球坐标系中的战术导弹跟踪

本文就球坐标中的机动目标跟踪,特别是用舰上跟踪雷达对来袭的飞航式反舰导弹进行跟踪的问题提出了一套新的模型和算法.这个新的模型着重于对球坐标系中目标运动模式和加速度非线性关系的深入分析.同时本文提出了一种称为二级自适应滤波器组(TSAFG)的自适应跟踪滤波器结构.对于满足一定条件的机动目标,这一方法具有简单、灵活、有效的优越性.它还可推广到在球坐标系中对多种类型的机动目标进行精确跟踪.     

基于多模粒子滤波的机动弱目标检测前跟踪

检测前跟踪技术是低信噪比环境下目标检测与跟踪的有效方法。该文针对目标作复杂运动的情况,提出了机动弱目标检测前跟踪的多模粒子滤波算法。该算法在目标状态矢量中增加了表示目标存在与否以及目标运动模型的变量,采用粒子滤波实现了包含两个离散变量的混合滤波过程。仿真试验表明,该算法在经典跟踪方法难以发挥作用的低信噪比条件下,能够有效实现机动目标的检测与跟踪。     

球坐标系中水下目标跟踪的研究

研究了球坐标系中的目标跟踪,提出了一种基于球坐标系的水下目标运动模型,指出了机动目标运动模型中均值和方差的取值,在此基础上,导出了基于球坐标系的自适应卡尔曼滤波跟踪算法,给出了Monte Carlo仿真实验的结果。结果表明:在球坐标系中,该模型对水下目标的径向距离、方位角、俯仰角及其速度和加速度具有良好的跟踪性能,无须进行目标的机动检测,跟踪算法所需计算量小。     

自适应输入统计模型

在“当前”统计模型的基础上,结合实时输入估计算法,提出了一种新的机动目标模型－自适应输入统计模型。大量仿真模拟表明,这种新的机动目标模型不仅具有良好的跟踪机动目标的能力,而且还极大地改善了非机动目标的跟踪性能,具有很好的应用价值。     

基于地理信息的地面运动目标跟踪方法

为了提高地面运动目标跟踪精度,提出了基于地理信息约束的变结构交互多模(VS-IMM)的目标跟踪算法。通过建立地理信息系统约束地面目标运动状态,并利用目标转弯曲线模型确定滤波器中机动目标的时变运动模型集,采用地理信息约束的变结构交互多模算法可更符合实际进行地面目标机动跟踪。针对机场地面机动目标的仿真结果表明,给出的地理条件约束的目标跟踪算法比现有交互多模算法具有更好的性能。     

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。     

机动目标跟踪的一种变维交互改进算法

为了满足工程需要,结合变维卡尔曼滤波器和α－β算法的优点,提出了一种卡 尔曼和α－β变维交互替代目标跟踪算法。通过加入机动检测器监视机动,在目标发生 机动时,采用高阶维数模型和卡尔曼滤波器;机动消失后,退回到低阶维数模型和α－β 滤波器,从而实现了对机动和非机动目标的自适应跟踪,克服了因转弯机动引起的误差突 跳,并显著地减少了计算量。通过Monte Carlo 仿真进一步验证了改进算法的合理性和实 用性。     

Probabilistic data association techniques for target tracking in clutter

In tracking targets with less-than-unity probability of detection in the presence of false alarms (FAs), data association-deciding which of the received multiple measurements to use to update each track-is crucial. Most algorithms that make a hard decision on the origin of the true measurement begin to fail as the FA rate increases or with low observable (low probability of target detection) maneuvering targets. Instead of using only one measurement among the received ones and discarding the others, an alternative approach is to use all of the validated measurements with different weights (probabilities), known as probabilistic data association (PDA). This paper presents an overview of the PDA technique and its application for different target tracking scenarios. First, it describes the use of the PDA technique for tracking low observable targets with passive sonar measurements. This target motion analysis is an application of the PDA technique, in conjunction with the maximum-likelihood approach, for target motion parameter estimation via a batch procedure. Then, the PDA technique for tracking highly maneuvering targets and for radar resource management is illustrated with recursive state estimation using the interacting multiple model estimator combined with PDA. Finally, a sliding window (which can also expand and contract) parameter estimator using the PDA approach for tracking the state of a maneuvering target using measurements from an electrooptical sensor is presented.     

General direction-of-arrival tracking with acoustic nodes

Traditionally, in target tracking, much emphasis is put on the motion model that realistically represents the target's movements. We first present the classical constant velocity model and then introduce a new model that incorporates an acceleration component along the heading direction of the target. We also show that the target motion parameters can be considered part of a more general feature set for target tracking. This is exemplified by showing that target frequencies, which may be unrelated to the target motion, can also be used to improve the tracking performance. In order to include the frequency variable, a new array steering vector is presented for the direction-of-arrival (DOA) estimation problems. The independent partition particle filter (IPPF) is used to compare the performances of the two motion models by tracking multiple maneuvering targets using the acoustic sensor outputs directly. The treatment is quite general since IPPF allows general type of noise models as opposed to Gaussianity imposed by Kalman type of formulations. It is shown that by incorporating the acceleration into the state vector, the tracking performance can be improved in certain cases as expected. Then, we demonstrate a case in which the frequency variable improves the tracking and classification performance for targets with close DOA tracks.     

一种新的机载预警雷达地面目标过滤方法

地面目标过滤是机载预警雷达航迹优化的一个重要内容,可以有效地改善航迹质量,该问题实质上是一个空地目标分类问题。在引入联合目标跟踪与分类思想的基础上,研究了一种基于空地目标运动特征差异的目标分类方法。首先,采用包含目标所有可能机动的交互式多模型对目标进行跟踪,然后利用估计的目标运动特征参数和贝叶斯分类器完成两类目标的分类。仿真结果表明,在目标机动条件下,该方法能够对空地目标进行有效的分类。     

基于U-S滤波的自寻的导弹导航与跟踪法

为了解决自寻的导弹出现的误跟、诱饵欺骗与杂波虚警等一系列问题,提出一种基于UKF-SOFFN滤波跟踪算法,将机动目标模型视作严格的非线性系统,利用UKF-SOFFN对非线性参数的辨识能力提高对锁定机动目标的跟踪能力。仿真实例表明,该算法能获得最准确的目标机动模型,利用量测信息实时地分辨模型的参数,有效地辨识目标群中的目标,并实施可靠的跟踪,进而对导弹进行导航控制。     

复合K噪声下机动目标跟踪自适应UPF算法

针对复合K噪声下机动目标跟踪系统具有强非线性非高斯的特点,提出了一种自适应无迹粒子滤波(Adaptive Unscented Particle Filter,AUPF)算法.该算法建立在常加速模型及其改进滤波算法基础上,并将无迹卡尔曼滤波(Unscented Kalman Filter,UKF)与强跟踪滤波(Strong Tracking Filter,STF)算法相结合作为提议分布,提高了系统跟踪一般机动和阶跃机动的能力.在给出复合K噪声模型的基础上,利用AUPF算法对几种典型机动目标进行了计算机仿真,并同无迹粒子滤波(Unscented Particle Filter,UPF)算法进行了比较.仿真结果表明,复合K噪声下AUPF算法能更有效地对各种机动目标进行跟踪,具有较高的跟踪精度.     

一种新的机动目标跟踪的多模型算法

设计了一种仅仅使用两个模型实现对机动目标精确跟踪的多模型算法,采用了含有法向和切向加速度的加速度均值自适应的当前统计模型和扩展后的常速模型进行交互。该算法不受目标转弯率大小和变化的限制,对目标运动模式的未知参数变化的适应性较强。仿真结果表明,该算法对目标的跟踪精度明显优于传统的使用3个以上模型交互的IMM-CV/CT算法。由于本算法能够估计出目标的法向和切向加速度,进行适当的模型集设计后,可以实现对复杂、快速机动目标的全过程跟踪,具有可扩展性的应用前景。     

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。     

Stochastic Differential Equations for Modeling of High Maneuvering Target Tracking

In this paper, we propose a new adaptive single model to track a maneuvering target with abrupt accelerations. We utilize the stochastic differential equation to model acceleration of a maneuvering target with stochastic volatility (SV). We assume the generalized autoregressive conditional heteroscedasticity (GARCH) process as the model for the tracking procedure of the SV. In the proposed scheme, to track a high maneuvering target, we modify the Kalman filtering by introducing a new GARCH model for estimating SV. The proposed tracking algorithm operates in both the non‐maneuvering and maneuvering modes, and, unlike the traditional decision‐based model, the maneuver detection procedure is eliminated. Furthermore, we stress that the improved performance using the GARCH acceleration model is due to properties inherent in GARCH modeling itself that comply with maneuvering target trajectory. Moreover, the computational complexity of this model is more efficient than that of traditional methods. Finally, the effectiveness and capabilities of our proposed strategy are demonstrated and validated through Monte Carlo simulation studies.     

使用交互多模型算法的高速高机动目标跟踪

对机动目标进行跟踪一直是甚具挑战性的问题,特别是跟踪高速高机动目标在理论上和实践上都有较高的技术难度。现有各种算法在这个问题上均有各自的缺点和不足。该文在现有的运动机动模型和IMM算法的基础上,提出了使用多种机动模型交互的IMM算法进行高速高机动目标跟踪。不同机动模型之间的互补使这种算法克服了使用单一模型的一些问题。使用“当前”统计模型、二级滤波模型和CV模型进行交互是一种可行的高速高机动目标跟踪方案。为验证算法的有效性,进行了Monte Carlo仿真。仿真结果表明,该算法在性能和计算复杂度之间取得了较好的平衡,有很好的可实现性。     

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。     

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.     

基于当前统计模型的强机动目标跟踪算法

当前统计模型算法将当前加速度均值作为输入控制项引入一步预测方程,实质上变为方差自适应变化的匀加速直线运动模型,虽然单位阶跃加速度输入的稳态误差为零,但对变加速度运动的机动目标跟踪效果变差。本文提出一种改进算法,在保留修正瑞利分布描述机动加速度统计特性的基础上,选择零均值时间相关模型,并与当前统计模型算法进行比较。仿真结果表明,本算法对变加速机动目标的跟踪性能明显优于当前统计模型算法。     

基于有限集统计学理论的目标跟踪技术研究综述

有限集统计学理论为杂波背景下的目标跟踪问题提供了一种工程友好的理论工具.对近年来基于有限集统计学理论的目标跟踪技术研究现状进行了综述,包括最优多目标贝叶斯滤波器及其近似技术、参数未知与机动多目标跟踪技术、航迹生成方法、单目标联合检测与跟踪滤波器及基于有限集观测的单目标滤波器等,对相关应用亦有所介绍.最后在已有研究发展的基础上,着眼于提高目标跟踪精度和增强目标跟踪鲁棒性的发展需要,提出了基于有限集统计学理论的目标跟踪技术需重点解决和关注的若干问题,包括多目标跟踪性能评价、弱小目标跟踪、多机动目标跟踪、多传感器融合跟踪以及联合目标检测、跟踪与分类等方面.