波方法进行了计算量和性能的比较。这不仅对从事雷达跟踪的同志有一定的参考价值,在如何用系统仿真进行试验研究工作方面,对其它领域的同志也会有一定的启发。     

基于反向预测卡尔曼滤波自适应算法研究

标准卡尔曼滤波算法对系统的数学模型和噪声统计特性进行了假设,当该假设与实际的模型不匹配时容易造成滤波误差较大甚至滤波发散。提出基于反向预测卡尔曼滤波自适应算法,通过比较原始预测状态归一化新息平方和反向预测状态归一化新息平方,当比值大于设定阈值时在线进行过程噪声调整,从而修正预测状态。雷达目标跟踪仿真研究结果表明,该算法对目标机动和过程噪声增大有较强的自适应性,能够提高滤波精度和鲁棒性。     

“低慢小”目标的雷达与光电复古探测跟踪方法

针对单一探测方式难以对“低慢小”目标进行全天候探测与跟踪，采用雷达与光电的主被动复合探测技术，结合两者的优势，提高定位精度，实现脉冲多普勒雷达扫描探测引导光电系统精跟踪。首先利用四元数法建立雷达坐标系与光电坐标系的空间配准模型，雷达与光电系统空间配准后，光电接收到目标位置信息视场自动转向目标；当雷达与光电探测到同一目标，通过最小二乘法将雷达与光电探测目标数据进行加权时间配准，最后将配准后的数据采用扩展卡尔曼滤波交互多模型算法(EKF-IMM)进行滤波预测，改善复合探测系统能持续跟踪能力，同时对目标在不同运动状态下具有强适应性。仿真与实验分析表明通过复合探测的方法实现对目标进行探测跟踪，利用EKF-IMM算法降低了噪声干扰，提高了目标跟踪能力及精度，其精度较传统模型提高了7%左右。     

基于拉依达准则与线性拟合的改进型无迹卡尔曼滤波粗大误差补偿算法

无迹卡尔曼滤波是卡尔曼滤波技术的重要组成部分,它有效地克服了扩展卡尔曼滤波的估计精度低、稳定性差等缺陷。然而无迹卡尔曼滤波未考虑粗大误差(如离群值、静差和漂移)的影响。目标跟踪经常受到不同种类粗大误差的影响,研究无迹卡尔曼滤波器对粗大误差的检测和补偿,对目标跟踪准确性的提高有重大意义。本文针对观测值中各种粗大误差影响目标跟踪精度的问题,采用拉依达准则对观测值进行检测。为了对误差进行补偿,本文提出了一种观测数据残差线性拟合的方法,使用拟合产生的预测残差补偿粗大误差,使补偿后的目标运动轨迹能够减小粗大误差的干扰。经过目标跟踪仿真实验和对比,本文提出的改进型无迹卡尔曼滤波算法能有效地减小粗大误差观测值对状态预测过程的影响,能实现对目标的准确跟踪,提高了滤波的稳定性和准确性。     

组网火控雷达传感器分配研究

从科学合理分配组网火控雷达资源出发,以扩展卡尔曼滤波跟踪为基础,研究了用航迹精度作为传感器分配准则的方法;针对火控提高航迹精度和反隐身目标、低空目标作战需求,考虑雷达布站对防空覆盖区域划分和对抗ARM,提出了单部火控雷达对单目标进行跟踪、多部火控雷达对单目标进行跟踪和多部火控雷达对单目标间歇式轮换跟踪3种分配方式,对在不同方式下基于航迹精度的传感器分配方法进行讨论分析;设定组网系统雷达布站、目标运动和典型参数进行了仿真实验,通过仿真结果表明:3种分配方式的合理性和可行性。     

关于目标跟踪定位的仿真方法研究

研究雷达定位精度和准确性问题,为了解决在目标定位跟踪中由于目标机动引起的无迹卡尔曼滤波(UKF)误差大和滤波发散问题,提出了一种基于UKF和自适应神经网络-模糊推理系统(ANFIS)的新的目标跟踪定位方法.将自适应神经网络-模糊推理系统应用于目标跟踪系统,利用状态变量的预测误差和预测误差的变化率来自适应地调整卡尔曼滤波器的系统噪声协方差矩阵,实现了模糊推理、神经网络和UKF的有效结合,并应用于雷达目标定位跟踪系统进行仿真.仿真结果表明,方法比UKF有更好的跟踪性能,收敛快,对目标机动有更好的适应能力,为设计提供了依据.     

改进UKF算法在天波超视距雷达中的应用

针对传统的无损卡尔曼滤波(UKF)算法在对天波超视距雷达进行目标跟踪的过程中存在滤波发散和初始收敛速度慢等问题,提出一种改进的UKF算法。通过引进调节因子对状态矢量和观测矢量的协方差作实时调整,以达到提高滤波结果中状态信息与观测信息的正确率和雷达跟踪系统性能的目的。仿真结果表明,该算法在处理目标跟踪问题时,既可有效抑制UKF算法的发散,又可提高跟踪系统的收敛速度。     

闪烁噪声下轨道机动目标自适应鲁棒跟踪算法

针对闪烁噪声下存在未知机动的空间目标跟踪问题,将自适应鲁棒滤波技术嵌入到无迹卡尔曼滤波,设计自适应鲁棒无迹卡尔曼滤波(ARUKF),再利用ARUKF产生粒子滤波的重要性密度函数,从而得到一种自适应鲁棒无迹粒子滤波(ARUPF)算法。将ARUPF与瞬态跟踪模型相结合,对空间机动目标进行自主跟踪。实验结果表明,该算法在跟踪精度和鲁棒性方面优于传统的跟踪算法。     

基于多核相关滤波X波段雷达多目标跟踪算法

针对雷达X波段数据存在较大背景及杂波干扰、目标形变以及目标被遮挡和相互干扰，导致目标被漏检错检，从而出现漏跟和错跟问题。提出一种基于多核相关滤波的多扩展目标优化跟踪算法，引入多帧速度信息卡尔曼滤波和融合交并比的距离测度，对存活目标、新生目标和消失目标进行自适应识别与更新，利用全局和局部检测的三步法进行航迹估计，此外，提出了多核相关滤波模板优化方法，将模板创建时间转化为自适应权重，从极大似然的角度优化模板融合，能够有效适应对复杂形变多扩展目标跟踪和对漏跟目标的重识别。实验结果表明，提出算法对X波段雷达多目标具有较高的跟踪鲁棒性较好。     

基于卡尔曼自适应滤波算法的机动目标仿真研究

卡尔曼滤波理论在目标跟踪中得到成功的应用,但是在目标各种运动状态下仅利用卡尔曼滤波很难具有良好的跟踪性能。介绍了几种自适应卡尔曼滤波算法,对基于"当前"统计模型的卡尔曼自适应滤波算法在目标跟踪领域进行仿真,验证了卡尔曼自适应滤波算法的可靠性。     

转换坐标卡尔曼滤波算法分析

在非线性系统的目标跟踪中,常用的滤波算法是扩展卡尔曼滤波算法（EKFA）,但这种滤波算法常常会发散,近年来,Bar-Shalom等人在二维平面上提出了转换坐标卡尔曼滤波算法（CMKFA）,并通过仿真实验证明了在非线性系统的目标跟踪中此算法优于扩展卡尔曼滤波算法（EKFA）,文中对转换坐标卡尔曼滤波算法进行了深入的研究,通过理论推导证明了当状态方程和测量方程满足一定条件时,转换坐标卡尔曼滤波算法是去偏转换测量值的线性无偏最小方差估计算法。     

基于无源传感器协同的机载雷达自适应辐射控制算法

随着现代战场中电子对抗的日益激烈,雷达的生存环境受到了严重威胁。射频隐身技术是一种提高雷达及其搭载平台战场生存能力的重要途径。文中采用一种基于交互式多模型（Interacting multiple model, IMM）和扩展卡尔曼滤波（Extended Kalman filter, EKF）的序贯滤波方法。该算法优先使用无源传感器进行目标跟踪,将滤波过程中的状态估计预测协方差与预先设定的协方差门限进行比较,当目标跟踪精度不满足要求时,开启雷达工作。同时根据目标运动状态自适应地调整雷达工作时的辐射能量,从而进一步减小目标跟踪过程中机载雷达的辐射总能量。仿真结果表明,本文算法可以有效地配置机载雷达工作参数,提升系统的射频隐身性能。     

自适应卡尔曼滤波在目标跟踪系统中的应用

目标跟踪是精确制导系统中的重要组成部分.文中针对运动目标跟踪问题,在建立运动模型的基础上,应用卡尔曼滤波算法进行了跟踪仿真研究.考虑到直角坐标系下的扩展卡尔曼滤波容易发散,可能导致滤波精度变差,所以文章提出一种针对非线性观测模型和线性动态模型的自适应推广卡尔曼滤波器.直角坐标系下的自适应卡尔曼滤波算法,对虚拟噪声进行了估计,动态补偿观测器模型的线性化误差,削减了系统的观测误差,并对其滤波理论及算法进行了仿真研究.结果表明:该算法提高了滤波的稳定性、快速性和精确性,优于一般的扩展卡尔曼滤波算法.     

一种主/被动雷达模糊数据融合算法

提出一种基于模糊逻辑的主/被动雷达传感器数据融合算法。首先将单个雷达的测量值通过时间校准后,将它们作为卡尔曼滤波器的输入分别滤波,然后再对滤波后的目标状态估计进行融合。融合算法基于卡尔曼滤波的协方差匹配关系,采用模糊推理得到数据融合的权值。最后将各传感器的卡尔曼滤波状态估计进行加权融合得到所需要的目标状态信息。采用该融合算法可以有效提高目标跟踪系统的抗干扰能力。仿真结果表明该算法有效。     

一种改进的α-β目标跟踪滤波算法

数据处理系统是相控阵雷达实现搜索和对多目标精确跟踪的关键部分，目标跟踪滤波算法的优劣将直接决定系统的性能。介绍了一种改进的α-β滤波算法，然后将它和最小二乘滤波算法、卡尔曼滤波算法进行比较，对三种算法跟踪空中目标的直线飞行、改变航向的直线飞行两种情况的距离、方位、速度和航向等参数的均方差加以分析，证明了改进的α-β滤波算法在直线飞行模型下有着很好的综合效果，且计算量小，更有利于系统建模与仿真。     

强跟踪卡尔曼滤波在视频目标跟踪中的应用

针对经典卡尔曼滤波器在滤波数学模型与实际过程的数学规律不匹配、滤波特性较差的情况,提出利用强跟踪卡尔曼滤波器对视频序列图像中的运动目标进行跟踪。该方法是在经典卡尔曼滤波递推公式中的一步验前误差方差阵中引入可在线计算的时变渐消矩阵,从而调节增益K,使之能够不断变化,保证对新息序列的自适应调节,使状态滤波更准确。实验结果表明,较之经典卡尔曼滤波,该方法具有对运动目标更强的跟踪能力,跟踪精度更高,均方误差更小。     

AMAUKF应用于无人机跟踪目标再捕获研究

无人机(UAV)在使用滤波器对目标跟踪时常遇到目标丢失情况,然而在目标丢失时使用一步估计代替估计值会对跟踪精度造成较大影响,鉴于此,将自适应衰减记忆滤波(AMAF)理论应用于无迹卡尔曼滤波(UKF)以提高再次捕获目标后的跟踪精度;新的滤波器命名为自适应衰减记忆卡尔曼滤波(AMAUKF);在此基础上设计了滤波流程和计算机仿真实验,结果表明新的滤波器不但缩短了收敛步长,而且提高了跟踪精度。