变维的机动目标跟踪算法

为改善现有机动目标跟踪方法存在的跟踪精度不高、滤波易发散的问题,提出了一种RA-Jerk-EKF算法,该算法将目标径向加速度信息引入量测向量,通过增加雷达量测向量维数提高机动目标的跟踪精度。在信号处理阶段利用分数阶傅里叶变换(FRFT)估计出目标的径向加速度,并将其通过坐标转换引入量测向量中;在数据处理阶段采用Jerk模型和扩展卡尔曼滤波(EKF)算法解决滤波算法中非线性量测方程问题;最后将该方法与传统的不带径向加速度的Jerk-EKF方法进行了仿真比较。结果表明,该方法在跟踪精度,位置、加速度和速度估计精度方面均有所改善。     

一种新的机动目标跟踪滤波的模型方法

本文提出了一种新的机动目标跟踪滤波的模型方法。它将目标的机动加速度作为一状态变量引入模型而直接进行估计,并通过卡尔曼滤波器的残差来检测目标机动与否。一旦检测出目标机动,马上重新启动卡尔曼滤波器以适应机动加速度的跳变。新的自适应滤波方法在这种情况下实现了最佳滤波。计算机仿真结果表明,在计算量远少于Moose方法计算量的情况下,本文方法的滤波精度与Moose方法的滤波精度相当。     

一种改进的α-β滤波算法

针对传统α-β滤波算法不够有效跟踪机动目标的问题,详细分析了其内在原因,提出一种改进的α-β滤波算法.该算法不需要假定目标的机动模型,而是将目标的机动加速度作为滤波状态直接估计出来,将估计加速度作为输入控制量引入到传统α-β滤波器的状态估计方程中进行机动目标的跟踪.然后将它与传统α-β滤波算法进行比较,证明了新的算法不仅具有传统算法计算量小的优点,而且还可以对机动目标进行实时跟踪.仿真结果表明,新算法在综合性能上明显优于传统算法.     

卡尔曼粒子滤波中基于精确运动模型的局部区域估计

粒子滤波广泛应用于对精度和稳定性要求较高的目标跟踪,但其计算量大,并且计算复杂度随着状态量和粒子数目增长迅速增加。将目标跟踪转化为由粗到精的搜索过程,提出了一种基于精确运动模型的改进分层卡尔曼粒子滤波算法。该方法利用加速度的运动模型在真实目标位置的周围估计目标的散布范围,并在该范围内随机生成粒子,寻找精确的目标位置。文中引入加加速度模型主要是由于现有方法的状态量阶数不足,导致模型精确度较低,无法应对大机动目标的跟踪。因此,引入了高阶状态变量加加速度,并将其用于改进分层卡尔曼粒子滤波的运动模型。利用分层卡尔曼粒子滤波、粒子滤波以及提出的方法进行了跟踪试验,结果表明,基于精确运动模型的改进分层卡尔曼粒子滤波模型的跟踪方法能够提高线性运动的预测精度,实现复杂环境下精确稳定的跟踪。     

改进的变维滤波实现运动目标姿态的跟踪

针对运动目标变维姿态滤波在姿态剧烈变化时滤波效果较差的问题,结合Jerk模型,提出一种改进的变维运动目标姿态滤波方法。该方法通过建立角加加速度滤波模型,结合变维姿态滤波中的角速度和角加速度模型,利用角度和角速度的新息残差,角加速度和角加加速度估计显著性检验的统计量,判定目标姿态的机动状态,调整跟踪模型,从而提高姿态跟踪精度。仿真表明,该方法在保持变维姿态滤波精度基础上,有效提高了姿态强机动情况下的跟踪精度。     

三状态样条Kalman滤波与目标机动检测

基于样条方法和Kalman滤波理论，给出了一种新的三状态样条Kalman滤波方法及对目标进行机动检测的方法。该滤波方法用样条函数建立目标运动模型，应用Kalman滤波进行状态估计；该机动检测方法通过检测滤波新息来对目标机动发生或消除进行判断。由于考虑了加速度的实时估计，该滤波方法尤其适用于对弹道式目标的机动跟踪。仿真计算与实测数据计算表明：该滤波具有较高的精度；该机动检测方法具有较高的检测效率。     

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。     

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。     

一种提高雷达远距离机动目标精度的算法

在分析雷达对远距离机动目标跟踪速度精度要求和存在困难的基础上,提出了一种提高三坐标雷达速度估计精度的滤波算法。该算法将三维空间中目标的运动描述为切向和法向加速度机动的非线性状态方程,采用机动目标"当前"统计模型,建立了基于雷达三坐标测量的自适应扩展卡尔曼滤波算法。仿真结果表明,该算法可明显提高远距离目标机动段的速度精度。     

基于变步长增益调整的机动目标跟踪新算法

针对Singer模型的缺陷和“当前”统计模型存在的对弱机动目标跟踪能力较差的缺陷进行了改进,设计了一种新的加速度自适应模型;利用该模型设计出新的机动目标跟踪滤波算法,该算法对机动目标跟踪的综合性能有了较大的提高。在此基础上,为了减少滤波增益矩阵的计算量,使算法易于微机工程化实现,提出对滤波增益矩阵进行变步长调整的新方法,即通过在线检测算法确定何时有必要进行滤波增益的调整,而不需要每一步都计算增益矩阵,从而较多地降低了滤波算法的计算量。通过以上两个方面的改进,不仅提高了机动目标跟踪的精度,而且提高了目标跟踪的快速性和实时性。仿真验证表明该算法有良好的跟踪性能,而且计算量小,易于微机工程化实现。     

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,自适应调整机动频率、加速度方差,克服模型参数需先验设置的问题,同时提高算法对弱机动目标跟踪精度;其次,在检测到机动后引入渐消因子,使渐消因子的引入时机更合理,增强算法对机动的响应能力。两种典型机动场景下的仿真结果表明,与基于固定参数的当前统计模型的卡尔曼滤波算法相比,本文所提方法能够较好地适应加速度阶跃机动和转弯机动。      

基于IMM-SCKF-STF的机动目标跟踪算法

在处理非线性机动目标跟踪问题时,传统的非线性滤波估计算法跟踪误差大且容易引起滤波发散.针对上述问题,研究将强跟踪平方根容积卡尔曼滤波(SCKF-STF)和交互多模型(IMM)算法相结合,提出一种新型的交互多模型强跟踪平方根容积卡尔曼滤波(IMM-SCKF-STF)跟踪算法.该算法在SCKF基础上引入强跟踪渐消因子,使其不仅拥有应对机动目标状态突变的强跟踪能力,同时还具备交互多模型算法的优良机动目标跟踪性能.因此,新算法在机动目标跟踪方面将获得更高的非线性滤波估计精度,且算法的稳定性和应对状态突变的跟踪鲁棒性能获得显著提高.最后,通过两个仿真例子验证了此算法的有效性与优越性.     

基于最小模型组最优模型扩展的机动目标跟踪方法

针对变结构多模型算法中模型集自适应较复杂,且模型扩展受模型结构限制等问题,提出了一种最小模型组最优模型扩展的机动目标跟踪算法。该算法以最小模型组作为基础有效模型集,采用模型组切换方法进行模型组自适应;并根据Kullback-Leibler距离准则在连续的模型空间中对基础模型组进行最优模型扩展。因此,该算法具有模型集自适应简单、模型激活不受模型结构的限制等优点。多组实验仿真结果表明:该算法既可以对相同结构的模型进行激活,也可以对不同结构的模型进行激活;在没有明显增加计算量的同时,提高了目标的跟踪精度,具有较好的跟踪效果。     

一种基于模型选择的PF-TBD算法

在目前的基于粒子滤波检测前跟踪(PF-TBD)算法中,对粒子的预测通常是根据单一直线运动模型实现的,在目标机动时由于与运动形式相差较大,影响了跟踪效果。为此,提出一种基于模型选择的粒子滤波检测前跟踪(MM-PF-TBD)算法。该算法由已估计出的目标位置,计算相对偏转角,并以此判定目标当前的运动模式,进而选择相应的运动模型对下一时刻的粒子进行预测,显著提高了对粒子预测的精度。理论分析和仿真实验表明,文中所提算法适用于目标不同的运动形式,有效提高了目标机动时的检测和跟踪性能。     

基于模糊逻辑的改进自适应IMM跟踪算法

交互式多模型算法（IMM）和基于模糊控制的交互多模型算法（FIMM）是实际中常用的目标跟踪算法,然而其模型集合固定,当需要大量模型覆盖目标机动时,会导致计算量激增,且过多模型可能带来不必要的模型竞争,降低跟踪性能。针对这一缺陷,提出了一种基于模糊控制的改进自适应IMM算法（FAIMM）,采用一种模型概率的非线性映射处理方法实时筛选模型子集,剔除无用模型,增加有用模型的权重,并通过模糊推理机制自动调整过程噪声水平,使得算法对不同的目标机动模式具有更强的自适应能力。仿真结果表明,提出的算法跟踪性能优于IMM算法以及FIMM算法,能够更好地匹配目标的机动模式。      

基于最小二乘的多特征概率数据关联EM方法

提出了一种多目标多特征信息的数据关联算法.在强噪声密集杂波环境下,针对传统PDA算法对多目标跟踪时出现精度较差的问题,在跟踪过程中融入目标的特征状态信息,利用期望极大化(EM)算法对目标状态估计的最小二乘(LS)误差函数迭代求最小,将目标运动状态和特征联合的关联概率作为估计参数不断修正,从而获得对目标状态的最优估计.仿真结果表明,该算法能够增强区分目标和杂波的能力,减小相近特征量测所引起的跟踪误导,弱化对检测概率的依赖性,显著并稳定地提高对目标的跟踪精度.     

测角无源定位与跟踪的观测器自适应运动分析

本文采用定位的位置误差GDOP(Geometrical Dilution of Precision)作为优化对象,具体分析二维无源定位的可估计性优化问题,通过边估计边优化观测器运动的方法,以期在定位的各个时刻能得到最优的定位精度.本文还证明了在GDOP标准下,跟踪问题中的观测器运动寻优方法与其对应的定位问题相同.从而解决了在测角无源定位与跟踪中为了提高定位精度观测器如何进行自适应运动的问题.     

一种基于毫米波/红外复合制导的跟踪滤波算法

信息融合技术是毫米波/红外复合制导的关键技术之一,其中目标跟踪算法的优劣直接决定了系统的性能.针对毫米波与红外复合制导的目标跟踪,首先对毫米波传感器和红外传感器的量测数据进行了融合,并提出了一种改进的跟踪滤波算法.该跟踪算法能根据目标的机动情况实时获得滤波增益,并及时调整滤波方程,从而获得良好的跟踪效果.最后对目标的直线运动和改变航向的直线运动进行了仿真分析.仿真结果表明,与其它滤波算法相比,该算法的跟踪效果良好,跟踪精度较高且计算量少.     

DTV-GPS技术对边缘地带运动目标的定位跟踪研究

针对边缘地带GPS信号存在盲区而难以准确定位的问题,本文首先采用DTV-GPS混合定位技术来获取目标的位置,然后再设定一种U型山路的机动模型,并利用Kalman滤波算法对该运动目标轨迹进行定位跟踪,最后采用Monte-Carlo方法进行仿真研究。仿真结果表明,Kalman滤波后的轨迹接近真实运动轨迹,误差在10 m左右,符合定位精度标准,从而验证了所设定的轨迹模型与实际场景吻合,同时算法易理解,且仿真滤波过程稳定,具有较快的收敛速度和较高的定位精度,提高了机动目标跟踪的精度和系统的实时性。     

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。