用于机动目标跟踪的多模型算法进展

对多模型算法的发展过程进行了简单的回顾和评述,通过分析固定结构多模型算法的局限性,得出变结构多模型算法的使用时机。     

跟踪空中机动目标的有向图切换算法

空中机动目标机动能力的增强，使得建立的目标模型与目标的实际运动失配，为了解决这一问题，需要建立大量模型来逼近真实模式，但这使得计算量大幅度增加，而且有时性能不一定能提高，本文提出的有向图向算法根据一定的规则在不同的有向图之间切换，既避免了使用过多的模型造成的不必要竞争，又使使用的模型集合更加逼近真实模式。     

基于ART神经网络的FCM聚类多目标跟踪方法

为解决模糊C均值（FCM）算法依赖类中心的初始化而运行时间过长的问题,提出了一种改进方法：该算法首先利用自组织谐振理论（ART）神经网络算法自动聚类的优点,对数据集进行＂粗聚类＂得到与实际类中心近似的初始类中心及聚类数目,再利用FCM算法对＂粗聚类＂结果进行聚类并得到最终精确的聚类结果。通过实验表明,改进算法结合了两种算法分类的特长,具有比FCM算法更高的聚类效率和更好的聚类质量;同时,算法的跟踪精度及运算速度也得到大大提高。     

对海军现役装备信息化改装的几点思考

在信息时代，信息已经成为战斗力的重要来源。通过信息化改装，大幅度提高武器装备的作战效能，已成为国内外海军装备建设的共识。阐述了如何进行海军现役装备信息化改装，改装的重点及技术途径。     

机动目标跟踪的一种模糊算法

研究了模糊交互多模型算法（FIMM）和基于当前统计模型（CS）的自适应滤波算法,提出了一种基于当前统计模型的模糊交互多模型算法（CSFIMM）。该算法克服了模糊交互多模型算法精度较低和当前统计模型自适应滤波器方差调整有限的缺点。通过仿真,对所提出的算法和交互多模型（IMM）算法以及FIMM算法在估计精度和计算量两个方面进行了比较。     

基于SOFM神经网络的多目标跟踪方法

针对现代作战中同一空域内目标数据的空中态势易呈现团状、聚类跟踪困难程度不断加大等特点，应用具有良好聚类特性的自组织特征映射神经网络（SOFM），通过对各传感器测量的数据融合，进行动态聚类，实现对多目标的实时精确跟踪。仿真试验证明，改进SOFM网络模型对多目标的跟踪较之传统SOFM网络模型具有更好性能。     

机动目标建模技术概述

对当前主要的机动目标模型进行了总结和分析，重点论述了模建的基本思想和假设，同时分析了各模型间的相互联系。     

IMM—PDA滤波器的模型概率加权跟踪门研究

杂波情况下跟踪机动目标的一个重要问题就是跟踪门问题。文中研究了两种现行的跟踪门技术，模型跟踪门和集中跟踪门。提出了新的跟踪门技术，分别为模型概率加权跟踪门和两极模型概率加权跟踪门（TS-MPWG），TS—MPWG考虑了可能的模型误差，且当建立第二个波门时在模型误差变量上用到了上界。仿真里采用了一种高机动目标的基准轨迹，用RMS误差、跟踪丢失百分比和计算量比较了讨论的跟踪门技术的性能。从仿真结果可以看出，在杂波环境下用IMM—PDAF进行机动目标跟踪，TS—MPWG跟踪门技术优于其他方法。     

一种基于CSM的自适应滤波修正算法

提出了一种基于"当前"统计模型的加速度方差自适应修正算法,用以解决原自适应算法中存在的跟踪性能对加速度正、负极值amax和a-max的依赖问题.通过理论分析和Monte Carlo仿真试验,修正后算法在跟踪性能和跟踪范围上都优于原自适应算法.     

一种新的机动目标跟踪中的变结构多模型算法

实践证明变结构多模型(VSMM)算法在机动目标跟踪领域有着广阔的应用前景.文章介绍一种新的VSMM算法--最小子模型集切换算法.该算法从总模型集合中确定出适当的最小模型集合,并使用该最小模型集合完成多模型估计.