基于“当前”统计模型的一种改进机动目标跟踪算法

介绍了目前存在的机动目标运动模型，针对“当前”统计模型中加速度极限值的预先设定对于跟踪算法造成的不利影响，通过目标机动状况与相邻采样时刻间位置估计量变化之间的函数关系实现噪声方差自适应，进而提出了一种基于“当前”统计模型的改进机动目标跟踪算法，该算法避免了加速度极限值的预先设定问题，从而提高了对机动目标状态估计的精度，最后，仿真结果表明该算法具有一定的有效性。     

机动目标跟踪中一种新的自适应滤波算法

通过分析基于“当前”统计模型的机动目标自适应跟踪算法,指出该算法对目标机动加速度极限值的依赖性,而实际中预先设定加速度的最大值是不可行的。为克服这一缺点,文中给出一种新的自适应滤波算法,该方法无需提前给定加速度最大值,可以直接利用位置估计值和加速度之间的函数关系进行加速度方差自适应调整。仿真结果表明,与标准的自适应滤波相比其跟踪精度有了较大提高。     

一种新的更好的基于"当前"统计模型的自适应滤波算法

提出一种新的基于"当前"统计模型的自适应滤波算法,针对"当前"统计模型自适应滤波算法中加速度极限值需要预设的不合理性,通过新息量和滤波值对加速度极限值进行估计,从而实现加速度极限值的自适应.通过对机动目标进行Monte Carlo仿真,结果表明了新算法的有效性和合理性.     

状态分量综合修正加速度方差的CSM算法

"当前"统计模型自适应算法依赖于先验加速度极限值,并不适用所有机动情况。而单一的位置或速度自适应调整加速度方差,往往使得跟踪不稳定。综合考虑位置、速度和加速度信息,提出一种新加速度自适应公式,克服了对先验加速度极限值的依赖。并在此基础上结合高斯隶属函数对其权值予以修正,提高了跟踪精度。为解决单个"当前"统计模型不能跟踪机动频率不断变化实际目标,利用交互多模算法,将不同机动频率的改进"当前"统计模型进行交互。仿真结果表明,新算法具有较好的跟踪效果。     

基于“当前”模型的IMM-UKF机动目标跟踪融合算法研究

文章设计了一种基于“当前”统计模型的交互式多模型无迹卡尔曼滤波(IMM-UKF)融合算法.首先在交互式多模型算法框架内,计算“当前”统计模型的概率,自适应地调整“当前”统计模型中目标加速度,提高了“当前”统计模型的自适应性.其次,该算法结合了交互式多模型和无迹卡尔曼滤波算法,该算法具有交互式多模型具有对不同目标机动模式自适应跟踪的能力和无迹卡尔曼滤波滤波度高的优点.最后,采用分布式融合算法提高了系统抗干扰能力及对目标跟踪的有效性和跟踪精度.通过对三维机动目标进行仿真,结果表明文中所设计的IMM-UKF融合算法对于跟踪以多种机动策略实时机动的目标具有较好的跟踪性能,可以减小系统机动跟踪的误差均值和标准差.较之传统的交互式多模型算法,跟踪性能更加优越.     

基于交互式当前统计模型的变采样率跟踪算法

针对相控阵雷达跟踪机动目标时当前统计模型采用固定机动频率和机动加速度上限而难以适应多种目标机动环境,提出了基于交互式当前统计模型的变采样率跟踪算法．该算法将多个当前统计模型作为交互多模型框架下的模型组成,然后根据各模型相关过程噪声值合成计算雷达的采样间隔,实现变采样率跟踪,提高了适应目标机动的能力和跟踪精度．仿真结果表明,本文算法的跟踪性能明显优于基于Singerk模型的变采样率跟踪算法．     

一种高度机动目标的"当前"统计Jerk模型

讨论了Kishore Mehrotra等提出的高度机动目标模型-Jerk模型,应用古典控制论方法分析了该模型的局限性,提出了一种新的“当前”统计J erk模型,即CS-Jerk模型,该模型假设目标的机动加速度变化率为非零均值指数相关的随机过程,仿真结果表明CS-Jerk模型及其滤波算法在跟踪高度机动目标时性能优于Jerk模型。     

一种新的机动频率和方差自适应滤波算法

针对工程应用中"当前"统计模型对机动频率和最大加速度经验值依赖过大,难以根据目标的加速度变化进行实时动态调整的问题,在分析机动频率物理含义及其与加速度变化关系、位移扰动增量与加速度方差的关系基础上,提出了一种高效的机动频率和加速度方差双变量自适应算法。仿真结果证明:该算法能很好地自适应目标的加速度变化,并在不同噪声水平下有效提高跟踪精度,尤其大幅度提高了对非机动或弱机动目标的跟踪精度。     

一种基于"CS"模型的机动目标跟踪算法研究

为真实反映目标机动范围与强度的变化,引入了机动目标的当前统计(简称"CS")模型,提出了一种基于该模型的自适应卡尔曼滤波算法.仿真结果表明,能有效改善在机动目标跟踪中传统的卡尔曼滤波可能出现的发散情况,提高了跟踪的准确性和稳定性.     

一种参数自适应变化的强机动目标跟踪算法

针对强机动目标跟踪模型难以准确匹配以及跟踪滤波器容易发散的问题,提出一种基于参数自适应变化的强机动目标跟踪算法。对"当前"统计Jerk(improved Jerk model based on current statistics,CS-Jerk)跟踪模型中的机动频率及加速度变化率的极大值进行自适应处理,同时将强跟踪滤波器(strong tracking filter, STF)中的单重时变渐消因子调整为自适应变化的多重时变渐消因子,从而实现对强机动目标更高精度的跟踪。仿真实验结果表明,该算法提高了对强机动目标的跟踪精度。     

当前统计概率数据关联算法

目标跟踪领域的一个研究重点是如何解决在密集杂波环境下机动目标的跟踪问题。机动目标跟踪的关键是解决目标模型的不确定性,而密集杂波环境则使这个问题变得更加复杂。针对这一问题,提出一种当前模型概率数据互联算法。该算法将当前模型算法与概率数据互联相结合,在使用概率数据互联算法的同时,利用当前模型算法对目标出现的机动进行自适应滤波。最后,给出了算法的仿真分析,仿真结果说明该方法能够有效地跟踪杂波环境中的机动目标。     

基于新息协方差的机动目标轨迹估计算法研究

针对态势显示系统中机动目标运动状态不确定、卫星定位误差、接收机随机噪声造成的目标轨迹估计精度低的问题。在"当前"统计模型的基础上,提出了一种基于新息协方差的Kalman滤波算法,该算法根据新息协方差的极大似然最优估计实现加速度方差的实时估计和自适应调整。仿真结果表明,该算法的估计性能优于常规算法,跟踪精度较高。     

一种适用于机动目标跟踪的改进卡尔曼滤波算法

针对卡尔曼滤波跟踪强机动目标时性能下降的问题,提出了一种适用于机动目标跟踪的改进卡尔曼滤波算法.该算法在卡尔曼滤波算法的基础上,根据当前量测目标航向与前一目标航向之间的航向角度差,判断机动强弱并计算出加权函数值,然后用加权函数值根据量测数据依次修正机动目标加速度预测值和目标预测状态,最终改进目标的状态估计.仿真结果表明,目标强机动时该算法具有较高的跟踪精度.     

Multiple maneuvering extended targets tracking with Gaussian process regression

In view of the complexity of estimating the shape of the extended target and the low accuracy in multiple maneuvering extended targets tracking in the clutters, a multiple maneuvering extended targets tracking algorithm with Gaussian Process Regression is proposed. First, the extension of targets is modeled as a star-convex model. Then, the concept of weights used in the multiple targets tracking algorithm is introduced to the single maneuvering extended target tracking algorithm to realize multi-targets tracking. Finally, the Gaussian Process Regression is used to estimate the shape for the extended target. Simulation shows that the proposed algorithm is capable of tracking multiple maneuvering extended targets in the same scene with different shapes, and outperforms the traditional non-ellipsoidal extended target tracking algorithm in the estimation precision and computing speed.     

辐射源机动目标被动式鲁棒跟踪一种算法

为研究只测向目标跟踪系统在观测噪声为ε污染高斯分布背景下的辐射源机动目标鲁棒跟踪问题,提出一种简易而有效的变结构鲁棒跟踪算法。该算法由机动目标快速鲁棒检测器、变结构跟踪器（鲁棒MGEKF／PLKF）以及系统误差补偿等环节组成,能够在ε污染高斯分布背景下快速鲁棒检测和跟踪辐射源机动目标,同时根据系统误差特征可实时补偿系统跟踪误差。仿真结果表明,该算法能够有效解决辐射源机动目标鲁棒跟踪问题。     

仅有角测量系统鲁棒跟踪研究

传统的仅有角测量跟踪器不能跟踪机动目标。为此作者在「２」中提出了跟踪机 仅有角测量系统。在文「２」基础上本文提出了新的变结构鲁跟踪算法，解决了令有角测量系统鲁棒跟踪机动目标问题，该系统由机动目标检测，噪声污染模型以及鲁棒跟踪器构成。最后应用本结果提出了仅有角测量系统鲁棒制导规律，给出了纺真计算结果。     

一种用于机动目标跟踪的多模型最小二乘方案

本文提出了描述运动目标的时间原点滑动多项式数学模型，并在此模型基础上，推导出用于目标跟踪的简化最小二乘算法．为适用于机动目标跟踪，选取了一个跟踪检测信号，确定出一套多模型滤波与预报策略．本文论述的方案的突出优点是计算量比卡尔曼滤波小得多，有利于实时实现．蒙特卡罗仿真结果说明该方案是一种适用于机动目标跟踪的优选方案．     

基于矩阵加权多模型融合的认知跟踪波形设计

针对机动目标状态跟踪问题,认知雷达能够调整发射端波形来获取持续、稳健目标跟踪信息.本文基于矩阵加权多模型融合思想引入一种新的面向机动目标跟踪的认知雷达自适应波形设计方法(Adaptive waveform design method based on Matrix-weighted Interacting Multiple Model,AMIMM).首先,利用多模型思路对机动目标状态进行建模,并考虑各模型目标状态估计及其误差协方差矩阵中元素间相关性,以矩阵加权融合方式代替传统概率加权方式,进而构造基于矩阵加权多模型信息融合的跟踪算法框架;然后,以多模型状态融合后的状态估计误差协方差矩阵为基准,利用特征值分解(Eigen Value Decomposition,EVD)技术求取融合后状态估计误差协方差矩阵对应椭圆参数;最后,通过分数阶傅里叶变换(fractional Fourier transform,FrFT)来旋转雷达量测误差椭圆,使得量测误差椭圆与融合后目标状态估计误差椭圆正交,从而获得下一时刻认知波形参数,实现波形自适应捷变.仿真实验表明,与当前流行多种算法相比,本文所提算法能够进一步提高机动目标跟踪精度和稳健性.     

Adaptive Sampling for Near Space Hypersonic Gliding Target Tracking

For modern phased array radar systems, the adaptive control of the target revisiting time is important for efficient radar resource allocation, especially in maneuvering target tracking applications. This paper presents a novel interactive multiple model (IMM) algorithm optimized for tracking maneuvering near space hypersonic gliding vehicles (NSHGV) with a fast adaptive sampling control logic. The algorithm utilizes the model probabilities to dynamically adjust the revisit time corresponding to NSHGV maneuvers, thus achieving a balance between tracking accuracy and resource consumption. Simulation results on typical NSHGV targets show that the proposed algorithm improves tracking accuracy and resource allocation efficiency compared to other conventional multiple model algorithms.