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。     

多平台主动与被动传感器协同跟踪的长时调度方法

为了有效跟踪杂波环境下机动目标、降低系统辐射风险,提出一种多平台主动与被动传感器协同跟踪的长时调度方法。将长时调度问题构建为部分可观马尔可夫决策过程,采用交互式多模型概率数据关联算法更新目标信念状态,利用后验克拉美-罗下界预测机动目标长时跟踪精度,提出改进的维特比算法以求解最优调度序列。仿真实验结果表明,所提搜索算法能够显著降低搜索空间和存储空间,所提长时调度方法能够有效控制系统辐射代价、克服传感器频繁切换。     

密集杂波环境下数据融合估计算法评估

由于观测量获取的不确定性,使得密集杂波环境下的多传感器机动目标跟踪变得复杂,解决这个问题的关键在于跟踪门限和数据联合与融合算法的选取。文中在分析最邻近卡尔曼滤波(NNKF)和概率数据联合滤波(PDAF)两种融合算法的基础上,对其在密集杂波环境下的跟踪误差和算法实时性效果采用当前统计模型进行评估,仿真结果表明PDAF算法跟踪性能明显优于NNKF算法。     

基于H∞滤波的不同目标机动模型的跟踪特性研究

文中研究了五种常见的目标机动模型下H∞滤波用于机动目标跟踪的性能.在目标位置信息可测条件下针对机动目标进行了H∞跟踪滤波仿真计算,以速度估计均方差为指标,分析了不同目标机动模型的H∞跟踪滤波精度.结果表明,基于维纳模型的H∞滤波进行机动目标跟踪精度最高,采用常加速度模型或二阶马尔可夫模型也是一种合适的选择.     

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。     

一种基于IMM-PF的MMW/TV复合制导UCAV火力解算融合跟踪算法

针对目标融合跟踪算法在解算时,假定测量噪声为高斯白噪声与实际测量为"闪烁噪声"不相符的情况,提出一种交互式多模型粒子滤波的毫米波/电视复合制导无人攻击机火力解算融合跟踪算法,该算法适用于非线性、非高斯条件下、多传感器信息融合跟踪;可在有干扰的情况下,通过模型转换,实现模型的匹配,有效跟踪机动目标。通过数字仿真,验证了该算法具有较强的目标机动自适应能力,对提高MMW/TV复合制导UCAV的攻击效果有重要意义。     

多传感器多目标被动跟踪的“鬼点”形成条件

为探究多传感器多目标被动跟踪场景下“鬼点”的形成机理，采用一种集合分析方法，将各角度测量定义为不同的点集，将目标点定义为点集的交，建立多传感多目标被动跟踪问题的数学建模，基于该模型分析得到三类典型跟踪场景下定位到“鬼点”所需几何条件。理论分析表明，传感器观测基线长度、分布特征以及传感器个数是影响“鬼点”生成概率的重要因素。设置3组仿真实验，进一步验证了上述因素对“鬼点”跟踪概率的实际影响。研究结果表明，在求解被动跟踪问题时，适当减小传感器观测基线长度、提高传感器网络相对目标团的空间布局复杂度以及增加传感器数目均能起到一定的抑制“鬼点”作用。     

具有固定延迟平滑的交互多模型概率数据互联算法

为了提高杂波环境下跟踪机动目标的跟踪精度．文中将交互多模型概率数据互联（IMMPDA）和固定延迟平滑（LS）思想相结合．提出了一种具有固定延迟平滑的IMMPDA（IMM-LS-PDA）算法。通过引入延迟．增广了目标的状态向量，使得目标的固定延迟平滑状态估计更加准确。仿真结果表明。在杂波环境下对机动目标进行跟踪．单纯的IMMPDA算法的跟踪误差很大，并且在转弯机动处，误差出现峰值．算法的平稳性较差；而在进行固定延迟平滑后，算法的跟踪精度有了明显的提高。     

基于作战对抗下的直升机双机协同鱼雷攻击

基于直升机投雷时目标潜艇采取机动规避和噪声干扰等对抗措施为前提,对双机协同鱼雷攻击的组织、影响投雷命中概率的射击瞄准点进行了分析,建立了双机协同前飞投雷的参数转换模型、目标机动模型和噪声干扰器干扰模型。通过仿真分析与单机前飞投雷比较,对抗条件下双机协同投雷可有效提高对目标的命中概率,在相同条件下对目标的发现概率更大。     

基于交互式多模型的水下机动目标跟踪

为了解决水下机动目标跟踪的实时性和可靠性问题,在交互式多模型(IMM)的框架下对水下机动目标跟踪进行了分析,建立了目标运动方程和观测方程。交互式多模型滤波算法的选择直接影响到跟踪的精度,在跟踪滤波方面,针对交互式多模型滤波过程中观测方程非线性对滤波性能的影响,分别将扩展卡尔曼滤波(EKF)和无迹卡尔曼滤波(UKF)2种滤波算法与交互式多模型算法相结合。仿真结果表明,交互式多模型算法与UKF算法结合的滤波精度更高,能够更有效、可靠地达到跟踪机动目标的目的。     

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。     

基于星-凸形随机超曲面模型的扩展目标GM-PHD滤波器

针对扩展目标联合估计运动状态和目标外形的问题,提出一种基于星-凸形随机超曲面模型的扩展目标高斯混合概率密度滤波算法.该算法利用星-凸随机超曲面模型对量测的扩散程度进行建模,在高斯混合概率假设密度的框架下,通过求解、更新递推量测模型下的量测似然、新息等参数来实现对扩展目标的跟踪.仿真实验表明,该算法在保证跟踪有效性和可行性的同时,提高了对扩展目标运动状态和目标外形的估计精度.     

弹道导弹主动段样条滤波算法

对弹道导弹主动段进行跟踪是弹道导弹主动段防御中极其重要的任务,它是制导拦截的基础。针对传统方法在弹道导弹主动段跟踪能力不足,建立了弹道导弹主动段样条滤波算法。该滤波算法首先用样条函数建立了主动段运动模型,其次在此基础上将运动状态进行了解耦,建立了状态方程,最后基于解耦模型,应用Kalman滤波进行了状态估计,并且在估计中设计了模型更新方法,使算法具有很好的机动跟踪性能。仿真实验证明,该跟踪算法估计精度高于其它算法。     

基于旋转反射镜光学成像的动态目标跟踪方法

为完善军事靶场实验中精准获得动态目标参数,针对现有目标跟踪方法无法快速跟踪高速运动目标的问题,提出了一种基于反射镜光学成像的动态目标跟踪方法。利用光反射原理,采用高速相机与反射镜结合的方式采集动态目标的多图像信息,建立目标运动数学模型;依据反射镜角度偏移量,研究反射镜转动参数与目标运动参数的匹配关系;采用嵌入式控制器、反射镜、光学相机等搭建系统硬件平台,并结合目标运动数学模型和图像处理算法,实现目标跟踪系统多参量的调控与优化。系统测试结果表明,在变速运动状态下所建立的目标跟踪模型能够获得清晰的目标图像,达到了跟踪的目的。     

基于Entropy-TOPSIS 方法的目标威胁动态评估与仿真

为解决在目标威胁评估方法中,确定各属性的权重时受主观因素和高机动目标影响大的问题,提出一种 改进的多属性决策目标威胁评估方法。综合模糊理论和多属性决策理论,通过构造隶属度函数规范化属性值,基于 熵值法求解属性权重,应用TOPSIS 理论进行目标威胁评估,构建不同的态势实例,采用静态数值计算和动态模拟 仿真的方法对算法进行验证。仿真实验结果验证了该方法的合理性和有效性。     

自抗扰控制在坦克机动目标状态估计中的应用

在以坦克火控系统为代表的一类状态不确定系统应用中，作为系统输入的目标运动特性是未知的，并且对目标的观测存在较大噪声。如何基于控制过程辨识出输入信号特性，是状态估计理论在实际应用中的一种特殊情况。利用自抗扰控制( ADRC)能够实时估计和补偿系统扰动的能力，将目标运动视为外界扰动，从而辨识出目标运动速度，并将ADRC的滤波特性用于目标运动的状态估计。实验表明，与传感器测量、Kalman滤波方法相比，无需额外的速度传感器件，运动状态估计更为精确、快速。     

吸气式超声速导弹爬升段轨迹在线规划与跟踪设计

为解决吸气式超声速导弹如何最优地爬升到巡航状态的问题,提出了一种吸气式超声速导弹的爬升轨迹在线规划与跟踪控制设计方法。将爬升段弹道分解为2个相切的圆弧,利用数学几何方法,推导了两相切圆的相关参数及代数方程,建立了爬升段的参考轨迹,并通过动虚拟目标追踪法设计了参考轨迹的跟踪制导律,从而实现了基于两圆相切理论的爬升段轨迹在线规划与跟踪控制,最后以典型工况为例,进行了数字仿真验证,并与hp自适应伪谱法的优化结果进行了对比分析。仿真结果表明,参考轨迹与优化结果差别不大,能够准确跟踪参考轨迹,同时算法简单,便于工程实现。研究成果可为吸气式超声速导弹爬升段轨迹设计提供参考。     

机动目标的跟踪滤波处理

目标机动跟踪数据实时处理采用“当前统计模型”,呵及时获得目标运动参数,但根据大量仿真试验,发现效果并不理想。针对该问题,采用改进算法对大机动的目标进行跟踪滤波处理,通过仿真运算,得到了较好的仿真效果。     

中段弹头IMM-EKF跟踪方法及性能分析

为了提高中段弹头跟踪收敛速度以及跟踪精度,提出了一种基于交互多模型(IMM)的扩展卡尔曼滤波(Extended Kalman Filter,EKF)的跟踪算法。基于中段弹头加速度变化特点,建立了目标的中段系统动力学模型及量测模型,通过引入速度测量值,使用IMM-EKF算法对中段目标进行跟踪。仿真结果表明,通过交互多模的非线性滤波算法,可以使中段跟踪收敛速度大为加快,速度测量值的引入也使得跟踪精度有所提高,并在弹头中段与再入段衔接处有较好的跟踪性能; 验证了IMM-EKF跟踪中段弹头的有效性。     

Passive Target Tracking in Non-cooperative Radar System Based on Particle Filtering

We propose a target tracking method based on particle filtering（PF） to solve the nonlinear non-Gaussian targettracking problem in the bistatic radar systems using external radiation sources. Traditional nonlinear state estimation method is extended Kalman filtering （EKF）, which is to do the first level Taylor series extension. It will cause an inaccuracy or even a scatter estimation result on condition that there is either a highly nonlinear target or a large noise square-error. Besides, Kalman filtering is the optimal resolution under a Gaussian noise assumption, and is not suitable to the nonGaussian condition. PF is a sort of statistic filtering based on Monte Carlo simulation that is using some random samples （particles） to simulate the posterior probability density of system random variables. This method can be used in any nonlinear random system. It can be concluded through simulation that PF can achieve higher accuracy than the traditional EKF.