一种新的机动目标跟踪的多模型算法

采用带渐消因子的当前统计模型与匀速运动模型进行交互,设计了一种新的机动目标跟踪的交互式多模型算法。当前统计模型具有对一般机动目标跟踪精度高的特点,通过渐消因子的引入增强了该模型对突发机动的自适应跟踪能力,同时通过与CV模型的交互保证了对非机动目标的跟踪性能。仿真结果表明,在跟踪一般机动目标时,其误差和当前统计模型与CV模型交互的IMM算法相当;在跟踪突发机动目标时,该文算法的误差明显小于当前统计模型与CV交互的IMM算法。     

基于交互式多模型的机动目标跟踪算法

在军事和民用航空领域，可靠而精确地跟踪目标始终是目标跟踪系统设计的关键。但当目标处于强机动多模型的运动情况下时，在对目标进行状态估计时，单独采用一个模型会受到模型自身局限性的影响使得滤波精度不高，于是有必要采用多个模型描述机动目标的运动状态。基于此，采用交互式多模型滤波算法对目标进行跟踪。仿真结果表明，该算法对机动目标有很好的跟踪效果和较高的跟踪精度。     

机动目标跟踪中的多模型算法

多模型算法经历了从静态多模型（SMM）到交互多模型（IMM）、从固定结构多模型（FSMM）到变结构多模型（VSMM）的发展过程。通过分析FSMM算法的局限性,得出了VSMM算法的优点和使用时机,介绍了变结构多模型的转换算法,同时提出了一种新的VSMM算法——最小子模型集切换算法。     

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.     

基于交互多模型的高机动群目标跟踪技术

针对杂波环境下密集多目标的跟踪问题,首先引入了编队群目标跟踪算法(FGT),并结合交互多模型(IMM)算法,提出了适用于杂波环境下机动群目标跟踪的新算法—基于交互式多模型的编队群目标跟踪算法(IMM-FGT).计算机仿真结果表明,IMM-FGT算法是解决机动群目标跟踪问题的一种有效的方法.     

变维自适应交互式多模型跟踪算法

针对传统的交互式多模型(IMM)算法通常采用相同维数的模型进行滤波,存在较大的模型误差以及当前统计模型(CS)中的参数需要合理设定的问题,提出一种变维自适应交互式多模型(AIMM)跟踪算法。该算法首先利用维数变换,将不同维数的模型转换为统一的维数进行交互滤波,使之适用于一般的机动目标,减少模型跟踪误差;然后通过引入由残差信息定义的调整因子对CS模型中的参数自适应调整,提高模型与实际运动模式的匹配程度;最后将参数调整后的CS模型反馈到变维IMM算法中,来改善跟踪性能。仿真实验表明,与传统变维IMM算法相比,文中所提算法在有效跟踪机动目标的同时,提高了目标的跟踪精度。     

用于机动目标跟踪的多模型算法进展

对多模型算法的发展过程进行了简单的回顾和评述,通过分析固定结构多模型算法的局限性,得出变结构多模型算法的使用时机。     

基于Bayesian-Fisher 混合模型的强跟踪当前统计模型

针对当前统计模型(CS)不能自适应调节机动参数,导致对弱机动以及强机动目标跟踪性能下降的问题,提出了一种基于Bayesian-Fisher 混合模型的新方法。首先,通过引入Bayesian-Fisher 混合模型,将机动加速度均值作为未知的确定性输入增广到状态变量中,实现了对加速度均值的在线自适应估计;其次,根据强跟踪滤波器(STF)的思想,引入时变渐消因子,增强算法对突变状态的适应能力。仿真结果表明,该算法不仅提高了对弱机动和强机动目标的跟踪精度,也削弱了对初始机动参数的依赖。     

一种基于相互作用多模型的目标跟踪方法及应用

首先，对传统的KLM滤波器及在跟踪机动目标的缺点和不足作了介绍，然后介绍强跟踪滤波及相互作用的多模型滤波器，采用相互作用的多模型滤波器对机动性很大的目标进行跟踪，分析IMM算法在机动目标跟踪中的优势。最后，采用部队的实际数据进行仿真，对它们的跟踪效果做了比较。     

基于改进“当前”统计模型的目标跟踪算法

提出一种基于改进"当前"统计模型的目标自适应跟踪算法.针对"当前"统计模型自适应算法对机动加速度极限值有依赖,对弱机动目标跟踪精度不高的问题,采用一种简单的加速度方差自适应调整公式加以克服,在此基础上融合隶属函数对其进行加权改进.为克服算法中自相关时间常数难以选取问题,将不同自相关时间常数的"当前"统计模型在交互式多模型框架内进行交互.仿真结果表明,无论对于强机动目标还是弱机动目标,新算法都具有较好的跟踪效果.     

用于非线性机动目标跟踪的新型IMM算法

针对在非线性机动目标跟踪中存在的滤波器易发散、机动检测有延迟等问题,把Unscented Kalman Filter(UKF)引进到交互多模型算法(IMM)中,设计了交互多模型UKF滤波器。并利用目标运动模型集概率的相对变化率设计了自适应交互多模型UKF滤波器,最后进行了计算机仿真。蒙特卡罗仿真结果表明,两种滤波算法都具备UKF滤波器精度高、稳定性好、不易发散的优点,同时不需了解目标机动的先验信息,适合于实际应用;并且自适应交互多模型UKF滤波器具有更好的跟踪效果。     

采用多速率多模型交互实现机动目标的全速率跟踪

多速率模型通过对原始测量结果和目标运动模型进行多分辨分解实现目标高精度跟踪.多模型交互方法则采用一个马尔科夫链控制多个模型交互实现机动目标跟踪.本文给出了一种采用多速率多模型交互方式实现机动目标全速率跟踪的方法,它通过交织多次滤波结果使得跟踪能同时保证高精度和全速率.仿真结果及分析说明了该方法较传统的全速率多模型交互算法获得了更好的跟踪效果.     

基于SRCDKF的交互式多模型算法

给出了一种基于平方根中心差分卡尔曼滤波的交互多模型(IMM)算法.该算法较好地解决了非线性条件下机动目标跟踪的问题,可获得比基于扩展卡尔曼滤波(EKF)的IMM算法更好的数值稳定性、计算精度和收敛速度,还避免了复杂的Jacobi矩阵运算.Monte Carlo仿真验证了该算法的可行性和有效性.     

ECEF坐标系弹道导弹跟踪研究

针对单模型跟踪算法无法实现对弹道导弹连续精确跟踪的问题,提出了一种地心地固坐标系下弹道导弹全阶段连续跟踪的交互式多模型(IMM)算法。根据导弹不同飞行阶段的受力情况建立IMM算法的两个滤波模型集:助推段采用恒轴向力模型,中段、再入段采用被动段跟踪模型,两个模型都利用滤波精度高、数值稳定性较好的求容积卡尔曼滤波算法进行滤波。针对该IMM算法在混合估计过程中引入偏差的问题,采用无偏混合的方法,以两种典型的跟踪场景进行仿真校验,实验结果验证了该文算法的优越性。     

交互式多区域模型

一种被称为交互式多区域模型(IMRM)的非线性滤波算法被提出,用于对状态和连续系统参数进行联合估计.IMRM将连续的系统参数空间视为由若干子区域所构成的集合,并将每个子区域分别分配给一个子模型.IM-RM使用一组子滤波器并行滤波.在每一时刻,IMRM利用交互操作计算各子模型的混合初始化环境,之后各子滤波器在假设系统参数跳变到特定子区域的前提下,对状态和系统参数进行估计.为了有效地应用IMRM,提出了一种基于无迹变换的交互式多区域模型(UT-IMRM)算法.UT-IMRM对每个子模型使用无迹卡尔曼滤波器(UKF)进行滤波.在目标跟踪实验中对UT-IMRM性能进行测试.实验结果显示当系统参数不属于IMM模型集合时,UT-IMRM能够比IMM获得更好的估计性能.     

基于两点式数据关联算法的多机动目标跟踪

本文首先分析了两点式概率数据关联算法,在此基础上将其与交互式多模型算法结合起来提出了一种用于跟踪多机动目标的新算法.由于充分利用了两点式数据关联算法在关联精度和计算量上的优越性,所提出的新算法无论在跟踪精度方面,还是计算量上都有很大的改善.理论分析与仿真结果验证了该算法优于传统的交互式多模型联合数据关联算法.     

一种机载PD雷达交互多模型滤波方法

机载雷达在运动平台上探测目标,探测数据描述的是平台和目标的相对位置。目标的机动状态不明,且探测数据和目标真实位置之间是非线性关系,导致机载雷达的航迹滤波难度大,滤波器精度和稳定性差。本方法中先进行数据预处理,量测误差在天线坐标系下获得,目标状态方程和量测方程在固定坐标中心的直角坐标系下建立,量测误差协方差矩阵由量测误差和位置进行无偏转换获得;采用交互多模型滤波器,模型集由匀速直线运动模型、当前统计模型和角速度未知的匀速转弯运动模型组成;非线性模型迭代由容积卡尔曼滤波实现,各模型的初始概率和模型参数基于速度和径向速度进行预估。仿真实验表明该方法提高了机载PD雷达的航迹情报质量,尤其提高了机动目标跟踪的精度和稳定性。     

基于粒子优化的多模型粒子滤波算法

针对模型信息引入粒子采样过程中导致用于逼近当前时刻真实状态与模型的粒子数减少问题,本文给出了一种基于粒子优化的多模型粒子滤波算法．在算法实现中,对每个粒子运行一个扩展卡尔曼滤波器,结合扩展卡尔曼滤波中预测更新机制实现最新量测信息的有效利用,进而提升单个采样粒子对于真实系统状态和模型逼近的有效性．理论分析和仿真结果表明：新算法在系统状态估计的精度以及模型辨识的准确性方面均明显地优于交互式多模型粒子滤波算法和多模型粒子滤波算法．