一种基于期望模型的自适应Singer模型滤波算法

针对使用固定模型滤波算法跟踪机动目标时滤波精度依赖于模型固有参数的问题,提出了一种基于期望模型的自适应Singer模型滤波算法。首先利用3组代表不同机动强弱的典型Singer模型组成基础模型集合,然后通过实时计算目标综合残差确定目标机动等级,根据目标机动等级的变化来生成期望模型,并实时扩充基础模型集合进行交互式多模型（Interacting Multiple Model,IMM）滤波。该算法降低了对基础模型选取的依赖性,具有更好的环境适应性,在目标不同机动状态下都能进行准确跟踪。     

基于改进交互式多模型算法的ADS-B航迹滤波方法研究

针对广播式自动相关监视(ADS-B)航迹跟踪精度低以及目标跟踪模型与目标运动模型匹配效率低的问题,结合自适应算法对经典交互多模型(IMM)算法的运动模型集进行改进。将经典交互模型(IMM)运动模型集中的匀加速运动(CA)模型,改进为"当前"统计模型(CS)和修正转弯(MCT)模型。利用改进的模型集对目标当前位置、速度和加速度进行滤波估计。并对模型转移概率进行修正,提高IMM算法的自适应能力,实现快速目标跟踪。利用模拟航迹数据及实际设备接收的实测数据对算法进行验证。结果表明:运动模型集改进后的IMM算法滤波结果优于经典IMM算法,跟踪结果稳定,改进的算法可适应复杂的目标航迹实时跟踪。     

基于雷达测量的多目标联合检测、跟踪与分类方法

利用雷达测量中的目标速度、加速度等属性信息, 基于跳转马尔科夫系统模型高斯混合概率假设密度滤波算法, 提出了一种多目标联合检测、跟踪与分类方法.该方法在进行雷达多目标测量信息处理的多模型混合高斯概率假设密度滤波过程中, 对各高斯项编号, 进行航迹提取, 在滤波处理的同时形成带有航迹编号的明确航迹, 并进行航迹管理; 同时, 根据目标运动模型, 联合利用目标加速度控制输入与速度估计进行多目标分类.仿真试验验证了该方法能够在检测、跟踪的同时, 对目标航迹进行有效类型识别.     

远程预警雷达中的航迹处理技术

雷达航迹处理是雷达数据处理的重要组成部分,对雷达的作战使用有较大的影响.文中描述了远程预警雷达中航迹处理的数学模型,并涉及到航迹起始、跟踪滤波、航迹关联、航迹终止等问题.通过仿真,实现了改进的航迹起始逻辑法和改进的概率数据关联算法,验证了该算法的性能.     

基于截断正态概率密度模型的机动目标自适应跟踪算法

针对Singer模型算法中假设的不合理性,提出了基于截断正态概率密度模型的机动目标跟踪算法,给出了非零时间相关模型及目标加速度的截断正态概率密度模型,并结合Kalman滤波算法得出目标加速度的截断正态概率密度模型的自适应滤波系统流程图,最后针对实际目标机动情况对其进行仿真计算,结果验证了该算法的良好跟踪性能。     

一种基于交互多模型卡尔曼滤波的被动协同定位滤波算法研究

针对多节点被动协同定位模式下，海面高机动目标定位结果随测向误差跳变的问题，提出一种基于交互多模型卡尔曼滤波的被动协同定位滤波算法；通过仿真模拟一条由多种运动状态组合而成的航迹，各子航迹对应不同的运动模型，对比了常规卡尔曼滤波算法和交互多模型卡尔曼滤波算法对复杂场景的滤波效果，仿真结果表明后者具备更好的滤波性能。     

基于交互多模型的路面机动车辆跟踪算法

机动目标跟踪一直是智能汽车环境感知领域的研究重点和难点,为了实现对目标车辆的准确跟踪,研究了将交互多模型(interactingmultiplemodel,IMM)算法应用到智能汽车对目标的跟踪中。首先,根据目标车辆的真实运动情况提出一种基于"当前"统计模型和Singer模型的模型集,然后,在PreScan中搭建模拟场景,将此模型集应用到IMM目标跟踪算法,并将本算法与基于"当前"统计模型和基于Singer模型的两种单模型目标跟踪算法进行仿真比较。结果表明此IMM算法在智能车辆目标跟踪方面具有较高的应用价值。     

基于改进Singer模型的机动目标跟踪方法

Singer模型使用标准卡尔曼滤波器对机动目标进行跟踪,当系统模型不准确或噪声统计特性不确定时,容易引起滤波发散或跟踪精度下降等问题。针对这种情况,本文提出了一种采用自适应渐消卡尔曼滤波的Singer模型算法(AKF Singer),通过引入渐消因子来抑制滤波器的记忆长度,自适应的调整新息权重和滤波器增益,从而避免发散。仿真结果表明,本文所提算法能够有效抑制滤波发散,相比于传统Singer模型,具有更好的跟踪稳定性和更高的跟踪精度。     

多功能相控阵雷达点迹融合技术研究

相控阵雷达由于工作方式的多样性与波束的灵巧性,其点迹融合比常规情报雷达组网的融合更复杂。通过对相控阵雷达数据特性与控制特性的深入分析,提出了一种伪序贯交互多模型滤波点迹融合算法。该算法将按照一定的时间周期,统一处理时间间隔内的多雷达点迹,在获得与每条航迹相关的点迹后,将关联点迹按时间排序,凝聚时戳非常接近的点迹,然后序贯用于航迹的交互式滤波。最后,通过实际试飞试验,对算法进行了验证,结果表明,融合后航迹的稳定性和精度都得到了提高。     

目标检测非线性问题研究

在目标检测滤波算法中，量测向量与滤波中所使用的状态向量是一对非线性关系，由于非线性误差的传播与积累，极有可能导致滤波结果的发散。针对这一问题，本文提出将UT(Unscented Transformation)变换的思想引入到Singer模型中，在保证滤波精度的基础上，解决了非线性滤波中滤波结果发散的问题。     

交互式多模型机动目标跟踪方法的仿真

分析和研究利用CV模型和CA模型交互、CV模型和Singer模型交互、CV模型和“当前”统计模型交互分别对单机动目标进行跟踪。通过大量的计算机模拟仿真，比较了不同的模型组合在各种参数情况下的滤波性能，并且比较其和卡尔曼滤波（Singer模型）性能的优劣性，得出了一些有意义的结论。     

自适应Kalman滤波算法在相对导航中的应用

本文将Singer、CS、IMM三种自适应滤波算法应用到数据链相对导航中,并进行了计算机仿真,分析比较了三种算法的性能。仿真结果表明,对机动平台相对导航而言,CS模型和IMM算法具有明显的优势。另外,指出并印证了Singer模型和CS模型中机动参数对相对导航性能的影响,分析了IMM算法在相对导航应用中存在的问题,并提出了相应的解决思路。     

场景统计类红外图像非均匀性校正算法研究

场景统计类非均匀性校正算法对场景分布进行假定,获得探测单元接收红外能量的一、二阶矩,进而估计探测单元的响应参数,校正非均匀性。分析比较了现有的场景统计类非均匀性校正算法,并应用交互多模(IMM)算法校正非均匀性,实验结果表明以连续图像序列作为观测数据时,能够有效地校正非均匀性,扩展了卡尔曼滤波法的适用范围。对各种方法进行仿真,表明删算法具有较好的收敛特性。     

基于IMM-UKF的机动目标跟踪方法

针对目标运动模式的不确定性和运动模型的非线性问题,提出基于无味卡尔曼滤波器的交互式多模型方法。该算法采用匀速运动模型、匀加速运动模型、已知转弯角速度的匀速率转弯模型和“当前”统计模型作为模型集,用无味卡尔曼滤波实现非线性状态估计。仿真结果表明,该算法比传统的交互式多模型算法具有更高的跟踪性能。     

多站测角的机动目标最小二乘自适应跟踪算法

为了避免被动跟踪中非线性带来的计算复杂化及精度的下降问题,该文首先采用最小二乘法对目标的状态进行粗估计,然后采用当前机动目标模型和自适应跟踪算法进行线性的卡尔曼滤波,以实现对目标较高精度的定位和跟踪。实验结果表明:该方法对于匀速和匀加速运动的目标都可以达到良好的跟踪效果,其误差远小于经典的singer方法;对于强机动目标,singer方法将失效,而本文方法仍能实时辨识出目标的速度和加速度,并且估计效果良好。     

自适应转移概率交互式多模型跟踪算法

针对标准的交互式多模型算法（Interacting Multiple Model,IMM）存在模型集设计困难和采用固定转移概率矩阵导致模型切换缓慢、跟踪精度下降的不足,提出一种自适应转移概率IMM算法.首先,提出了一种新的模型集设计方法,将强跟踪修正输入估计（Strong Tracking Modified Input Estimation,STMIE）模型和匀速运动（Constant Velocity,CV）模型作为IMM算法的模型集,利用STMIE算法对高机动目标的跟踪能力以及CV模型对非机动目标跟踪的高精度,实现对目标的全面自适应跟踪.其次,提出一种依据模型似然函数值对Markov转移概率进行实时修正的方法,增强匹配模型的作用,削弱不匹配模型的影响.仿真结果表明,依据模型似然函数修正转移概率的方法使IMM算法的模型切换速度和跟踪精度都得到提高,提出的IMM-STMIECV算法的跟踪精度高于IMM-CVCA、IMM-CVCACT以及IMM-CVCS算法.     

基于改进“当前”统计模型的机动目标IMM跟踪算法

交互式多模型(IMM)算法是一种有效的机动目标跟踪算法,但其性能与模型的选择、个数以及参数有关。文中提出了一种基于改进的“当前”统计模型的交互式多模型算法,改进的“当前”统计模型提高了对机动目标的跟踪能力,而常速模型对匀速目标跟踪性能良好,IMM算法通过两种模型的交互作用可以实现对目标状态的自适应估计;同时,该算法结合了模型概率转移自适应技术,实现了对模型转移矩阵的在线估计,降低了人为因素。最后,通过Monte Carlo仿真进一步验证了该算法的有效性。     

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。     

机动目标跟踪的HIMM算法研究

交互多模型算法(IMM)的子滤波器都是基于Kalman滤波的,它要求知道精确的噪声统计特性,然而在许多情况下噪声信号的统计特性是未知的,只能得到噪声信号的近似模型,这在一定程度上降低了IMM算法的跟踪精度.基于以上问题,将H∞滤波算法应用于IMM算法的滤波过程.H∞滤波对干扰信号的统计特性不作任何假设,与Kalman滤波相比,H∞滤波器对噪声形式的不确定性不太敏感,鲁棒性好.在跟踪过程中还引入了一种数值稳健的模型概率计算方法,能有效防止计算过程中出现数值溢出现象,提高了算法的可靠性.最后通过仿真实验,证明了算法的有效性.