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．     

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.     

杂波环境中一种新的机动目标跟踪算法

针对传统交互式多模型概率数据互联(IMM PDA)算法中因模型选取的不确定性,跟踪精度低等缺点,引入了联合交互式多模型概率数据互联的思想,在此基础上提出了一种适用于杂波环境机动目标跟踪的新算法——交互式自适应概率数据互联(IMMAPDA)算法,将自适应滤波算法应用到PDA滤波器中和数据关联进行有机结合,提高了杂波环境中机动目标的跟踪精度。理论分析与仿真结果验证了该算法的优越性,提高了目标跟踪精度,解决了全局最优化问题。     

基于有向图切换的INS/GPS组合导航VSMM算法

INS/GPS组合导航系统量测噪声统计特性随着载体机动、外界扰动等影响发生变化,传统的卡尔曼滤波方法对于这种量测噪声变化系统的滤波精度不高,甚至会出现发散现象。针对上述问题,将机动目标跟踪中的变结构多模型滤波算法引入INS/GPS组合导航滤波中,提出了一种基于有向图切换的变结构多模型INS/GPS组合导航算法,并对此算法进行了仿真。仿真结果表明:该算法能够适应系统量测噪声变化,定位误差小于交互式多模型算法,并有效地降低了滤波过程中的计算量。     

基于EDKF的机动目标跟踪算法研究

运用"当前"统计模型(CS)的扩充卡尔曼滤波(EDKF)与匀速运动(CV)模型进行交互,设计出了一种适合于色噪声环境中机动目标跟踪的交互式多模型(MM-EDKFCS/CV)算法.CS模型适用于一般的机动目标跟踪,EDKF对色噪声中目标的跟踪具有较高的跟踪精度,因此IMM-EDKFCS/CV算法保证了色噪声中机动目标和非机动目标的跟踪性能.仿真结果证明了此算法的可行性和有效性.     

一种变结构多模型机动目标跟踪算法的研究

该文针对在机动目标跟踪领域应用广泛的交互式多模型算法,是一种基于固定模型集合的算法,由此带来一个两难问题,既需要较多的模型保证跟踪精度,有会因为太多的模型而增加计算量。该文提出了一种基于序列似然比检测的变结构多模型算法,给出了一种模型集合自适应的解决方法。该方法提高了跟踪精度的同时也降低了计算量。随着反舰导弹的威胁日益增大,该文针对反舰导弹的机动特性,仿真验证了该算法的有效性。     

一种新的模糊控制多模型算法在目标跟踪中的应用

为解决传统的蛇形建模方法不能反映出反舰导弹典型运动特性的问题,引入动力学建模方法研究弹道问题,把导弹视为可控质点,建立了反舰导弹末端蛇形机动弹道模型.采用被动传感器进行跟踪,提出一种新的基于模糊控制的交互式多模型自适应无迹卡尔曼滤波算法,根据Sage-Husa噪声统计估值器的原理提出了状态误差协方差自适应算法,克服了传统噪声自适应算法在目标发生强机动时收敛速度慢的缺点,同时利用模糊控制方法实现了实时调整交互式多模型算法中的转换概率矩阵.仿真实表明:所建立的弹道模型对探测、识别和跟踪反舰导弹技术的研究有一定的参考价值;改进的跟踪算法能够快速调整模型概率,使得其估计误差的收敛速度比交互式多模型算法更快,鲁棒性更强,并且能够有效降低纯方位目标跟踪的误差,实现对反舰导弹末端蛇形弹道模型的稳定跟踪.     

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.     

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。     

一种分块差分滤波器及其在仅有角度跟踪中的应用

为解决仅有角度跟踪时,目标估计受限于较大的初始估计误差和噪声统计特性未知的问题,提出了一种带有噪声智能统计功能的改进型分块差分滤波器.通过统计线性化方法得到了一种S-H智能噪声统计估值器,并用其优化传统分块噪声滤波器的测量更新步骤,实现了对未知过程和测量噪声的智能统计处理,通过迭代更新进一步提高了滤波器对于复杂非线性函数的适应能力.与目前几类主流的自适应滤波器性能相比,结果表明:对于具有线性系统模型和非线性测量模型的典型被动跟踪估计问题,针对较大的初始状态估计误差,所给出的滤波器能更好地完成系统噪声和测量噪声部分参数统计特性未知情况下的非线性估计任务,在保证计算量适中的同时有效地提高跟踪制导精度.     

噪声未知情况下的自适应无迹粒子滤波算法

为了有效地解决系统噪声未知情况下的目标跟踪问题,提出了一种自适应无迹粒子滤波算法。该算法采用改进的Sage-Husa估计器对系统未知噪声的统计特性进行实时估计和修正,并与无迹卡尔曼滤波器相结合产生优选的建议分布函数,降低系统估计误差的同时有效提升了系统的抗噪声能力。实验结果表明:本文方法明显地改善了系统噪声未知情况下目标的跟踪精度和稳定性。     

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。     

一种新的高超声速目标跟踪算法

针对高超声速目标飞行速度快、机动能力强,而经典跟踪模型难以准确描述目标机动时加速度动态特性的问题,提出了一种改进的交互式多模型跟踪算法.该算法引入参考加速度概念,可较准确地描述目标运动特性,并实时结合目标机动的先验信息和动态信息.仿真结果表明,所提出的方法在跟踪高超声速目标时,具有快速收敛、均方根误差小、跟踪精度高的特点,相比Singer-IMM算法,具有更强的适应性.     

基于IMM的舰载雷达目标跟踪算法研究

首先研究了目标跟踪中的卡尔曼滤波算法和常用的机动目标跟踪模型,分析了各模型基于卡尔曼滤波算法的跟踪性能。然后,引入交互式多模型算法,使用多个不同的运动模型匹配目标不同的运动模式,且各模型之间存在交互。在MATLAB中模拟舰载雷达的目标运动航迹,采用交互式多模型算法,通过对经典交互式模型(即一个CV模型和一个CA模型)的实验仿真,验证了在目标跟踪系统中交互式多模型算法的有效性。     

基于高机动目标跟踪的改进变结构IMM算法

传统交互式多模型(interacting multiple model,IMM)算法在跟踪高机动目标时存在模型集合和真实系统模式匹配欠佳所导致状态估计质量下降的问题.基于变结构的思想及图论的知识,结合协方差匹配技术提出了一种补偿式变结构交互式多模型算法(compensation variable structure interacting multiple model,CPVSIMM).针对目前对直线加速状态估计问题,传统变结构交互式多模型(variable structure interacting multiple model,VSIMM)模型集多采用角速度作为模型特征参数造成对其估计性能欠佳的情况,所提算法联合加速度和角速度作为模型参数,并建立了模型集合间的有向图连通关系及模型子集自适应调整原则.理论分析与对比仿真表明:本算法融合估计结果的精度更高,同时能在一定程度上减小由于模型集匹配欠佳及切换不及时所导致的机动累积误差.     

基于改进的交互式多模型粒子滤波算法

针对交互式多模型粒子滤波算法中因采样粒子缺乏最新量测信息而造成的滤波精度受限问题,在混合卡尔曼粒子滤波算法的基础上,对交互式多模型粒子滤波算法进行了改进,提出了交互式多模型混合卡尔曼粒子滤波算法,并研究了不同组合方式对跟踪精度的影响。首先用无迹卡尔曼滤波产生系统的状态估计,然后用扩展卡尔曼滤波得到粒子的重要性建议分布,充分利用量测信息,对粒子状态进行更新。仿真结果表明,所提出的改进交互式多模型粒子滤波算法目标跟踪精度优于交互多模型无迹卡尔曼粒子滤波算法以及交互多模型扩展卡尔曼粒子滤波算法,从而证明了该算法的有效性。该方法对于进一步提高非线性、非高斯环境下机动目标的跟踪精度具有重要意义。     

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。     

基于交互多模型的改进无迹粒子滤波算法

为了提高机动目标的跟踪精度,提出了适用于非线性非高斯系统的基于预测残差的交互多模型自适应无迹粒子滤波算法.该算法将无迹粒子滤波与交互式多模型的优点相结合,通过UT变化构造粒子滤波的建议分布函数,利用预测残差在线对测量协方差和状态协方差进行自适应调节,以改进执行和计算的有效性从而降低计算误差.仿真结果表明,与交互式多模型粒子滤波、交互式式无迹粒子滤波算法相比,该算法具有更好的跟踪精度.     

重尾非高斯定位噪声下鲁棒协同目标跟踪

针对定位数据的统计特性未知且易受异常值干扰而影响协同目标跟踪性能的问题,提出一种重尾非高斯定位噪声下的鲁棒协同目标跟踪方法. 该方法假设定位噪声服从多元学生t-分布,建立联合估计目标状态与定位噪声参数的贝叶斯模型. 针对目标状态与噪声分布参数相互耦合而难以计算联合后验分布的问题,应用变分贝叶斯推断原理和平均场理论对后验分布进行解耦,将目标状态与定位噪声参数的联合后验分布估计问题转化为最优化问题,以交替优化的方式实现系统参数的在线递推估计. 对提出的协同目标跟踪方法进行测试. 仿真结果表明,当定位数据中存在未知的野值噪声时,提出的协同跟踪算法具有较好的鲁棒性.     

基于后验信息修正的自适应交互多模型跟踪算法

针对目标运动状态变化较大甚至发生突变时,传统交互式多模型算法跟踪精度和稳定性会显著下降的问题,提出了一种在线辨识马尔可夫概率转移矩阵参数的基于后验信息修正的自适应交互多模型跟踪算法,该方法在滤波的过程中,根据不匹配模型误差压缩率的变化自适应调整先验的马尔可夫转移概率矩阵的参数,切换过程中较多地压缩不匹配模型的信息,放大匹配模型的信息,大大提高了系统的收敛速度.通过对仿真结果分析表明,论文提出的算法具有可靠、计算简便、快速等特点,模型滤波精度较高,具有一定的理论价值和实用价值.