自适应转弯模型的交互多模型算法研究

以强机动目标跟踪为背景，在分析常速转弯模型和IMM算法基础上，基于“当前”统计模型的设计思路．提出了自适应转弯模型。通过机动频率系数和角加速度方差修正常速转弯模型的系统状态噪声方差矩阵，设计了不同角速率的转弯模型集，给出了相应模型的状态转移概率，建立了一种自适应转弯模型的交互多模型算法。MonteCarlo仿真实验表明：该算法性能优于其它IMM算法，且计算量小。便于使用。     

基于模糊推理的自适应交互多模型目标跟踪算法

提出了一种模糊自适应IMM算法（FAIMM），通过模糊逻辑，根据加速度估计值，自适应地摒弃概率较小的模型，仅选取整个模型集合中最能反映目标“当前”机动的一个模型子集进行运算，从而减少了模型数目；同时采用模糊方法计算模型概率，从而降低了算法的计算量；进一步，通过二级模糊推理，根据模型参考加速度ui的大小自适应地选择适当的最大机动加速度amax和a-max,使系统具有一定的方差调整能力，从而提高了跟踪精度。仿真结果表明，较之于标准IMM算法．FAIMM算法在机动目标跟踪精度、跟踪的平稳性以及收敛速度等方面都有所改善。     

基于改进自适应IMM算法的机动目标跟踪

文中提出了一种改进的跟踪机动目标的自适应IMM（AIMM）算法,采用协同转弯运动模型作为目标的机动模型,通过估计目标的角速度,并在估计参数值的周围选择数量一定的模型组成模型集来覆盖目标所有可能的运动模式,采用交互模型算法进行状态估计;应用变结构思想,将模型之间的切换理解为随机有向图,并综合利用前一时刻模型的后验概率和当前时刻模型的预测概率,计算模型之间的转移概率,从而能够根据目标（转弯）机动的情况,自适应地建立IMM算法的可变模型集。仿真结果表明,改进的AIMM算法的跟踪精度有了较大的改善,算法也更加平稳。     

两阶段卡尔曼滤波自适应交互式多模型算法

对于机动目标跟踪问题,由于目标机动能力的增强,需建立大量模型来逼近真实模式,使建立的目标模型与目标的实际运动适配,但这使计算量增大,而且性能不一定能提高.针对这个问题,将两阶段卡尔曼滤波器与一般的交互式多模型算法相结合,设计了一种自适应交互式多模型算法.该算法采用两阶段卡尔曼估计器估计目标的加速度,然后将其反馈到由多个不同参数构成子滤波器的交互式多模型滤波算法中进行交互式多模型滤波.与自适应半交互式多模型算法进行对比的仿真验证了该算法有效地减少了子滤波器的数量,同时在一定程度上也提高了跟踪的精度.     

一种新的多模型联合概率数据关联方法

在机动目标跟踪中,针对以往IMM—JPDA算法易导致目标与回波误关联或不关联,M^3-JPDA算法对状态向量和运动模型结构约束条件较高的情况,提出了一种将M^3-JPDA与IMM—JPDA相结合的IMM—JPDA-（CV）^2CAV算法,并将其与传统方法进行了比较。仿真计算证明了此算法具有较好的跟踪性能。     

基于IMM-CKF的弹道再入目标跟踪研究

该文研究了弹道系数未知的弹道再入目标的跟踪问题.针对现有再入目标跟踪方法对弹道系数初值设定以及噪声协方差的设置比较敏感的问题,采用了数值精度高、稳定性好且计算量较小的求容积卡尔曼滤波(CKF)算法作为跟踪滤波器,并分别设计了由不同弹道系数模型构成的交互式多模型(IMM)算法以及由不同噪声协方差模型组成的IMM算法.仿真结果表明,该文设计的两种IMM算法都能显著提高跟踪精度以及对弹道系数估计的收敛速度.     

基于HMM机动目标跟踪算法研究

在交互多模IMM的基础上,利用时变马尔可夫链切换系数对模型进行切换,实现对未知状态转移概率的自适应调节,提高了对机动目标的跟踪精度.仿真结果表明,改进后的IMM算法比IMM算法的跟踪精度更高,具有全面自适应跟踪能力.     

基于IMM-UKF的雷达/红外分布式加权融合算法

在雷达/红外复合制导机动目标跟踪背景下,针对非线性机动目标融合跟踪存在滤波器易发散问题,提出一种基于交互式多模型无迹卡尔曼滤波(IMM-UKF)的分布式加权融合算法。IMM具有对不同目标机动模式自适应跟踪的能力;UKF对观测数据进行滤波估计,避免了计算雅克比矩阵,克服EKF滤波方法受滤波初值影响大、易发散的缺点;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。仿真结果表明:该算法在处理非线性系统机动目标跟踪融合结果误差均得到减少,更能提高目标跟踪滤波精度,增强了系统稳定性。     

一种"全面"的自适应机动目标跟踪算法

基于截断正态概率密度模型建立修正的截断正态概率密度模型。利用该模型并结合速度估计自适应模型提出一种“全面”自适应机动目标跟踪算法(OAF)．此算法能够避免机动加速度最大值的预先设定，自适应调节目标跟踪算法中的机动频率。进一步运用神经网络方法，将机动频率与过程噪声方差进行融合，通过在线调节神经网络权值获得融合后的系统方差输出，降低现有算法因系统参数调整不当带来的精度损失。理论分析及仿真结果表明，与单纯的速度自适应模型算法相比，该算法跟踪机动目标和非机动目标时精度分别提高49. 61%和48.34%．     

机动目标跟踪的多传感器分层加权融合算法

针对应用并行,Bar Shalom-Campo等融合算法实现多传感器对机动目标的融合跟踪时,经典的交互多模型(IMM)无法提供目标运动模型这个先验信息的问题,提出一种机动目标跟踪的多传感器分层加权融合算法,该算法通过分层加权得到多种融合算法所需的目标运动模型信息,最后使用扩展卡尔曼滤波器(EKF)对状态预测和量测进行融合估计,实现了多传感器对机动目标的融合跟踪。仿真实验表明,和单传感器相比,所提算法显著提升了机动目标的跟踪精度。     

自适应交互式多模型目标跟踪算法

以防空火控系统的跟踪预测为背景，提出一种自适应的交互式多模型跟踪算法。该算法采用后验信息修正模型的噪声方差和马尔可夫转移矩阵，使IMM具有自适应能力。将该算法应用于由CA、CV两模型组成的交互式多模型算法中取得良好的效果。仿真结果表明，该算法跟踪精度比标准IMM有较大改善。     

基于卡尔曼滤波的交互式多模型GPS定位方法研究

针对GPS定位中,由于模型单一而不能适应环境影响或机动过程变化的问题,提出将交互式多模型算法引入到定位方法中。文中详细阐述了基于卡尔曼(Kalman)滤波的交互式多模型(IMMKF)算法原理及其在GPS定位中的应用。根据静态单点定位实测数据的试验分析,验证了变噪声模型的IMMKF能很好地适应环境噪声的变化;进一步通过动...     

基于模糊控制交互式多模型粒子滤波的静电机动目标跟踪

针对交互式多模型粒子滤波算法（IMMPF）的精度不高,算法更新时间长,难以满足静电机动目标跟踪要求的问题,提出了一种新的基于模糊控制的交互式多模型粒子滤波算法（FIMMPF）。该算法先利用模糊控制方法实现实时调整交互式多模型算法中的转换概率矩阵,使与目标当前运动状态最接近的运动模型在混合产生这一采样时刻的初始状态向量里占有更大的比重。同时,为了提高基本粒子滤波算法的精度,减小算法更新时间,再利用中心差分扩展卡尔曼滤波算法产生基本粒子滤波的建议分布函数,实现对目标运动状态的更新。理论分析和仿真结果表明,所提出的算法能够以更高的定位精度,更小的计算量实现对静电机动目标的跟踪。     

基于粒子滤波器的多机动目标跟踪贝叶斯滤波算法研究

提出了一种新的基于粒子滤波器的贝叶斯滤波算法, 用于在非线性非高斯假设下跟踪多机动目标.对目标动态行为的已知描述构成了贝叶斯的先验知识.近来时序蒙特卡罗技术的发展, 特别是粒子滤波器算法, 使采用一个目标状态的集合对贝叶斯模型的后验知识进行建模和跟踪成为可能, 这个集合可以看作是这个后验密度函数的采样集合.这种新的贝叶斯滤波算法是粒子滤波器与划分采样技术和假设计算的有机结合.在与SIR/MCJPDA算法的比较仿真研究中, 证明该算法能够提高系统的跟踪性能.     

改进的模型集自适应变结构多模型算法

针对传统固定结构的交互式多模型算法模型集无法覆盖目标的所有运动模型,提出一种改进的模型集自适应变结构多模型算法。该算法在量测信息的基础上,采用Kullback-Leiber规则对模型集中各模型与目标运动模型匹配程度进行判别,删减匹配程度较低的模型;同时,采用改进的期望模型算法得到一个新的匹配程度高的模型集,并对原模型集中的模型进行更新;最后再与容积卡尔曼滤波器相结合,实现非线性目标跟踪系统的变结构多模型算法。仿真结果表明:该算法在保证系统计算量没有明显增加的基础上有效地增加了算法的自适应性能和系统的鲁棒性能,更好地满足了工程应用中对算法自适应性和实时性的要求。     

杂波环境下多机动目标跟踪的一种新粒子滤波器算法研究

多机动目标跟踪系统具有本质非线性和非高斯特性, 而且状态的测量通常是来源未确定的观测量, 在杂波环境下尤其如此.因此, 杂波环境下的多机动目标跟踪问题需要同时解决多个目标的机动性以及测量和目标之间的关联问题.提出了一种结合粒子滤波器和吉布斯采样器的多机动目标跟踪算法, 可以很好地解决在杂波环境下的多机动目标跟踪问题.在仿真研究中, 与另一多机动目标粒子滤波器算法BMMPDAF的比较证明了所提出的算法的优越性.     

基于模糊交互多模型的机动目标跟踪方法

文中提出了一种模糊IMM（FIMM）算法,通过模糊逻辑推理得到IMM算法模型集中各滤波模型的匹配度,即模型的概率,代替IMM算法中通过交互组合计算模型概率的方法,该方法不需要IMM算法中的模型先验概率及马尔可夫转移概率,从而降低了算法的复杂程度。仿真结果表明,和标准IMM算法对机动目标的跟踪效果相比,文中提出的模糊IMM算法具有更高的跟踪精度,更快的收敛速度。     

基于模糊逻辑的交互式多模型网络化弹药多节点目标跟踪算法

针对地面网络化弹药系统多节点目标跟踪问题,提出了基于模糊逻辑的交互式多模型（FL-IMM）多节点目标跟踪算法。在多模型交互输出阶段,利用测量误差协方差矩阵的理论值与估计值之间的差值自适应调整测量误差方差;在多节点融合阶段,建立模糊融合系统（FFS）将来自不同节点的目标状态估计数据融合,进而得到网络目标状态估计。通过一个具有3个主探测节点的网络验证了该算法的可行性。实验结果表明,该算法在传感器失效、系统测量误差未知等情况下仍能很好地跟踪机动目标;该算法在地面网络化弹药多节点目标跟踪方面具有较大的实用性。     

状态自适应无迹卡尔曼滤波算法及其在水下机动目标跟踪中的应用

为了满足水下对抗对机动目标实时跟踪和目标航速、航向准确估计的要求,针对观测量为距离和方位的机动目标跟踪,对传统无迹卡尔曼滤波（UKF）跟踪算法进行了改善。提出根据UKF算法预测值和观测值残差的概率分布自适应调整目标状态噪声方法,使得UKF跟踪算法能够根据目标运动状态及时调整状态方程,在目标机动时减小对预测值的依赖,在目标非机动时增大对预测值的依赖。这种在线实时估计系统噪声状态的跟踪方法更加适用于机动目标的跟踪。数值仿真结果表明：该算法不仅在目标机动时具有良好的跟踪效果,而且在目标非机动时具有准确的估计性能。通过声纳信息综合处理系统验证了状态自适应UKF跟踪算法的性能。