改进的机动目标当前统计模型自适应跟踪算法

针对机动目标当前统计模型自适应跟踪算法的加速度方差依赖于预先设定的加速度极值的问题,研究新的加速度方差调整方法。在机动目标当前统计模型的基础上,根据雷达实时观测信息,利用加速度扰动与位置变化量之间的物理关系,采用一种新的机动目标当前统计模型加速度方差自适应跟踪方法。仿真结果表明,新算法对高机动目标、一般机动目标均具有较高的跟踪精度,从而验证了新算法的正确性和有效性,对机动目标跟踪问题具有一定的实际应用价值。     

基于改进“当前”统计模型的非线性机动目标跟踪算法

＂当前＂统计模型算法对目标加速度极限值及机动频率的依赖性这一缺点,导致该算法在跟踪弱机动目标及高机动目标时,跟踪性能会明显恶化.本文在当前统计（CS）模型的基础上,通过加权一个以残差方差的迹为参数的活化函数,对加速度方差和机动频率进行自适应处理,实现了对＂当前＂统计模型的改进;同时,采用UKF（unscented Kalman filter）对非线性目标进行跟踪滤波,构造出基于改进＂当前＂统计模型的非线性机动目标跟踪算法,仿真结果表明,改进的＂当前＂统计模型不仅保留了＂当前＂统计模型跟踪算法对一般机动目标跟踪精度高的特点,而且对弱机动目标跟踪也具有更优越的性能,大大扩大了机动跟踪范围.     

“当前”半马尔科夫模型及自适应跟踪算法

通过分析基于"当前"统计模型的自适应卡尔曼滤波算法的不足之处,在"当前"统计模型的基础上引入空气阻力系数和非零加速度,提出了"当前"半马尔可夫统机动模型,从而更符合机动目标运动的实际情况;基于此模型提出了改进的自适应卡尔曼滤波算法。仿真结果表明,改进的"当前"半马尔可夫卡尔曼滤波算法收敛速度更快,跟踪误差更小。     

机动目标跟踪的一种自适应“当前”模型

针对单个模型跟踪机动目标的性能不够理想、多模型方法最优模型集设计困难且算法较复杂的问题．基于“当前”模型，从目标与跟踪雷达的相对角运动出发，提出一种能适应多类飞行器的自适应跟踪单模型，并给出了优化估计目标与雷达的相对角运动及距离运动的算法．仿真结果表明．该自适应单模型跟踪性能稳定，远优于“当前”模型，对于强机动飞行的目标，其跟踪性能要优于交互多模型方法（IMM），而且其计算量要低于IMM．     

基于当前统计模型的自适应强跟踪算法

由于模型参数不能自适应调整和卡尔曼滤波器固有的特点,传统的当前统计模型算法跟踪突发强机动目标时性能显著下降.本文通过采用机动检测方法并借鉴强跟踪滤波器的思想,提出了一种改进的自适应强跟踪算法.利用量测残差的统计距离将目标机动划分为不同的状态,相应调整模型参数和滤波器增益,提高机动模型和系统模式的匹配程度,增强了系统对强机动目标的跟踪能力并保持对一般机动目标良好的跟踪性能.     

基于改进当前统计模型的自适应无源跟踪算法

针对无源跟踪中,标准当前统计模型无法自适应调整加速度极限值的缺点,设计了一种修正系数来通过机动目标的当前加速度自适应调整模型的加速度极限值,同时利用模糊控制的方法对修正系数的取值进行实时调整,实现了对当前统计模型的改进。最后结合容积卡尔曼滤波算法构造基于改进当前统计模型的自适应无源跟踪算法。仿真结果表明,相比基于标准当前统计模型的自适应跟踪算法,新算法对非机动目标、弱机动目标以及强机动目标都有更好的跟踪效果。     

基于卡尔曼自适应滤波算法的机动目标仿真研究

卡尔曼滤波理论在目标跟踪中得到成功的应用,但是在目标各种运动状态下仅利用卡尔曼滤波很难具有良好的跟踪性能。介绍了几种自适应卡尔曼滤波算法,对基于"当前"统计模型的卡尔曼自适应滤波算法在目标跟踪领域进行仿真,验证了卡尔曼自适应滤波算法的可靠性。     

基于"当前"统计模型的模糊自适应机动目标跟踪算法

结合"当前"统计模型在目标跟踪方面的优越性,提出了基于"当前"统计模型的模糊自适应机动目标跟踪算法,将模糊控制理论应用到"当前"统计模型跟踪算法中,避免了原方法加速度极限值需提前设定和方差调整有限的问题,改为加速度的估计值由其在三角隶属函数中的权重来确定.仿真结果表明该算法提高了对非机动和弱机动目标的跟踪精度,因而具有良好的跟踪性能.     

多点测试的多模型机动目标跟踪算法

针对机动目标跟踪问题,提出了一种多点测试多模型粒子滤波算法(Independence multi-try method, IMTM).整个算法分为两个阶段,第一阶段为利用多点测试(Multi-try method, MTM)结构从各模型产生的粒子中选取一个最优粒子,实现了模型间的交互;第二阶段为利用IMH (Independence Metropolis-Hastings)滤波算法对第一阶段产生的粒子进行取舍,完成整个状态估计.相对于传统的交互式多模型(Interacting multiple model, IMM)算法,该算法无需事先设定模型转移概率 矩阵且为整体并行结构,结构简单,能够充分地交互各模型之间的粒子,进而自动有效地调整各模型权值比重,降低了人为干扰.仿真表明,该算法能够有效地降低滤波峰值误差,整体跟踪精度较高,算法的实时性较好.     

转弯机动目标的两层交互多模型跟踪算法

针对转弯机动目标跟踪, 提出了一种两层交互多模型(IMM)跟踪算法. 算法的内层多模型由当前统计模型和恒速模型构成, 针对目标的速度方向角进行滤波, 将获得的角速度估计值作为外层的中心角速度; 外层多模型由转弯模型构成, 其角速度集合由中心角速度和对称角速度(交互输出的加速度与速度的比值)组成. 由于既准确估计了目标的角速度, 又设计了合理的角速度集合, 算法显著提高了转弯机动目标的跟踪精度. 仿真实验验证了算法的有效性.     

机动目标跟踪双滤波器模型及自适应算法

现代机动目标跟踪的困难来自跟踪的快速生成精度在一定计算负荷约束下的协调难以令人满意,考虑依次处理快速性与精度的方案。采用滑动均值均匀分布描述目标的随机机动特性,分别采用宽带的均值预估滤波器和窄带的跟踪滤波器串联,实现机动速度大变动或突变的精确,快速跟踪,双滤波器的计算量适中,易于工程实现,对各种运动形式进行计算机模拟表明,这类算法对高度机动或弱机动或无机动均可给出较好的目标位置,速度及加速度估值。     

基于机动目标模型的无人机视场跟踪仿真研究

为了跟踪地面机动目标,对无人机的视场进行了研究;分析了视场中目标位置的解算以及飞机、目标与视场的运动关系,并建立了三者的相对位置关系模型,推导出视场对目标进行跟踪的控制量;简要介绍了机动目标的"当前"统计模型及其自适应滤波算法,在该算法对目标跟踪的基础上,可以更准确地计算出视场校正控制量;对视场跟踪进行了仿真验证,利用飞行航迹和目标轨迹模拟,无人机盘旋跟踪地面运动目标,实时计算出偏差角控制量并调整视场;仿真结果表明,视场对机动目标的跟踪效果良好,算法稳定可靠.     

Adaptive Maneuvering Frequency Method of Current Statistical Model

Current statistical model (CSM) has a good performance in maneuvering target tracking. However, the fixed maneuvering frequency will deteriorate the tracking results, such as a serious dynamic delay, a slowly converging speedy and a limited precision when using Kalman filter (KF) algorithm. In this study, a new current statistical model and a new Kalman filter are proposed to improve the performance of maneuvering target tracking. The new model which employs innovation dominated subjection function to adaptively adjust maneuvering frequency has a better performance in step maneuvering target tracking, while a fluctuant phenomenon appears. As far as this problem is concerned, a new adaptive fading Kalman filter is proposed as well. In the new Kalman filter, the prediction values are amended in time by setting judgment and amendment rules, so that tracking precision and fluctuant phenomenon of the new current statistical model are improved. The results of simulation indicate the effectiveness of the new algorithm and the practical guiding significance.      

强机动目标自适应变结构多模型跟踪算法

在强机动目标跟踪领域,采用传统基于固定模型集合的交互式多模型算法需要大量模型来描述目标机动,需要巨大的计算量,并且过多模型会带来不必要的模型竞争反而降低跟踪性能.为解决它所带来的问题,提出一种自适应变结构多模型算法,采用少量与目标运动模式相关的模型,在不同时刻根据目标当前机动水平自适应调整模型参数建立新的模型集合,并对其进行滤波估计.仿真结果显示该方法能更好的匹配目标运动规律,有效降低计算复杂度,提高跟踪精度.     

基于PF-Singer的机动目标跟踪算法

Singer模型是典型的全局统计模型,其严重缺陷在于所采用的零均值时间相关模型和标准卡尔曼滤波算法不能完成对机动目标状态的正确估计1只有当目标做匀速直线运动时,动态误差的稳态值才为零,否则不为零;采用PF—Singer算法对机动目标进行跟踪。能够有效解决传统Singer模型存在的问题,提高其跟踪精度;通过仿真试验证实了该算法的有效性。     

跟踪机动目标的一种新方法的研究

本文提出了跟踪三维空中机动目标的一种新方法,在这种方法中,未知的目标加速度被认为是具有非零均值、时间相关的随机过程并将它的概率密度函数假定为截断正态型。借助于切比雪夫(Chebyshev)不等式来确定目标随机加速度的均值和方差之间的关系。理论分析和仿真结果表明,由作者们提出的模型和算法去跟踪恒加速目标时稳态偏差为零,从而消除了R.A.Singer方法在跟踪恒加速度目标时所存在的稳态偏差。给出了计算机仿真结果。截断正态概率密度模型和自适应算法适合于跟踪高度机动目标并且易于实现。     

一种机动目标跟踪的异步航迹融合算法

为实现机动目标跟踪,提出一种异步序贯航迹融合算法。融合中心包含匀速和匀加速2种融合模型,均通过信息去相关方法实现序贯航迹融合,并利用调整过程噪声的方法抑制融合发散。对匀加速融合模型的加速度估计进行显著性检验,实现机动检测。当检测到机动时输出匀加速融合模型的结果,反之输出匀速融合模型的结果。仿真结果表明,该算法能实现对机动目标的稳定跟踪,具有较高的跟踪精度。     

基于改进“自适应转弯”模型的机动目标跟踪算法

多模型(交互多模型)跟踪是机动目标跟踪的一种有效方法,转弯模型在多模型跟踪建模及模型集确定中被广泛研究和使用.论文对机动目标跟踪的自适应转弯模型建模方法进行了深入研究,对通过计算转弯率而建立跟踪模型的方法进行了总结,指出了文献[4,6]的自适应转弯模型在实际应用中存在的不足,由此提出了两种采用平均转弯率的建模方法.并通过仿真试验说明了改进的必要性和新建模型的有效性.