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Unscented卡尔曼滤波的目标跟踪仿真分析

卡尔曼滤波技术是目标跟踪的理论基础之一.在工程应用中,多采用非线性滤波的方法对目标进行跟踪.介绍了Unscented变换,通过使用Unscented卡尔曼滤波(UKF)对目标跟踪进行仿真实验,Un-scented卡尔曼滤波有效地克服了传统的扩展卡尔曼滤波算法(EKF)的缺陷.给出了最佳估计的二阶近似,提高了对目标跟踪的精度和稳定性.仿真结果表明,该算法对目标在位置、速度跟踪方面均有良好的效果;针对目标机动,采用多模型滤波算法能够实现目标机动的精确跟踪.     

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.     

基于伪线性卡尔曼滤波的两站红外无源定位及跟踪技术

建立了目标的两站红外搜索与跟踪系统的伪线性观测模型，基于该模型提出了运动目标的伪线性卡尔曼滤波算法．该算法利用伪线性方程组获得滤波器的初值，从而提高了滤波器的跟踪精度和速度．分别采用伪线性卡尔曼滤波器与推广卡尔曼滤波器对目标进行定位及跟踪的仿真结果表明：在跟踪初始阶段，伪线性卡尔曼滤波的跟踪精度明显优于推广卡尔曼滤波．在近距离范围，不论目标是匀速还是机动运动，两者的跟踪精度都非常高．在远距离范围，当目标机动时，伪线性卡尔曼滤波的跟踪精度明显优于推广卡尔曼滤波；当目标匀速运动时，推广卡尔曼滤波的跟踪精度略优于伪线性卡尔曼滤波．从整个仿真过程可以看出，目标的运动形式对推广卡尔曼滤波性能的影响是非常明显的，而对伪线性卡尔曼滤波性能的影响则很小．     

利用时域和空域信息的单站无源定位方法研究

探讨一种利用辐射源在时域中的信号到达时间差信息和在空域中的信号到达方向信息,利用固定单站对机动目标进行无源定位与跟踪的新方法.在建立目标机动模型与测量方程的基础上,运用修正增益扩展卡尔曼滤波(MGEKF)算法,实现对机动目标进行定位与跟踪.通过计算机仿真,验证了该方法的正确性与有效性.     

一种带径向速度量测的Jerk-EKF机动目标跟踪算法

为了提高机动目标跟踪精度,在基于Jerk模型的扩展卡尔曼滤波算法(Jerk-EKF)基础上,提出了一种带径向速度量测的扩展卡尔曼滤波算法(Jerk-EKFrv).该算法通过引入径向速度量测扩充了量测矩阵的维数,然后利用展开泰勒级数的一次项,解决量测方程中状态向量和量测向量的非线性问题,最后采用卡尔曼滤波算法对目标状态进行估计.对Jerk-EKF和Jerk-EKFrv算法的仿真结果表明,Jerk-EKFrv算法能够有效提高机动目标的跟踪精度.     

单站无源定位MGEKF和MVEKF算法的分析比较

探讨了两种基于辐射源的信号的到达方向（DOA）及其变化率信息。提出了利用固定单站对机动目标进行无源定位与跟踪的新方法。在建立目标机动模型与测量方程的基础上，运用修正增益扩展卡尔曼滤波（MGEKF）和修正协方差的扩展卡尔曼滤波（MVEKF）算法，实现对机动目标进行定位与跟踪。通过计算机仿真，验证了该方法的正确性与有效性。     

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"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TDOA和DOA测量的单站无源定位方法研究

近年来空中运动目标无源定位和跟踪技术一直是人们研究的热点问题,这种技术在航空、制导等领域都有广泛的应用,有着广阔的应用前景[1].探讨了一种基于辐射源的信号到达时间差(TDOA)和信号到达方向(DOA)信息,利用固定单站对机动目标进行无源定位与跟踪的新方法.在建立目标机动模型与测量方程的基础上,运用修正增益扩展卡尔曼滤波(MGEKF)算法,实现对机动目标进行定位与跟踪.同时讨论了它的若干技术问题、定位原理与算法.通过计算机仿真,验证了该方法的正确性与有效性.     

基于IMM的光电经纬仪机动目标跟踪优化算法

提出一种简化交互多模型算法(IMM)与去偏转换测量卡尔曼滤波算法(CMKF-D)相结合的机动目标跟踪优化算法。该算法通过机动检测判别函数D(k)与门限T的关系,自适应调整CMKF-D的部分参数,解决了常规交互多模算法需要大量先验知识的问题,同时克服了扩展卡尔曼滤波(EKF)对非线性模型线性化所引入的误差。仿真实验验证了该算法的有效性。利用该算法可显著改善基于非线性测量方程下光电经纬仪对机动目标的跟踪性能,其位置跟踪误差小于1.5m,速度误差小于1.5 m/s,加速度误差小于0.7 m/s2。     

基于可学习EKF的高超声速飞行器航迹估计

临近空间高超声速目标因具有高速、大机动、全球到达的特点,已成为国防安全的一类新型威胁.此类目标具有非惯性的航迹形式、并可进行复杂的策略性机动,给其航迹估计带来了新的挑战.为应对目标的机动特性,提升航迹估计性能,将循环神经网络与扩展卡尔曼滤波深度嵌合,提出了基于可学习扩展卡尔曼滤波的航迹估计方法.首先,通过分析目标机动特性,建立了参数化的目标机动模型.然后,考虑目标复杂机动特性对航迹估计造成的影响,将循环神经网络与扩展卡尔曼滤波深度嵌合,提出了可学习扩展卡尔曼滤波方法.通过使用已有航迹数据进行训练,所嵌入的两个循环神经网络,可发现目标机动的隐含规律,并对目标复杂机动所引起参数与模型不确定性的进行在线识别与动态补偿.最后,以某临近空间高超声速目标的航迹估计为例,选取典型机动场景,对所提出方法与EKF、AEKF等传统方法进行了对比分析. 分析结果表明,所提出的可学习扩展卡尔曼滤波方法可有效应对目标复杂的机动,具有比EKF、AEKF方法更高的估计精度和更优的估计动态性能.     

基于卡尔曼预测的视频目标实时跟踪

在视频目标跟踪中,搜索区间大小直接影响着跟踪的速度和效率.现采用图象坐标系下的卡尔曼滤波预测来指导跟踪,设计了卡尔曼滤波器,对被跟踪目标的运动参数(位置,速度,加速度)进行滤波预测.缩小了搜索区间(减至为匹配模型的大小),提高了系统的实时性和跟踪精度.实验结果表明:在对大运动和大运动大机动两种视频目标的跟踪中,耗时仅为全局搜索的1/4,精度可达3像素以内.     

基于无味粒子滤波的动态场景下高机动目标跟踪

针对传统粒子滤波的目标跟踪算法存在粒子退化问题,提出了基于无味粒子滤波(UPF)的目标跟踪算法。为了将当前观测信息融入,采用无味卡尔曼滤波(UKF)生成粒子滤波的提议分布,以改善滤波效果。针对目标在机动过程中引起的视觉形变以及背景的变化,又采用了颜色直方图作为目标的颜色分布模型,并与UPF相融合。仿真结果表明,该算法对动态场景下的高机动目标有较好的跟踪效果。     

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.     

多站测角的最小二乘交互多模型跟踪算法

在多站测角的被动目标跟踪中,目标的状态与角度量测值之间存在非线性关系,现有的方法主要是对其进行线性化,但线性化过程会带来滤波精度的下降,甚至会产生滤波发散而丢失目标．针对这一问题提出一种新方法,采用最小二乘法对多个观测站测得的目标角度信息进行融合,估计出目标的状态,将状态估计作为卡尔曼滤波的伪量测,然后采用交互多模型算法跟踪机动目标．仿真结果表明该方法可实现多站测角机动目标的跟踪,其跟踪误差远小于现有的跟踪方法．     

模糊化模型概率的IMM-SUPF机动面目标跟踪

为了提高跟踪系统对水面机动目标的跟踪能力,本文将水面目标建模为椭圆形面目标,提出一种基于交互多模型(interacting multiple model, IMM)算法的机动面目标跟踪方法。首先,利用现代高分辨率雷达获得的面目标扩展测量,给出了基于面目标的跟踪测量方程。其次,将强无迹粒子滤波(strong unscented particle filter, SUPF)算法引入到IMM中得到IMM-SUPF。该SUPF利用强跟踪无迹卡尔曼滤波(strong tracking unscented Kalman filter, STUKF)产生粒子建议分布。由于STUKF采用渐消因子调整UKF的状态模型协方差和观测模型协方差的比例,使得建议分布更符合真实状态的后验概率分布,从而提高了IMM算法中子模型滤波器的估计精度。最后,基于模糊隶属度函数对粒子的模型概率进行模糊化,从而在提高真实模型滤波器中粒子模型概率的同时减小非匹配模型滤波器中粒子模型概率,进而提高了IMM算法的估计融合精度。Monte-Carlo仿真实验表明,相比于传统的基于质点目标的IMM-UPF算法,文中所提的基于面目标的IMM算法跟踪精度更高,且所提算法的误差超调量更小,收敛更快。此外,所提面目标IMM算法的跟踪精度也要高于面目标IMM-UPF算法。针对水面机动目标跟踪问题,不同于传统的质点目标IMM算法,文中将水面目标建模为椭圆形面目标,并利用面目标扩展测量信息设计了模糊化模型概率的IMM-SUPF算法。该算法进一步提高了跟踪系统对水面机动目标的跟踪能力。