自适应容积卡尔曼滤波在空间机动目标跟踪中的应用

针对目标在线机动时,平方根容积卡尔曼滤波不具有良好的鲁棒性,不能够快速发生响应的问题,提出一种自适应容积卡尔曼滤波(CKF)算法,算法利用CKF的平方根形式进行迭代,即SCKF。将强跟踪滤波算法引入平方根容积卡尔曼滤波,引入渐消因子对滤波发散情况进行检测和抑制,有效克服了空间目标发生机动时标准滤波器无法快速准确对其进行跟踪的问题,提高了空间目标定位跟踪的数值稳定性。仿真表明:与标准SCKF相比,自适应SCKF有效地提高了机动目标被动定位跟踪的鲁棒性,具有较高的滤波精度和稳定性,同时具有良好的实时性,能更好地完成对空间机动目标的跟踪任务。     

基于强跟踪容积卡尔曼滤波的单站无源跟踪算法北大核心CSCD

系统模型和滤波算法是机动目标单站无源定位跟踪要解决的核心问题。文中采用截断正态概率模型和一种新型的滤波算法--容积卡尔曼滤波,对机动目标进行单站无源定位跟踪。针对目标突发机动的情况,借鉴强跟踪滤波器的思想,在滤波过程中引入时变渐消因子,提出了一种强跟踪容积卡尔曼滤波算法(Strong Tracking Cubature Kalman Filter,STCKF)。该算法利用容积数值积分原则直接计算非线性随机函数的均值和方差,实现简单,估计精度高,并通过渐消因子自适应在线调节增益矩阵,增强了系统对突发机动的跟踪能力。结合空频域单站无源定位模型进行仿真实验表明,STCKF算法在对一般机动目标进行跟踪时,性能与CKF算法相当,并优于传统的EKF算法。当目标突变大机动时,STCKF算法的滤波性能要高于EKF以及CKF算法。     

自适应SICKF及在目标跟踪中的应用

针对容积卡尔曼滤波（CKF) 估计精度在系统状态或参数突变时下降的问题,结合均方根嵌入式容积卡尔曼滤波(SICKF)和强跟踪滤波(STF)思想,提出了一种自适应SICKF(ASICKF)方法。在SICKF获得高估计精度的同时引入STF条件,根据系统输出残差获得自适应渐消因子,将其引入系统输出协方差均方根阵和互协方差阵中对滤波增益进行实时修正,强迫系统输出残差序列始终正交,从而使SICKF算法具备强跟踪能力。为验证所提ASICKF算法性能,利用数值仿真将其应用于存在突变情况的目标跟踪问题中。仿真结果表明,ASICKF在系统状态突变时仍能保持较高的估计精度,算法稳定性和适应能力较好。     

基于STF和7thCQKF的状态突变系统跟踪算法

针对传统非线性滤波算法对状态突变的鲁棒性较差,存在跟踪缓慢甚至失效的问题,提出了强跟踪七阶正交容积卡尔曼滤波(ST-7thCQKF)算法。算法将对非线性系统滤波效果良好的七阶正交容积卡尔曼滤波(7thCQKF)与强跟踪滤波(STF)融合,通过在7thCQKF的预测协方差中引入渐消因子调节增益矩阵,提高算法对状态突变系统的跟踪效果。仿真和实验结果表明,ST-7thCQKF能够较好地处理状态突变系统的跟踪问题。     

基于IMMCKF的机动目标跟踪算法

针对非线性机动目标跟踪中滤波器易发散、跟踪精度低等问题,将容积卡尔曼滤波器(CKF)引入到交互式多模型算法(IMM)中,设计了交互式多模型容积卡尔曼滤波算法(IMMCKF)。该算法采用Markov过程描述多个目标模型间的切换,利用CKF滤波器对每个模型进行滤波,将各滤波器状态输出的概率加权融合作为IMMCKF的输出。仿真结果表明,与IMMUKF算法相比,IMMCKF算法跟踪精度更高,模型切换速度更快,计算量更小,该算法具有重要的工程应用价值。     

基于CKF的自适应网格交互式多模型

针对非线性系统中的目标跟踪问题,在机动转弯模型的基础上提出容积卡尔曼滤波(CKF)与自适应网格(AG)思想相结合的变结构多模型(VSMM)算法,即基于CKF的自适应网格交互式多模型算法(CKF-AGIMM)。该算法将CKF作为滤波器,利用网格中心和网格最小间距的调整对转弯模型集进行自适应变化以有效跟踪目标。与基于容积卡尔曼滤波的交互式多模型算法(IMMCKF)进行了仿真对比。实验结果表明,在未增加运行时间的情况下,该算法相比于IMMCKF算法有更高的跟踪精度与稳定性。     

基于逻辑切换的改进强跟踪卡尔曼滤波器

针对线性随机系统提出了一种改进强跟踪卡尔曼滤波器(MSTKF).通过改变强跟踪滤波器的多重时变渐消因子,MSTKF在卡尔曼滤波和强跟踪滤波两种工作状态之间切换.当卡尔曼滤波不能有效跟踪突变状态时,MSTKF切换为可变弱化因子的强跟踪滤波.数值仿真实例显示了本方法的有效性.     

基于强跟踪五阶容积卡尔曼滤波的眼睛跟踪算法

非侵入式眼睛跟踪在许多基于视觉的人机交互应用中扮演十分重要的角色,但由于眼睛运动的强非线性,如何确保眼睛跟踪过程中对外界干扰的鲁棒性以及跟踪精确度是其应用的关键问题。为提高眼睛跟踪的鲁棒性和精确度,提出强跟踪五阶容积卡尔曼滤波算法(ST-5thCKF),将强跟踪滤波(STF)次优渐消因子引入具有接近最少容积采样点且保持五阶滤波精确度的五阶容积卡尔曼滤波(5thCKF),获取5thCKF对强非线性良好滤波精确度同时具备STF对外界干扰的鲁棒性。真实条件下的实验结果验证了所提算法在眼睛跟踪中的有效性。     

基于IMM-SCKF-STF的机动目标跟踪算法

在处理非线性机动目标跟踪问题时,传统的非线性滤波估计算法跟踪误差大且容易引起滤波发散.针对上述问题,研究将强跟踪平方根容积卡尔曼滤波(SCKF-STF)和交互多模型(IMM)算法相结合,提出一种新型的交互多模型强跟踪平方根容积卡尔曼滤波(IMM-SCKF-STF)跟踪算法.该算法在SCKF基础上引入强跟踪渐消因子,使其不仅拥有应对机动目标状态突变的强跟踪能力,同时还具备交互多模型算法的优良机动目标跟踪性能.因此,新算法在机动目标跟踪方面将获得更高的非线性滤波估计精度,且算法的稳定性和应对状态突变的跟踪鲁棒性能获得显著提高.最后,通过两个仿真例子验证了此算法的有效性与优越性.     

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。     

基于多渐消因子强跟踪SRUKF的故障参数辨识

为了解决非线性系统中故障参数估计问题,提出多重渐消因子强跟踪平方根无迹卡尔曼滤波(MST-SRUKF)算法。MST-SRUKF将多重渐消因子引入到协方差矩阵平方根中,推导适用于平方根无迹卡尔曼滤波(SRUKF)的渐消因子计算公式,从而实时调整SRUKF中的增益矩阵,保证其对模型存在较大误差或者突变情况下的滤波精度。实验结果表明,相比于SRUKF和强跟踪无迹卡尔曼滤波(STUKF),MST-SRUKF对故障参数具有更高的估计精度。     

基于改进CS模型的自适应概率数据关联算法

针对密集杂波环境下传统概率数据关联算法对突发机动目标跟踪性能下降问题,提出了一种基于采用渐消因子的改进"当前"统计模型的自适应概率数据关联算法。该算法改进了传统的"当前"统计模型中加速度方差的计算方式,并在滤波算法中采用了渐消因子,克服了传统卡尔曼滤波的3大缺陷,通过改变预测协方差来修正滤波增益,在保持跟踪精度的前提下,能自适应调整滤波器带宽,增强了系统对突发机动的跟踪能力。理论分析和仿真结果表明,该算法比采用强跟踪滤波器的概率数据关联算法更有效。     

基于后向平滑容积卡尔曼滤波的单站无源定位算法

单站无源定位跟踪是一个典型的非线性滤波问题,由于测量精度不高、初始误差较大等原因容易导致滤波算法定位精度低、收敛速度慢。本文将一种新型的滤波算法——容积卡尔曼滤波（cubature Kalman filter,CKF）应用于单站无源定位领域,并将后向平滑滤波思想与CKF算法相结合,提出了一种后向平滑容积卡尔曼滤波算法（backward-smoothing CKF,BSCKF）。该算法使用容积数值积分原则直接计算非线性随机函数的均值和方差,并采用后向平滑值进行递归滤波,具有更优非线性估计性能。仿真实验表明,与EKF、UKF和CKF算法相比,BSCKF算法定位精度更高、收敛速度更快。      

五阶容积卡尔曼滤波算法及其应用

容积卡尔曼滤波(CKF)是一种新型的非线性滤波方法,可获得优于扩展卡尔曼滤波(EKF)和无迹卡尔曼滤波(UKF)的滤波精度和滤波效率.但是,传统的CKF基于三阶容积准则而提出,因此滤波精度受到限制,为进一步提高CKF滤波性能,文中将容积准则由三阶扩展到五阶,采用两种不同容积点集选择方案,提出一种新型的五阶CKF算法.该算法可有效改善传统CKF在精度方面的理论局限,并有效改善一般五阶CKF计算量大的问题.机动目标跟踪仿真结果表明了新方法的有效性和可行性.     

基于容积卡尔曼滤波的自适应IMM算法

在目标跟踪中,针对无迹卡尔曼滤波在高维状态下容易出现滤波精度下降甚至发散的问题,提出了一种自适应交互式多模型容积卡尔曼滤波算法。首先,将容积卡尔曼滤波引入到交互式多模型算法中,提高了算法在高维非线性情况下的滤波精度。然后,结合马尔科夫参数自适应思想,在模型概率更新阶段,利用后验信息修正马尔科夫概率转移矩阵,增大匹配模型的转移概率,进一步提高模型之间的切换速度。最后,在目标跟踪仿真中利用"当前"统计模型对算法进行验证,实验结果证明了算法的有效性。     

一种基于自适应滤波的雷达目标跟踪算法

针对在复杂环境下基于卡尔曼滤波的雷达目标跟踪中存在的鲁棒性和自适应性较差的问题,研究了一种新的雷达目标自适应鲁棒跟踪算法;通过引入自适应渐消因子,对估计误差协方差和滤波增益矩阵进行在线自适应调整,从而使得滤波算法具备良好的鲁棒性和自适应性,提高雷达目标跟踪的精度。最后,通过仿真对所研究的方法进行了验证。     

机动目标单站无源定位中的测量更新CKF-IMM算法

机动目标单站无源定位是一个典型的非线性滤波问题,将一种新型的滤波算法——容积卡尔曼滤波(CKF)应用于IMM算法之中.为进一步提高定位跟踪精度,提出了一种测量更新CKF-IMM算法.该算法利用马尔科夫过程控制子模型间的切换,并采用CKF算法对各模型进行滤波,然后将每个滤波器的输出状态进行概率加权求和,最后对融合状态再进行一次非线性测量更新.结合空频域单站无源定位模型进行仿真实验表明,与传统的EKF-IMM和UKF-IMM算法相比,CKF-IMM算法的估计误差更小、定位精度更高;而测量更新CKF-IMM算法较CKF-IMM算法可进一步提高定位跟踪精度.     

基于强跟踪AUKF的目标跟踪算法

针对无迹卡尔曼滤波器在递推过程中不具有对测量条件变化和系统模型不确定性的自适应性,在模型不准确或出现不良测量条件时跟踪效果不佳的问题,提出一种新的目标跟踪算法,即基于改进强跟踪的自适应无迹卡尔曼滤波器(STF-AUKF)。该算法一方面基于自适应滤波的思想,利用新息协方差匹配原理,建立对不良测量具有鲁棒性的自适应UKF;另一方面,依据改进强跟踪滤波的思想,采用时变渐消因子实时调节矩阵增益以此应对模型突变,保证跟踪效果。仿真结果表明,STF-AUKF算法在目标突发机动时仍然具有较好的稳定性和跟踪效果。     

基于强跟踪的平方根不敏卡尔曼滤波器

针对不敏卡尔曼滤波器在递推过程中的数值不稳定性以及系统发生突变时跟踪效果不佳的问题,提出一种新的机动目标自适应跟踪算法——基于强跟踪的平方根不敏卡尔曼滤波器(STF-SRUKF)。该算法一方面基于平方根滤波的思想,在递推过程中采用协方差矩阵的平方根代替协方差矩阵本身,以保证数值计算的稳定性;另一方面,基于强跟踪滤波的思想,在递推过程中引入时变渐消因子,实时调节增益矩阵,以增强目标运动发生突变时的跟踪能力。仿真结果表明,STF-SRUKF算法对于突发机动的目标运动模型具有良好的跟踪效果,而且具有较好的稳定性。     

SRCKF-GM-PHD多目标跟踪算法的优化

针对平方根容积卡尔曼滤波高斯混合概率假设密度(SRCKF-GM-PHD)算法在高杂波条件下对非线性目标跟踪能力弱的问题,文中首先融入改进灰狼算法,实时调节过程噪声Q和量测噪声R。其次,结合改进的渐消因子思想,实时调整SRCKF-GM-PHD算法中的增益矩阵,提高目标的跟踪精度。此外,为避免算法中止,文中提出动态权重调整策略的改进措施,调整算法中的实际输出残差序列的协方差。最终,形成了融合改进灰狼算法和改进渐消因子的SRCKF-GM-PHD算法。仿真分析对比了四种算法的性能,表明了所提算法在跟踪精度方面的有效性和优越性。