基于GUMPHDF的雷达组网跟踪时变数目标

为解决在雷达组网中高斯混合概率假设密度滤波(Gaussian mixture probability hypothesis density filter,GMPHDF)难以跟踪非线性系统目标的问题,构建一种高斯无迹混合概率假设密度滤波(Gaussian unscented mixture probability hypothesis density filter,GUMPHDF)方法.将新生、衍生和继续存在目标的高斯元素分别用无迹滤波(unscented filter,UF)进行预测与更新,得到各目标的高斯无迹混合元素,再进入裁剪合并与状态提取程序.仿真结果表明:将该方法应用于炮兵雷达组网跟踪强杂波环境下,能跟踪到探测区域所有目标,精度较高,符合工程实践要求.     

基于二阶中心差分滤波的高斯混合粒子PHD多目标跟踪算法

针对杂波环境下高斯混合粒子PHD面临的跟踪精度低、滤波发散等问题,提出基于二阶中心差分滤波的高斯混合粒子PHD算法。该算法在传统的高斯混合粒子PHD滤波的基础上,采取二阶中心差分滤波方法来得到最优的重要性密度函数,充分利用了量测信息对采样粒子进行更新,使得粒子分布更加接近目标真实的后验分布,然后对PHD进行更新。仿真结果表明,该算法能在杂波环境下有效地跟踪多个目标,与高斯混合粒子PHD算法相比,状态估计更加接近真实值,大大提高了跟踪精度和系统稳定性。     

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.     

存在非高斯重尾分布噪声的纯方位目标跟踪算法

纯方位目标跟踪是目标跟踪研究中的热点问题,针对目标跟踪方程中的非高斯重尾分布噪声问题,提出了一种针对非高斯重尾分布噪声的卡尔曼滤波算法。该方法通过建立基于存在异常值的高斯分布的层次高斯模型来近似未知的非高斯重尾分布系统过程噪声和测量噪声,并使用变分贝叶斯推断来学习混合概率,解决混合概率不确定带来的滤波性能下降的问题,从而提高滤波的鲁棒性。同时针对纯方位目标跟踪模型的非线性,结合修正增益卡尔曼滤波来降低量测方程非线性的影响。数值仿真结果表明,相对于EKF、UKF和变分贝叶斯卡尔曼滤波PEKF-VB、VBEKF,新算法VBMGEKF估计精度分别提高了69.31%、58.08%、127.84%和9.36%,具备更好的鲁棒性与精度。     

后向预测高斯混合概率假设密度滤波算法

针对单步延迟无序量测条件下多目标跟踪中,概率假设密度滤波对目标数量与状态估计误差偏大问题,提出了后向预测高斯混合概率假设密度滤波算法(BP-GMPHD)。该算法在后向预测框架内,以高斯混合概率假设密度滤波器为基础滤波算法,计算各高斯分量的回溯状态并进行再更新,经剪枝与合并等步骤获得最终的目标数量与状态估计。仿真验证表明,该算法在无序量测条件下保持了良好的滤波性能,能够准确估计多目标数目和状态。     

基于箱粒子滤波的鲁棒标签多伯努利跟踪算法

针对在未知杂波和检测概率的跟踪环境中标准的标签多伯努利（LMB）算法跟踪精度较低、粒子覆盖集过大致使复杂度较高的问题,引入区间分析技术,提出基于箱粒子滤波的鲁棒LMB跟踪算法。建立目标增广空间模型,基于箱粒子滤波方法,推导出有杂波状态标签和LMB元素标签的预测、更新方程,并用多目标箱粒子LMB滤波递推估计目标状态。仿真结果表明,当杂波和检测概率先验未知,与现有非标签、非鲁棒算法相比,所提算法可实现在低检测概率和高杂波强度环境下对目标的稳定跟踪,同时大幅度提高算法的运行效率。     

未知杂波状态下基于箱粒子滤波的PHD算法

针对未知杂波环境中,传统的多目标概率假设密度(PHD)滤波器跟踪精度无法保证,所需粒子支撑集过大导致效率低下的问题,引入了区间分析技术,提出了未知杂波状态下基于箱粒子滤波的PHD算法。该算法首先完成对雷达目标和杂波的混合空间随机有限集模型的构建,然后基于箱粒子滤波技术,利用量测数据建立未知杂波模型,推导出目标状态更新方程,并用多目标箱粒子PHD滤波递推地估计目标状态。仿真实验表明,当杂波环境与先验模型不匹配时,相较于多目标粒子滤波算法,该算法在保证目标跟踪性能的同时,有效减少了算法的计算时间。     

非平稳非高斯测量噪声条件下改进差分粒子滤波算法研究

针对非平稳非高斯测量噪声(NSNGN)条件下差分粒子滤波(DDPF)算法状态估计精度低、易发散的问题,提出了一种改进DDPF(IDDPF)算法. IDDPF算法采用高斯混合密度函数近似估计测量噪声,替代传统算法中测量噪声的高斯密度函数近似估计,采用似然函数的对数最大化法求解高斯混合密度函数模型参数,并将该模型应用于粒子权值计算,避免了高斯密度函数近似估计噪声模型所易于导致的粒子退化问题;通过建立水下目标纯方位角跟踪系统模型,将IDDPF算法应用于闪烁测量噪声条件下水下目标纯方位角跟踪问题的求解。50次Monte Carlo对比仿真实验结果表明：在NSNGN条件下IDDPF算法具有跟踪响应快、估计精度高、鲁棒性较好等优点。     

基于粒子滤波的非线性目标跟踪算法研究

针对非线性非高斯的目标跟踪,传统的卡尔曼滤波和扩展卡尔曼滤波等算法将会出现滤波精度下降甚至发散的现象,提出了采用粒子滤波算法来解决非线性滤波问题;粒子滤波方法作为一种基于贝叶斯估计的非线性滤波算法,在处理非高斯非线性时变系统的参数估计和状态滤波问题方面有独到的优势,但是存在运算量大和实时性差的问题,因此提出了基于EKF的扩展粒子滤波;仿真结果表明：在强非线性非高斯环境下,PF算法的跟踪性能优于EKF算法,基于EKF的扩展粒子滤波能够取得较好的跟踪精度,并且能够有效的减少粒子滤波的运算量。     

基于序贯蒙特卡洛与概率假设密度滤波的主动分布式声纳多目标跟踪

针对杂波数量多、目标数量和状态不确实性及观测不确实性等问题,提出了一种基于序贯蒙特卡洛与概率假设密度(SMC-PHD)滤波的分布式声纳多目标自动跟踪方法。通过随机有限集模型对多目标状态和观察进行表征,结合序贯蒙特卡洛方法中的重要性采样和重采样策略递归地实现多目标后验近似下概率假设密度的传递和滤波。利用分布式声纳观测模拟数据,对不同节点数目下基于SMC-PHD滤波的多目标跟踪进行了仿真实验。仿真实验结果表明：该方法适用于主动分布式声纳系统,能在多杂波环境下对数目未知且时变的多目标进行实时自动跟踪;在4个平台节点的主动分布式声纳系统中,实现了平均相对误差小于5%的水下多目标高精度跟踪,且目标数目估计值与真实值一致。     

多目标跟踪的高斯混合概率假设密度滤波算法

在多目标跟踪中,在观测数据存在关联的不确定、检测的不确定、噪声和虚警情形下,同时估计出随时间变化的目标数及目标状态,高斯混合概率假设密度(GMPHD)提供了一种有效的方法.PHD滤波不存在解析解,而GMPHD滤波提供了PHD递推的解析解.仿真结果表明,GMPHD滤波能稳健的跟踪目标数未知或时间变化时的目标状态和目标数.     

基于概率假设密度滤波与无迹Kalman滤波的多目标跟踪与识别

为提高导引头末制导阶段抗干扰能力,针对典型的欺骗式距离-速度联合拖引干扰模型,研究了基于概率假设密度（PHD）滤波的多目标跟踪与基于无迹Kalman滤波（UKF）的多目标识别技术。为说明导引头目标识别原理,给出了距离-速度联合拖引干扰模型;根据导引头测量原理,通过导引头框架角、导弹-目标相对距离、径向速度建立系统跟踪模型,给出了基于PHD滤波的多目标跟踪与基于UKF的多目标识别的基本原理;基于典型的目标运动模型（匀速直线与匀速转弯模型）,针对目标施加的4次距离-速度联合拖引干扰,采用目标跟踪结果以及估计的目标速度和加速度信息进行多目标跟踪与识别分析,能够很快实现真假目标识别。仿真实验结果表明,利用PHD滤波与UKF信息能够有效实现对距离-速度拖引干扰下的多目标跟踪与识别。     

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.     

基于序贯算法的无偏最小二乘估计纯方位目标跟踪

测量方程的非线性是纯方位角跟踪研究的难点。为了解决传统伪线性估计结果存在严重有偏性这一问题,提出了一种基于伪线性估计的无偏估计方法,即在伪线性方程中利用约束最小二乘估计,它不需要对初始值进行假设,且收敛效果良好。采用序贯滤波方法对估计量作批处理滤波以减少运算量,提高了运算效率。仿真结果表明,利用该方法得到的估计量在高斯噪声下能很好地逼近理想状态,且收敛速度较快,比扩展卡尔曼滤波具有更好的跟踪精度及收敛速度,在目标高速运动时仍能保持较好的跟踪效果。     

基于视频的装甲车和飞机检测跟踪及轨迹预测算法

针对当前视频目标跟踪算法跟踪多目标容易跟丢的问题,以视频中的装甲车、飞机为研究对象,研究一种改进跟踪学习检测（TLD）的视频多目标检测跟踪算法。对于跟丢的目标,利用Kalman滤波算法的预测功能跟踪视频中典型目标的轨迹,并采用Kalman滤波算法跟踪的轨迹来弥补TLD算法丢失的部分,从而获得视频中典型目标的完整轨迹,以提高视频多目标跟踪的准确率。由于现有轨迹预测算法存在准确性较差的局限性,提出一种基于社交长短时记忆（Social-LSTM）网络的视频典型目标轨迹预测算法,将上下文环境信息和多个目标轨迹之间的相互影响关系融入Social-LSTM网络,预测待检测典型目标的轨迹序列。仿真实验结果表明,所提轨迹预测算法优于传统的LSTM算法、隐马尔可夫模型算法以及混合高斯模型算法,有利于提高视频典型目标轨迹预测的准确率。     

重频捷变对雷达导引头检测性能的影响

分析了重频捷变电路对雷达导引头在杂波环境下目标检测性能的影响,提出了一种在时域设计滤波器引入杂波相关特性并动态更新滤波器的仿真方法。仿真结果表明:在重频捷变模式下,杂波幅度分布概率密度曲线变得尖锐,杂波相关性减弱。得出的结论:重频捷变可以提高导引头的目标检测性能。