改进的当前统计模型及自适应跟踪算法

对于机动目标跟踪问题,在当前统计（CS）模型的基础上,提出了一种新的机动目标自适应跟踪算法。通过引入强跟踪滤波器（STF）的渐消因子,增强了模型对目标突发机动的自适应跟踪能力,同时针对模型对目标加速度极限值的依赖性这一缺点,引入一种利用位置估计值与加速度的函数关系自适应调整加速度方差的方法,提高了对弱机动和非机动目标的跟踪能力。仿真结果表明,该算法与标准的当前统计模型滤波算法相比具有较高的跟踪精度。     

扩展式机动目标当前统计模型

在许多实际情况中,目标测量值通常在极坐标或球坐标中得到,而不是在笛卡尔坐标中得到。此时,目标跟踪实际上是非线性的。在众多的军事与非军事领域,机动目标跟踪都是一个非常重要的问题。机动目标跟踪的困难之处在于目标模型的不确定性。针对非线性机动目标跟踪问题,本文提出了一种扩展式当前统计模型机动目标跟踪算法。该算法不需要假定目标的机动加速度模型,而是直接正确地估计出机动目标的当前状态,不存在任何估计滞后与修正问题。最后,给出了算法的仿真分析。     

改进的“当前”统计模型变采样率目标跟踪算法

为满足实际雷达系统对高精度和高实时性的要求,提出了一种改进的"当前"统计模型变采样率机动目标跟踪算法。该算法针对"当前"统计模型必须预设加速度极值和机动频率的问题,提出一种加速度方差和机动频率在线同步自适应方法,建立改进的"当前"统计模型机动目标跟踪算法;针对在线自适应方法计算量大的问题,结合采样周期的大小与目标机动特性的关系,引入变采样率方法。仿真结果表明,与传统"当前"统计模型相比,改进的"当前"统计模型机动目标跟踪算法能显著提高对不同机动强度目标的跟踪精度;变采样率方法通过减少采样点数,节省了系统资源,提高了跟踪实时性;所提算法将两者结合,用传统的"当前"统计模型1.5~2倍的平均采样周期得到了更小的位置均方根误差,实现了用单模型方法同时改善跟踪精度和实时性的目的。     

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.     

一种基于"当前"统计模型的自适应滤波算法

针对机动目标跟踪问题 ,在“当前”统计模型的基础上 ,利用机动加速度与方差的自适应关系 ,提出了一种新的自适应滤波算法。大量仿真结果表明 ,该算法在跟踪机动目标时 ,具有良好的跟踪性能。     

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。     

一种改进的方差自适应滤波算法

标准的基于”当前”统计模型的自适应卡尔曼滤波算法中机动频率和加速度极限值存在靠经验预先设定的问题,以及在跟踪非机动和弱机动目标时存在精度不高的问题,本文在分析已有的加速度方差自适应算法的基础上,提出了一种改进的加速度方差自适应算法.仿真结果表明本文提出的改进的加速度方差自适应算法是有效性的,较已有算法提高了跟踪非机动或弱机动目标的精度.     

修正的当前统计模型及自适应跟踪算法

针对当前统计模型及其自适应算法对弱机动目标跟踪精度较低以及强机动发生时刻跟踪误差增大的缺陷,提出了一种修正的当前统计模型及自适应跟踪算法。一方面,利用指数函数对当前统计模型中加速度极值进行实时修正,从而提高了算法对弱机动目标的跟踪精度;另一方面,利用滤波残差调整预测协方差,同时对滤波结果发生较大偏差的上一时刻的滤波结果进行修正,从而提高了对强机动目标的适应能力。仿真结果表明,所提算法对弱机动目标和强机动目标都具有良好的跟踪性能。     

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。     

基于当前统计模型的目标跟踪改进算法仿真分析

针对当前统计模型跟踪机动目标算法存在误差较大问题,采用加速度方差与机动频率自适应技术,能够实现对任意机动情况下的目标精确跟踪。经计算机仿真,比较了加速度方差与机动频率自适应方法的跟踪性能,表明改进算法具有更好的适应性。     

改进的高机动Jerk模型跟踪算法

基于Jerk模型及当前统计模型提出了一种改进的高机动Jerk模型跟踪算法。在假设机动加速度变化率(即加加速度)为非零均值指数相关随机过程的基础上,引入了关于加加速度变化趋势的修正项,从而进一步提高了目标跟踪精度。最后,通过Matlab仿真实验证明了该模型跟踪算法的优越性和有效性。     

基于“当前”统计模型的模糊自适应跟踪算法

针对"当前"统计模型中目标机动频率和极限加速度值人为设定的不合理性,提出一种基于修正模型的模糊自适应算法(CS-MFA),对机动频率建模以便其估计更新,同时利用目标机动信息来实时调整过程噪声方差,提高系统在目标作非机动或者弱机动时的跟踪精度以及在强机动时的快速响应能力.最后,通过仿真验证了该算法的有效性.     

基于自适应状态转移集合的多帧积累检测DP-TBD算法北大核心CSCD

针对机动目标在多帧积累检测算法中存在的问题展开讨论与研究,提出了基于自适应状态转移集合的多帧积累检测与跟踪算法,并设计了相应的仿真实验验证算法的有效性。针对目标机动性较强时算法性能严重下降的问题,详细介绍相应的改进策略,使用当前统计模型提高对机动目标的适应能力。利用值函数积累过程中的目标预测路径实时估计目标的转移加速度并进行加速度约束,有效地减小目标状态的搜索空间。通过转移加速度在时间维上的相关性结合当前统计模型,自适应地调整目标状态转移集合的范围,进而减少目标搜索空间内的干扰信息,提高算法的检测精度与计算效率。利用不同机动目标场景,仿真结果证明所提改进算法具有更好的检测与跟踪性能。     

一种提高雷达远距离机动目标精度的算法

在分析雷达对远距离机动目标跟踪速度精度要求和存在困难的基础上,提出了一种提高三坐标雷达速度估计精度的滤波算法。该算法将三维空间中目标的运动描述为切向和法向加速度机动的非线性状态方程,采用机动目标"当前"统计模型,建立了基于雷达三坐标测量的自适应扩展卡尔曼滤波算法。仿真结果表明,该算法可明显提高远距离目标机动段的速度精度。     

用于机动目标跟踪的Kalman滤波器的设计

机动目标跟踪广泛应用于军事和民用领域。本文针对机动目标跟踪问题,在“当前”统计模型的基础上,实现了Kalman滤波算法在工程上的应用;同时利用速度预测估计与实时速度估计间的偏差进行自适应方差调整,提出了改进的“当前”统计模型自适应滤波算法。工程实践表明,基于改进模型的Kalman滤波算法在跟踪机动目标时具有起好的跟踪性能,同时也极大改善了对一般非机动目标的跟踪能力。     

一种新的自适应滤波算法

针对机动目标跟踪问题，在“当前”统计模型的基础上，利用速度预测估计与实时速度估计间的偏差进行自适应方差调整，提出了一种新的自适应滤波算法——速度估计自适应跟踪算法(简称AVE)。大量仿真结果表明，该算法在跟踪机动目标时，具有良好的跟踪性能，并极大地改善了AF算法跟踪非机动目标的能力。     

空基多平台对空中机动目标的被动跟踪定位算法

针对空中机动目标的被动定位跟踪问题,提出了一种先用静态估计理论对空中目标进行最小二乘估计,再采用基于“当前”统计模型的自适应滤波算法进行滤波处理的方法,取得了比最小二乘估计与卡尔曼滤波相结合的算法更好的效果。仿真结果表明,在跟踪非机动目标时,该算法和最小二乘估计与卡尔曼滤波结合的办法相当;在跟踪机动目标时,该算法的误差明显小于原算法。     

机动目标跟踪中一种机动频率和方差自适应滤波算法

在机动目标跟踪中,当前统计模型(Current Statistical model, CS)需要预先依据经验设定机动频率和加速度极限值,当预先设定的值与目标的实际运动状态不一致时,将造成较大的跟踪误差。为克服上述问题,该文首先从当前统计模型的离散状态方程中,导出了一种机动频率自适应算法,然后对张安清及巴宏欣等人提出的加速度方差自适应算法进行了改进。仿真实验表明,在综合运用上述机动频率自适应和加速度方差自适应算法的基础上,对CS 模型修改后,得到的机动目标跟踪自适应滤波算法(Mending CS based Adaptive Filtering algorithm,MAF),能够有效增强基于CS 模型的机动目标跟踪自适应滤波算法(CS based Adaptive Filtering algorithm, AF)对目标运动状态变化的自适应能力,并且在低噪声环境下,跟踪精度比AF 算法有所提高,算法收敛速度可达到AF 算法的2 倍,在强噪声环境下,目标机动阶段的跟踪精度提高近2 倍,匀速阶段的精度与AF 算法相当,算法的收敛速度可达到AF 算法的4～10 倍,因此,MAF 算法具有较强的抗干扰能力。      

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。