无源定位对机动目标跟踪研究

通过分析飞行目标的空间运动关系,建立符合飞行目标运动特性的PVT三维跟踪模型。因为飞行目标无源跟踪的观测模型的高非线性,并且状态向量维数较高,文章把粒子滤波应用到飞行目标跟踪,并与卡尔曼滤波跟踪结果比较。仿真试验验证了PVT模型和PF滤波算法跟踪飞行目标的优越性。     

利用粒子滤波的单站无源跟踪研究

通过分析飞行目标的空间运动关系,建立符合飞行目标运动特性的 PVT 三维跟踪模型.因为飞行目标无源跟踪的观测模型的高非线性,并且状态向量维数较高,文章把粒子滤波应用到飞行目标跟踪,并与卡尔曼滤波跟踪结果比较.仿真试验验证了 PVT 模型和 PF 滤波算法跟踪飞行目标的优越性.     

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。     

基于卡尔曼滤波的目标跟踪系统的建模与仿真

为了提高对高速飞行目标的跟踪精度,采用kalman滤波算法建立了飞行目标跟踪系统的滤波模型,将连续系统离散化后,结合奇异值分解理论获得了离散系统方程.通过对滤波稳定性进行分析可知,所建系统模型为完全能控和完全能观的,滤波系统稳定.仿真实验结果表明,经过卡尔曼滤波算法可以精确地获得高速飞行目标的位置、速度和加速度状态信息,从而能够更精确地对高速飞行目标进行跟踪.     

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。     

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。     

基于交互多模型的低空目标跟踪算法研究

研究了基于交互多模型(IMM)的低空目标跟踪问题。分析了低空目标的运动特征,给出了目标匀速(CV)直线、匀加速(CA)直线、曲线飞行航迹模型。在交互多模型(IMM)算法中,采用多种运动模型跟踪低空目标。在所研究的大机动模型情况下,通过多次数据处理优化参数后,统计分析结果表明,该算法滤波后数据误差明显降低,数据精度有较大的提高,能够稳定精确地跟踪低空目标。因此,该低空目标跟踪算法是有效的。     

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。     

应用Kalman滤波提高雷达测量精度

在电扫描或机械扫描雷达中均可利用Kalman滤波方法进行跟踪。Kalman滤波形成的跟踪回路是对目标进行偏零跟踪,它与伺服跟踪回路并联工作。Kalman滤波的状态估计作为雷达测得的座标输出,同时还作为伺服系统复合控制信号,实现计算机辅助跟踪。 为了提高精度和解决模型设计与目标实际运动的差异而引起的问题,文中提出用均值和方差联合检测及直接修改增益矩阵的自适应方法,经实验性相控阵雷达飞行试验表明,这种方法比不用自适应的常系数跟踪系统具有更好的效果。     

非高斯噪声情况下多平台机动目标被动跟踪新方法

针对仅有角度测量信息条件下,被动传感器融合目标跟踪问题,提出了扩维UKF滤波算法;并对经典IMM进行改进提出变维IMM算法,利用不同维数模型之间的交互式融合解决对机动目标的跟踪问题;进一步考虑实际情况中往往存在的测量噪声为非高斯情况,引入自适应滤波方法。最终提出变维交互式多模型自适应抗差扩维无迹滤波方法（VDIMM-AAUKF）,成功实现了被动多传感器在高斯和非高斯噪声情况下对机动目标跟踪。仿真实验结果表明该算法跟踪精度高、稳定性好,具有较好的实际应用价值。