基于改进截断正态概率模型的机动目标跟踪算法

机动目标模型是水下目标跟踪的关键,在分析截断正态概率密度模型的基础上,利用前2个时刻的观测值与状态估计偏差,对该模型机动加速度与其方差的自适应关系重新进行修正,给出了一种基于改进截断正态概率密度模型的机动目标跟踪算法.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.仿真结果表明,该算法在跟踪水下机动目标时具有良好的跟踪性能.     

机动目标自适应跟踪算法研究

为了克服“当前”统计模型自适应跟踪算法（CAF）跟踪匀速运动目标误差较大和跟踪加速机动目标速度与加速度估计误差和动态时延较大的缺陷，通过分析研究CAF算法，采用截断正态分布表征目标的机动加速度特性，考虑风速和加速度估计均值的影响，对机动加速度与方差自适应关系修正，自适应补偿过程噪声协方差矩阵，提出了一种改进的机动目标自适应跟踪算法。理论分析与仿真结果表明，该算法能够准确描述目标的各种机动情况，具有良好的跟踪性能和实际应用价值。     

一种基于"当前"统计模型的改进目标跟踪算法

分析了“当前”统计模型跟踪非机动及弱机动目标时精度较差的原因，提出了采用隶属函数调整加速度方差改进目标跟踪的算法。该算法根据目标当前的机动状况自动地调整方差。仿真表明，该算法能够有效地提高对非机动及弱机动目标的跟踪精度。     

机动目标当前统计模型模糊自适应算法

针对当前统计模型常规算法跟踪机动目标的缺陷,提出了当前统计模型模糊自适应算法。该算法根据规范化的量测新息及其变化率并通过模糊推理实时选取机动频率,给出了加速度方差的新息幂函数调整方法,采用加速度估计值和预测值的偏差在线更新当前加速度均值。在此基础上,结合高斯隶属函数和强跟踪算法对其权值予以修正。当前统计模型模糊自适应算法不受机动频率人为给定和最大加速度极值设置的限制,适用于不同范围和程度的机动。利用当前统计模型模糊自适应算法对阶跃机动、圆周机动、Jerk机动3种典型机动场景进行了计算机仿真,并与当前统计模型常规跟踪算法和Jerk模型自适应算法进行了比较。仿真结果表明,该算法扩大了跟踪范围,具有较好的稳态特性和瞬态特性,其跟踪精度和收敛速度优于其他两种算法。     

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。     

一种提高雷达导引头对机动目标跟踪性能的自适应滤波算法

为了提高地空拦截弹雷达导引头对机动目标状态估计的精度,在增加系统观测量的基础上,提出了一种针对机动目标跟踪的自适应滤波算法。利用量测残差统计值估计目标的机动状态,自适应的调整状态方程机动频率和加速度极限值;同时利用观测噪声统计估值器,调整观测值方差大小。仿真试验结果表明该算法具有良好的机动目标跟踪性能,并能自适应变化较大的观测噪声。     

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。     

一种改进的机动目标跟踪算法

针对“当前”统计模型算法中加速度极限值预先设定对算法造成的不利影响，提出了一种改进的机动目标跟踪算法，即位置偏差估计自适应算法．该算法利用位置预测估计与位置估计之间的偏差对噪声方差进行自适应调整，从而避免了加速度极限值的预先设定问题，提高了机动目标的跟踪性能．仿真结果也表明了该算法的良好跟踪性能．     

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。     

机动频率自适应的机动目标模糊跟踪算法

分析了基于＂当前＂统计模型的跟踪算法中,机动频率对滤波算法的影响.提出一种模糊自适应跟踪算法,该算法根据量测新息及其变化率通过模糊推理机制调整＂当前＂统计模型中的机动频率,以适应不同的目标机动模式.针对直角坐标系下量测模型为非线性方程,采用转换坐标卡尔曼滤波对目标状态进行估计.仿真结果表明：该算法无论跟踪机动目标还是非机动目标,其精度都要优于常规的基于＂当前＂统计模型的跟踪算法.     

机动频率模糊自适应目标跟踪算法研究

在分析"当前"统计模型及自适应滤波技术基础上,提出了一种机动频率模糊自适应目标跟踪(FAMF)算法.通过模糊控制方法,在线调节"当前"统计模型的机动频率参数,使模型对不同的目标机动模式有更强的自适应能力.在想定初始条件下,对FAMF算法进行Monte Carlo仿真对比实验,结果表明:FAMF算法运行稳定,适应能力强,有效的提高了"当前"统计模型的跟踪性能,便于实际应用.     

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。     

密集回波环境下地面机动目标跟踪的UKF-VSMM-PDA算法

对地面机动目标进行跟踪，除了利用量测信息外，利用地形特征等信息也可提高跟踪性能。但这些非正态信息却可能导致较高的非高斯概率密度，文中将机动和多回波同时考虑，并充分利用了地形特征等信息，提出了UKF—VSMM—PDA算法。对密集回波环境下地面机动目标进行跟踪，仿真结果证明了该算法的优越性能。     

基于自适应卡尔曼滤波的环境函数模型修正

为更好地评价制导工具误差,提出一种对环境函数模型修正的方法。利用机动目标跟踪理论和环境函数模型,分别建立了状态方程和观测方程,并利用机动频率自适应算法和偏差协方差自适应算法进行卡尔曼滤波,得到更精确的平台坐标系视加速度。以某型导弹为例,分别用传统环境函数模型和改进后环境函数模型对一段时间内平台坐标系各轴进行了仿真,结果表明该模型有更好的计算结果。     

基于期望系统噪声模型的自适应机动目标跟踪

对于机动目标跟踪问题,由于目标机动能力的增强,使建立的目标模型与目标的实际运动失配。为解决这个问题,需建立大量模型来逼近真实模式。但这使计算量增大,而且性能不一定能提高。本文提出基于期望系统噪声模型的自适应交互式多模型(IMM)算法。该算法自适应调整部分系统噪声模型,使之接近符合实际的系统噪声模型。对目标机动运动的Monte-Carlo仿真结果表明,本算法对机动目标的跟踪精度比标准IMM算法有较大改进,且计算量适中。     

A Fuzzy Adaptive Algorithm Based on ＂Current＂ Statistical Model for Maneuvering Target Tracking

The basiccurrentstatistical model and adaptive Kalman filter algorithm can not track a weakly maneuvering target precisely,though it has good estimate accuracy for strongly maneuvering target.In order to solve this problem,a novel nonlinear fuzzy membership function was presented to adjust the upper and lower limit of target acceleration adaptively,and then the validity of the new algorithm for feeblish maneuvering target was proved in theory.At last,the computer simulation experiments indicated that the ne...     

机动目标跟踪的自适应卡尔曼滤波算法实现

为真实反映目标机动范围与强度的变化，引入了机动目标的“当前”统计模型，提出了一种基于该模型的自适应卡尔曼滤波算法．仿真结果表明，能有效改善在机动目标跟踪中传统的卡尔曼滤波可能出现的发散情况，提高了跟踪的准确性和稳定性．     

基于"当前"统计模型的模糊自适应跟踪算法

基本的机动目标“当前”统计模型及其自适应卡尔曼滤波算法虽能对强机动目标进行很好的跟踪，但是在跟踪弱机动目标时却存在较大的误差。针对这一问题，新算法中引入一种非线性模糊隶属度函数来自适应地调整目标加速度上下限，并从理论上分析了新算法对于弱机动目标跟踪的有效性。通过计算机仿真验证了新算法相对于基本“当前”统计模型及其自适应跟踪算法的明显优势。