自适应理论在目标跟踪中的应用

在机动目标跟踪与定位中,结合EKF和自适应理论的优点和目标跟踪的非线性特征,提出了一种非线性系统的基于“当前”统计模型的自适应扩展卡尔曼滤波算法,根据机动目标的测量信息修正加速度方差,消除随机误差和噪声的干扰,提高预测的精度。通过Monte Carlo对比仿真实验表明该算法正确有效,定位精度较高,滤波效果得到改善,同时增强了稳定性,优于一般的EKF和MVEKF算法,为机动目标精确跟踪与定位的实现提供一种新的方法。     

改进IMM算法在机器人目标跟踪中的应用

在机器人对运动目标跟踪的过程中,由于目标运动状态具有多样化的特点,不能运用单一的运动模型对其进行跟踪。文中将当前统计模型(CS)和匀速模型(CV)交互,并自适应调节"当前"统计模型中的目标加速度和模型之间的转移概率,形成新的CVCSIMM算法,使其能够更有效地反映目标的机动特性。在Matlab上对本算法进行了仿真研究,并与基本CVCAIMM算法、改进前的CVCSIMM算法进行了比较。Monte Carlo仿真结果表明:本算法减小了跟踪过程中的误差,提高了对机动目标的跟踪精度。     

跟踪反舰导弹的机动频率自适应算法

为使建立的系统方程更适合强机动反舰导弹的真实运动状态,在分析"当前"统计模型及自适应滤波算法的基础上.通过由滤波残差的变化来检测目标机动与否的准则,设计了一种非线性的机动频率函数.实现机动频率自适应调整,优化了"当前"统计模型的系统参数,构建了机动频率自适应算法.在想定的初始条件下,结合反舰导弹的末段"蛇行机动",对建立的机动频率自适应算法进行Monte Carlo仿真实验,结果表明:该算法运行稳定,适应能力强,能有效提高"当前"统计模型的跟踪性能.     

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。     

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。     

基于参数自适应Jerk模型的IMMUKF算法

本文给出了一种利用参数自适应Jerk模型的IMMUKF算法,可用于跟踪非线性条件下做高度机动运动的目标。该算法在IMMUKF算法的基础上,引入Jerk模型,并针对Jerk模型中的参数——机动频率α人为设定的不合理性,对α进行建模,实现了对机动频率α的在线估计。拟合滤波过程沿用IMM算法的思想,各模型滤波采用UKF。最后,通过Monte Carlo仿真,对本文提出的算法和其他两种IMMUKF算法进行了比较,进一步验证了该方法的可行性和有效性。     

最大加速度未知的“当前”统计模型机动目标跟踪

分析了“当前”统计模型机动目标跟踪算法的性能对目标机动加速度最大值的依赖性,但是由于在实际中目标机动加速度的最大值往往是未知或不能准确已知的,所以为了克服“当前”统计模型的这一不足之处,采用协方差匹配和多级白噪声自适应滤波算法的思想,提出了一种“当前”统计模型在最大加速度未知情况下的机动目标跟踪新算法。对三种典型的机动目标运动形式进行了Monte-Carlo仿真研究,结果表明新算法对于解决机动目标跟踪问题非常有效。     

方差自适应机动目标跟踪算法研究

针对机动目标弱机动时不能自适应调整,从而对弱机动目标跟踪精度不高的缺点,提出了一种改进的方差自适应机动目标跟踪算法。新算法将机动目标的运动状态分为弱机动状态和强机动状态,并通过新息平方的统计量和当前加速度估值进行机动自适应检测,能够根据目标当前的机动特性自适应调整过程噪声协方差矩阵,使运动模型与机动目标的当前运动状态相匹配,在保持对强机动目标跟踪性能的同时,实现了对弱机动目标更为精确的跟踪。仿真结果表明,改进算法对弱机动目标的跟踪性能明显优于当前统计模型。     

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.     

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。     

拦截机动目标的范数型协同微分对策制导律

针对多个拦截弹协同拦截单个机动目标的情况,提出了一种范数型的协同微分对策制导律。在拦截弹和目标的控制系统均具有理想动力学特性且法向加速度均有界的条件下,对追逃对策问题进行分析,建立了线性化的多对一追逃对策运动模型,基于微分对策理论选取范数型的性能指标,推导得出了一种具有"bang-bang"结构的最优制导策略。上述制导律无需预先对目标的机动规律做假设,且可避免出现因加速度饱和而导致制导律失去最优性的现象。最后通过对拦截多种机动形式的目标进行仿真,验证了上述方法的有效性。     

基于粒子滤波的模型自适应机动目标跟踪算法

针对当前机动目标跟踪领域中多模型算法存在的问题,提出一种基于粒子滤波的模型自适应机动目标跟踪算法.首先,依据前一时刻每个粒子采用的模型状态和模型间的状态转移概率,实现对当前时刻模型的采样;然后,将采样模型用于对当前粒子的预测,并根据当前时刻得到的量测数据实现对预测粒子权值的度量;最后,通过重采样策略和概率最大化原则完成对模型的合理选择和状态的有效估计.仿真实验验证了该算法的有效性.     

A new coherent integration method for weak maneuvering target with jerk motion

In radar systems, prolonging the integration time helps to improve the detection and estimation performance of weak target. However, in a long integration time, target's high-order motion is non-ignorable, which causes high-order range migration (RM) and Doppler frequency migration (DFM) problems. The RM and DFM defocus the integration result and lead to detection and estimation performance loss. In this paper, a new coherent integration method is proposed for maneuvering radar target with jerk motion. First, we define a new cross correlation function basing on non-uniformly resampling technique. By using this function, we eliminate the range migration (RM) and Doppler frequency migration (DFM) caused by target's velocity and acceleration. Then, matched filtering process is performed to compensate the phase error caused by target's jerk motion. Finally, the integration is achieved by summing signal data in different range frequency cells and performing a two-dimensional fast Fourier transform (FFT). The proposed method is applicable for low signal-to-noise ratio (SNR) environment. Compared with the GRFT algorithm, the proposed method has a close integration performance and a lower computational complexity. The effectiveness is validated by simulations and real-data processing results.     

机动检测算法特性分析仿真研究

机动检测算法是机动目标跟踪中重要环节,对机动目标跟踪的快速性具有重要影响.针对机动目标跟踪的典型检测器,采用卡尔曼滤波算法,基于新息残差向量来描述三种典型的机动检测器,通过蒙特卡洛仿真的方法,对每种检测器进行仿真计算,详细地分析每种检测器的特点和性能.仿真结果表明检测器B性能最稳定,结果最可靠,通过适当调整滤波中的状态误差方差Q,观测误差r,及滤波估计误差方差矩阵的初始值使得滤波器可以更准确地跟踪机动目标,具有一定的参考价值和指导性意义.     

强跟踪输入估计概率假设密度多机动目标跟踪算法

针对多机动目标跟踪中,目标数目未知及加速度不确定的问题,提出一种强跟踪输入估计（modifiedinputestimation,MIE）概率假设密度多机动目标跟踪算法．在详细分析算法的基础上,通过引入强跟踪多重渐消因子,以不同速率实时调节滤波器各个通道的预测协方差及相应的滤波器增益,从而实现MIE算法对加速度未知或发生人幅度突变的机动目标白适应跟踪能力;并将该算法与概率假设密度滤波算法有效结合,町以较好地跟踪未知数目的多机动目标．仿真结果表明,新算法比传统的多机动目标跟踪算法具有更岛的跟踪精度,且具有较好的实时性．     

A New Smoothing Approach with Diverse Fixed-lags Based on Target Motion Model

Recently, lots of smoothing techniques have been presented for maneuvering target tracking. Interacting multiple model-probabilistic data association (IMM-PDA) fixed-lag smoothing algorithm provides an efficient solution to track a maneuvering target in a cluttered environment. Whereas, the smoothing lag of each model in a model set is a fixed constant in traditional algorithms. A new approach is developed in this paper. Although this method is still based on IMM-PDA approach to a state augmented system, it adopts different smoothing lag according to diverse degrees of complexity of each model. As a result, the application is more flexible and the computational load is reduced greatly. Some simulations were conducted to track a highly maneuvering target in a cluttered environment using two sensors. The results illustrate the superiority of the proposed algorithm over comparative schemes, both in accuracy of track estimation and the computational load.     

强机动目标跟踪自适应交互式多模型算法

针对机动目标跟踪过程中建立的目标模型和目标的实际运动模式出现失配的问题,提出了从一组离散模型集中选出最优模型,并自适应调整模型参数,使模型逼近目标实际运动模式的交互式多模型算法.蒙特卡罗仿真表明,该算法与传统的常速模型与自适应协同转弯模璎交互算法(IMM-CV/ACT)相比,在目标发生强机动时,能及时有效的把跟踪误差峰值控制在测最标准差之下,适合于强机动目标跟踪.     

基于自适应卡尔曼滤波的机动目标跟踪算法

在机动目标跟踪过程中,由于目标运动的不确定性,雷达系统接收的数据存在噪声,使预置目标运动模型通常很难得到较高的跟踪精度。为此,以自适应卡尔曼滤波为基础,将直角坐标系和球坐标系相结合,提出了一种混合坐标系下的自适应卡尔曼滤波算法。算法避免了两个坐标系变换引起的噪声统计规律变化问题,并针对目标发生大机动运动的情况,自适应的调整动态模型中机动目标运动参数。蒙特卡洛仿真结果表明,改进算法的收敛速度和对状态的估计精度均得到优化,并对机动目标具有较好的跟踪性能。     

一种机动目标跟踪算法仿真研究

在现行的机动目标跟踪过程中,由于目标真实的运动过程是不确定的,一般需要根据目标运动规律的假定,人为地给出目标的预置模型,因而精度难以提高.针对这一问题,引人参数辨识模型,既可对参数动态地进行识别而无需进行模型的预置,又具有对工作周期变化的适应能力,可以覆盖机动目标呵能的多种运动状态,使自适应滤波问题可在正常的技术思路下进行.运用Matlab语言建立仿真模型,通过四种典型运动对该算法进行了验证,结果表明此方法正确可行.