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.     

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.     

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。     

一种双机动频率自适应算法研究

基于当前统计模型,研究机动目标跟踪过程中机动频率的自适应调整方法,使其值更加符合目标的实际机动状况。根据机动频率在噪声方差及状态转移矩阵中对增益的影响不同,设计一种双机动频率自适应算法。仿真表明,该自适应算法能快速跟踪加速度跳跃的机动目标,跟踪机动目标位置精度上有较大的改进。     

一种改进的强机动目标跟踪方法

为提高目标在强机动情况下的跟踪精度,更好地实现目标跟踪,在当前统计模型和卡尔曼滤波算法的基础上提出改进的目标跟踪方法。分析了当前统计模型,归纳出在目标弱机动和强机动情况下的优点及不足。进行强机动检测,以此判断目标的机动水平;将渐消因子引入卡尔曼滤波器,减少陈旧数据的影响,充分体现当前机动状态;在算法中在线辨识各项参数,并根据机动水平自适应地调整。仿真结果表明,改进的方法在弱机动时保持了当前统计模型的跟踪性能,而在强机动时拥有更高的跟踪精度。     

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.     

基于改进粒子滤波的机动目标自适应跟踪算法

在粒子滤波的基础上融合扩展卡尔曼滤波算法,融合后的算法在计算提议概率密度分布时,充分考虑当前时刻的量测,使粒子的分布更加接近状态的后验概率分布.将此改进粒子滤波算法在"当前"统计模型框架下进行机动目标自适应跟踪.仿真实验验证了该种方法对机动目标的良好自适应跟踪性能.     

基于改进“当前”统计模型的转弯机动跟踪算法

针对转弯机动目标跟踪,提出一种改进的“当前”统计模型对角速度进行估计．该模型在当前统计（CS）模型的基础上,通过加权一个以新息方差之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,经滤波获得目标速度方向角．然后,将角度滤波获得的方向角度、角速度、角加速度作为曲线模型的输入,实时跟踪机动状态．新模型可准确估计目标的角速度,算法可显著提高转弯机动目标的跟踪精度,仿真实验验证了算法的有效性．     

一种改进的机动目标跟踪方法

机动目标跟踪方法主要有变维滤波、输入估计方法和交互式多模方法.由于输入估计方法采用常速模型作为状态方程对目标进行滤波跟踪,避免了模型集设计,所以成为研究的热点.但传统输入估计方法跟踪机动目标时存在机动检测时延较长和估计精度不高的缺点.针对以上问题,本文对输入估计算法进行了改进.用变检测窗长度的方法提高机动检测的响应速度,通过对检测窗内新息序列的修正显著提高了估计精度.仿真结果验证改进后的算法比原有算法的跟踪性能有显著提高,且对加速度随时间变化的机动也有一定的跟踪能力.     

一种改进的机动再入目标自适应跟踪算法

在机动再入目标高精度跟踪问题的研究中,由于目标变化速度快,动态模型为非线性,传统的Jerk分段均匀假设和随机模型近似思想建立的机动再入目标分段匀Jerk模型和过程噪声自适应方法中,存在加速度的方差期望近似瞬时方差的固有误差.为解决上述问题,提出了改进的机动再入目标自适应模型及相应的容积卡尔曼滤波跟踪算法,采用加速度状态协方差修正项来近似加速度的瞬时方差,同时引入强跟踪渐消因子增强加速度状态修正项近似瞬时方差的能力,给出了更精 确的机动再入目标自适应模型;结合状态扩展方法和容积卡尔曼滤波算法实现了机动再入目标的高精度自适应跟踪.仿真结果表明:改进后的算法对机动再入目标跟踪具有更高的精度和稳定性,对目标机动性变化有更低敏感性.     

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.      

新的分布交互式多模型广义概率数据关联算法

为有效解决密集杂波环境下分布式多传感器多机动目标跟踪问题,提出了一种基于改进D-S证据组合规则的分布交互式多模型多传感器广义概率数据关联（DIMM-MSGPDA-IDS）算法。该算法首先对各局部节点均应用单传感器的IMM-GPDA算法跟踪多机动目标,并将其各模型的状态估计、协方差估计、模型概率、组合新息及其协方差矩阵等滤波结果送至融合中心;在航迹关联判决结束后,融合中心根据各模型对应似然函数的大小融合不同传感器关于同一目标的模型状态估计及其协方差矩阵,并提出利用三维（3-D）证据进行直接融合的改进D-S算法对来源于同一目标的不同传感器的各模型概率进行有效融合,然后依此概率来更新各目标的状态估计并反馈至各局部节点,使之获得更为精确的状态预测;最后,将该算法与基于D-S证据组合规则的分布交互式多模型多传感器联合概率数据关联（DIMM-MSJPDA-DS）算法进行仿真对比分析。理论分析和仿真结果表明,该算法能够很好地对强机动目标进行跟踪,且其计算量相对较小,是一种有效的分布交互式多模型多传感器多机动目标跟踪算法。     

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。     

Efficient Particle Swarm Optimized Particle Filter Based Improved Multiple Model Tracking Algorithm

To meet the requirements of modern radar maneuvering target tracking system and remedy the defects of interacting multiple model based on particle filter, noninteracting multiple model (NIMM) and enhanced particle swarm optimized particle filter (EPSO‐PF) are proposed. The improved maneuvering target tracking algorithm (NIMM‐EPSO‐PF) in this article combines the advantages of NIMM with those of EPSO‐PF. NIMM is used to figure out the index of particles to avoid the high computing complexity resulting from particle interaction, and EPSO‐PF can not only improve the equation of particle update through the rules individuals develop an understanding of group but also enhance particle diversity and accuracy of particle filter through the small variation probability of superior velocity. Besides, the random assignment of inferior velocity is capable of upgrading filter efficiency. As shown by the experimental result, the NIMM‐EPSO‐PF not only improves target tracking accuracy but also maintains high real‐time performance. Therefore, the improved algorithm can be applied to modern radar maneuvering target tracking field efficiently.     

被动多传感器自适应曲线模型跟踪新算法

针对被动多传感器机动目标跟踪系统中,由于目标机动性能的不确定以及存在的非线性而导致系统模型与目标实际运动模式难以匹配的问题,提出一种新的自适应曲线模型跟踪算法．该算法通过建立新的方向角模型,设计一种自适应的转弯角速度估计方法,实时计算每个采样时刻目标的切向加速度,以获得与目标实际运动模式相匹配的运动模型,并与扩展卡尔曼滤波相结合,有效提高了被动多传感器下机动目标的跟踪精度．     

跟踪机动再入飞行器的交互多模型Unscented卡尔曼滤波方法

对于目标发生机动时的再入飞行器的跟踪问题, 传统跟踪方法是采用机动模型的扩展卡尔曼滤波. 本文在提高机动目标跟踪精度的探索中做了两方面的努力, 一是在描述目标运动模型方面采用了更符合机动目标运动特性的多模型方法; 另一方面, 采用了隐含高阶精度的 Unscented 卡尔曼匹配滤波方法. 对于交互多模型 Unscented 卡尔曼滤波器在仿真中易出现数值问题, 给出了基于平方根滤波的数值鲁棒性的解决方法.     

效能评估方法在多目标跟踪系统中的应用

基于系统工程理论，分析了影响机动多目标跟踪系统基本效能的各要素，给出机动多目标跟踪系统的基本效能指标及其定义，从而建立了雷达机动多目标跟踪系统的效能评估模型。最后通过仿真分析给出了3种移目标跟踪算法的效能评估结果。     

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。     

机动目标跟踪的IMM和IMMF-LS自适应滤波算法

介绍了一种跟踪机动目标的交互式多模型 (IMM)自适应滤波算法 ,并在其基础之上介绍了一种基于状态的扩充具有固定延时的平滑IMM算法 (IMMF -LS) ,分别采用了Singer模型和“当前”统计模型与CA模型进行交互运算。蒙特卡洛仿真结果表明了IMM具有明显的综合多模型的优点 ,IMMF -LS的跟踪精度明显高于IMM算法。     

粒子滤波器在机动目标被动跟踪中的应用

为处理机动目标被动跟踪中的非线性非高斯问题，提出了一种基于粒子滤波器的交互多模型（IMM）多观测站跟踪方法。使用转弯率建立了被动跟踪模型，用“蛙跳”处理方式来提高多站被动跟踪问题的可观测性，结合被动跟踪模型，利用非线性粒子滤波方法，对IMM算法进行了改进，提高了对IMM混和密度的近似程度，通过被动跟踪仿真实例，同时使用IMM粒子滤波器（IMM-PF）与IMM扩展卡尔曼滤波器（IMM-EKF）进行跟踪仿真，分析了轨迹跟踪性能，利用均方根误差比较了误差性能。仿真结果表明，与IMM-EKF相比，IMM-PF具有更高的跟踪精度和更快的机动响应速度。