基于高斯和均方根容积卡尔曼滤波的姿态角辅助目标跟踪算法

根据目标2维运动速度与姿态角的关系,该文提出一种姿态角辅助目标跟踪算法。在目标运动学基础上建立状态向量中包含姿态角的跟踪模型,实现姿态角对目标跟踪的辅助;针对基于模板匹配姿态角量测的噪声为非高斯情况,将均方根容积卡尔曼滤波引入到高斯和滤波框架下,提出新的高斯和均方根容积卡尔曼滤波算法,提高非线性非高斯处理能力,同时结合目标运动中姿态角的变化规律,建立姿态角分量不同的跟踪模型,通过模型切换实现机动姿态角的滤波。算法对姿态角量测进行滤波,同时实现了姿态角信息与位置信息的有效融合。仿真结果验证了该算法的有效性和正确性。     

基于角速度修正的变结构多模型目标跟踪算法

为提高强机动目标的跟踪精度,提出一种基于角速度估计值自适应修正的变结构多模型算法。将角速度估计应用于基于有向图切换的变结构多模型目标跟踪算法。通过引入改进的角速度估计方法,提高了角速度的估计精度。在有向图切换的基础上,实时估计角速度,并根据角速度估计值修正有向图,增强了变结构多模型目标跟踪算法的机动适应性。仿真结果表明,该方法在对强机动目标的跟踪性能上有明显提高。     

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。     

角速度估计自适应的IMM三维目标跟踪算法

为了解决三维空间内的机动目标跟踪问题,提出一种基于常速模型和带约束常速率协同转弯模型(CSCT模型)的交互式多模型算法;同时为了解决目标的机动不确定性问题,针对CSCT模型提出一种类似卡尔曼滤波的方法实时精确地估计目标转弯角速度。综合考虑目标角速度的估计值和估计方差,提高目标跟踪的收敛速度,尽可能地减小滤波角速度与机动目标真实角速度之间的误差,最终明显提高了目标跟踪精度。Monte-Carlo 200次仿真结果表明了该算法在性能上有明显提升,对三维机动目标跟踪效果显著,并证实了该方法的实用性。     

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。     

红外制导弹药协同定位跟踪方法研究

针对红外制导导弹无法直接测量弹目距离、视线角速度及目标加速度等制导信息,且单枚导弹的可观测量少,目标定位误差大的问题,考虑红外导引头的测量特性,利用多枚导弹与目标的几何关系对目标进行协同定位。建立多枚导弹对目标的协同跟踪模型,通过计算导弹间相对运动关系估算弹目距离,并将其作为伪量测量,结合导引头测角信息构建新的量测方程,利用卡尔曼滤波估计出弹目距离和视线角速度等制导信息。针对机动目标,研究了一种基于交互式多模型滤波方法,利用多个目标机动模型加权融合的方法来估计真实目标机动模型。数学仿真表明该方法有效提高了对固定/机动目标的估计精度。     

优化的多模型粒子滤波机动微弱目标检测前跟踪方法

在机动微弱目标的检测和跟踪方面,当前主要研究方法之一是多模型粒子滤波检测前跟踪（MMPF-TBD）,该方法以尽可能多的运动模型去匹配目标的机动,符合运动模型精细化研究方向,但存在模型数目与类别较多,模型之间转移计算复杂和有效模型使用效率低等问题。本文从多个运动模型结构上的相似性出发,提出一种优化的多模型粒子滤波检测前跟踪方法,通过粒子机动加速度的变化,在一个模型框架下模拟出类似MMPF TBD中的多种机动模型,简化了算法结构;在该方法实现过程中,采用辅助粒子滤波提高状态估计精度。仿真实验表明该方法相比MMPF-TBD具有更稳定的检测和跟踪性能以及在低信噪比环境中更好的适用性。      

基于光电伺服系统的复合控制仿真分析

针对光电系统跟踪目标时，伺服分系统采用传统的反馈控制跟踪精度不足的问题， 从控制原理、建模及仿真等方面进行分析，提出采用复合控制的方式提高系统的跟踪精度。实际系统采用滤波预测技术，对合成后的目标位置进行滤波预测并预计出目标的角速度和角加速度。 本次仿真利用目标模型直接推导出目标角速度和角加速度，简化了仿真模型。通过仿真结果证明复合控制可以大幅度提高光电跟踪系统的跟踪精度。     

图像增强的自适应网格交互式多模型算法

自适应网格交互式多模型算法(AGIMM)单纯依靠目标的模型后验概率来调整模型集,因此造成了在目标机动时刻跟踪性能不高的问题。基于图像传感器对目标机动的快速检测性能,首次将图像中的目标姿态角信息引入到该算法中。通过建立AGIMM估计的模型角速度与姿态角蕴含的模型角速度之间的隶属度关系,修正了目标的模型后验概率,增强了模型辨识能力,提高了该算法在目标机动时刻的跟踪性能,从而实现了图像传感器与雷达传感器两种异类信息的有效融合。     

变结构多模型估计单Kalman滤波跟踪机动目标算法

在机动目标跟踪中，如果我们估计出目标的机动量，就可以使用单Kalman滤波来跟踪目标且跟踪精度和IMM滤波方法接近。文献[l]中提出用N个离散加速度Ui覆盖目标机动量，然后用它们加权的方法来得到机动量的估值。这些离散加速度量Ui的选择是个难点。本文提出使用变结构多模型方法来估计目标的机动量，该方法可以实时改变参与估计机动量的模型数目和参数，排除一些不必要的模型来减少模型数目和竞争。仿真实验结果表明，在大大缩短计算时间的前提下，本算法依然能够获得与原算法一样的跟踪精度。     

高度机动目标的改进CS-Jerk模型

针对高度机动目标跟踪问题,通过对Jerk模型的分析,借鉴"当前"统计的思想,采用截断正态分布来表征目标机动加速度变化率(Jerk)特性,利用Jerk均值与方差之间的关系自适应调整过程噪声协方差矩阵,提出一种改进的"当前"统计Jerk模型(MCS-Jerk model);并通过理论分析指出了Jerk模型及其跟踪算法的缺陷以及改进的MCS-Jerk模型算法的有效性;仿真结果表明改进的模型及跟踪算法的高机动目标跟踪性能明显优于基于Jerk模型的跟踪算法。     

基于波形调度的机动目标跟踪算法

针对机动目标的跟踪问题,提出一种结合自适应匀速（Constant Acceleration,CA）模型和波形调度的平方根容积卡尔曼滤波（Square-Root Cubature Kalman Filter,SCKF）算法.在CA模型的基础上,通过构建Jerk分量与速度、加速度的近似关系,使得状态过程噪声与滤波器输出的状态协方差矩阵相联系,以实现模型的自适应调整.另外,利用分数阶傅里叶变换（Fractional Fourier Transform,FrFT）旋转发射波形的模糊函数,使得量测误差椭圆与滤波算法中的状态预测误差椭圆正交,得到最优的发射波形,以从数据处理和信号处理两方面共同提升系统的跟踪性能.仿真结果表明,相比于基于改进当前统计（current statistical,CS）模型的无迹卡尔曼滤波（Unscented Kalman Filter,UKF）算法、基于CS模型的SCKF算法、基于CA模型的SCKF算法和交互式多模型（IMM）SCKF算法,所提算法结构简单且跟踪精度更高.     

基于改进扩展卡尔曼滤波算法的空中目标跟踪

采用扩展卡尔曼滤波方法建立了雷达跟踪模型,对空中目标航迹进行滤波,为了减少雷达量测噪声的不稳定变化对系统跟踪性能的影响,对扩展卡尔曼滤波算法进行了改进,利用新息方差的计算来调整卡尔曼滤波器的增益。仿真结果表明,采用改进扩展卡尔曼滤波算法后,在雷达量测噪声发生大幅变化的情况下,经过滤波后的位置和速度误差仍然趋于稳定。表明该方法具有很好的滤波性能及跟踪精度,并可以提高空中目标航迹预测的精确性。     

光电位置传感器中形态学滤波方法的研究

为了有效滤除目标跟踪过程中光电位置传感器(PSD)中存在的噪声干扰,提高PSD空间探测精度和稳定性,研究了一种基于开-闭和闭-开级联组合的形态学滤波方法,通过选取适当的结构元素对一维和二维位置信号进行分析和降噪处理,获得稳定的位置信息,供后续位置跟踪设备使用。经实验数据分析,该方法具有快速滤除随机噪声、脉冲噪声以及混合噪声干扰的能力,处理速度快、实现过程简单,便于现场实时信号处理应用。     

基于伪线性和输入估计的无源自适应跟踪算法

基于伪线性滤波算法和输入估计算法提出了一种对空中机动目标进行三维测向无源自适应跟踪的新算法。该算法把目标机动加速度看成是未知的输入向量附加到状态方程中,再利用状态向量扩维情况下的伪线性滤波算法对目标进行三维无源跟踪,跟踪过程中在对原来目标状态向量进行估计的同时估计目标加速度。仿真结果表明：该算法不需要对目标进行机动检测,即能够适应目标机动和非机动2种工作模式,实现对空中机动目标的自适应无源跟踪。     

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.     

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.