概率强近邻在IMM中的应用

目标的幅度信息在数据关联技术中起着很重要的作用,但传统的方法忽视了对这类信息的应用.提出了一种基于概率强近邻的相互作用多模型算法,有效地将幅度信息引入到数据关联中,完成对目标的精确跟踪.通过仿真,将它与传统的相互作用多模型概率数据关联等算法进行比较.仿真结果表明,该算法不仅具有很好的跟踪精度,而且其计算量也大大降低.     

改进的交互式当前统计模型算法

交互式多模型(IMM)算法是一种有效的机动目标跟踪算法,但其性能与模型的选择、个数以及参数有关,而当前统计模型(CSM)是一种模型自适应的方法.因此,利用CSM为IMM提供模型,提出一种改进的交互式当前统计模型算法.仿真结果表明,该算法能有效地提高机动目标跟踪精度.     

基于数据链和光电传感器的融合跟踪

数据链是战争中信息互通、资源共享的生命线,研究了基于数据链和光电传感器的融合跟踪方法。根据数据链和光电传感器数据的不同特点,对数据链数据应用改进的交互式当前统计模型滤波外推算法进行时间配准,并根据光电传感器测量角度信息的非线性应用交互式卷积粒子(IMM-CPF)滤波算法进行融合跟踪。使用IMM-CPF和IMM-EKF算法对融合跟踪进行对比仿真,仿真结果表明,使用IMM-CPF算法的数据链和光电传感器的信息融合对目标的跟踪达到了很好的效果。     

模型转移概率自适应的交互式多模型跟踪算法

该文利用量测中所包含的当前模式信息,实现了马尔可夫转移概率的实时估计,并将估计结果用于交互式多模型跟踪算法(IMM)的设计中,构造出参数自适应的交互多模型跟踪算法(PAIMM),有效降低了人为因素的影响。通过一个跟踪机动目标的仿真实例,说明PAIMM算法的有效性。     

基于自适应GMM杂波估计的改进MHT算法

在传统多假设跟踪(MHT)算法中通常会假设杂波强度先验已知,当观测场景中杂波未知且空变时,该假设将会导致跟踪算法性能急剧下降。针对这一问题,本文提出一种基于自适应高斯混合模型(GMM)在线估计未知杂波的改进MHT算法。首先利用自适应GMM拟合未知杂波空间分布,并自适应地估计出波门内的杂波强度;然后将其应用于MHT处理中,有效改善航迹得分计算和最优假设航迹估计的准确性,进而实现在杂波未知场景中的稳定跟踪。仿真结果表明,在未知杂波观测场景中,所提算法相比传统MHT算法和MHT-GMM算法获得了更好的数据关联准确性和航迹维持性能。     

基于改进自适应IMM算法的高速列车组合定位

针对列车高精度定位问题,该文提出基于改进自适应交互多模型(IMM)的高速列车高精度组合定位方法。首先,根据列车定位需求和各传感器特点,设计了卫星接收器、轮轴测速传感器、测速雷达以及单轴陀螺仪4种传感器的组合定位方案。然后,针对IMM融合滤波算法因先验信息不准导致固定参数设置不当的问题,引入Sage-Husa自适应滤波和转移概率矩阵(TPM)自适应更新集成为自适应IMM算法。针对多模型切换的滞后问题,利用子模型似然函数值能快速反映模型变化趋势的特点,将似然函数值设为判定标志,并引入判定窗对TPM矩阵元素进行修正,有效提升了模型的切换速度。最后,基于改进自适应IMM算法对4种传感器定位信息进行融合滤波,实现高速列车的高精度组合定位。仿真结果表明：改进后的算法相比其他自适应IMM算法提升定位精度1.6%～14.7%,并且能通过提高模型间切换速度来有效降低位置误差峰值,同时具备较好的抗噪性能。     

基于IMMCKF的机动目标跟踪算法

针对非线性机动目标跟踪中滤波器易发散、跟踪精度低等问题,将容积卡尔曼滤波器(CKF)引入到交互式多模型算法(IMM)中,设计了交互式多模型容积卡尔曼滤波算法(IMMCKF)。该算法采用Markov过程描述多个目标模型间的切换,利用CKF滤波器对每个模型进行滤波,将各滤波器状态输出的概率加权融合作为IMMCKF的输出。仿真结果表明,与IMMUKF算法相比,IMMCKF算法跟踪精度更高,模型切换速度更快,计算量更小,该算法具有重要的工程应用价值。     

角度信息辅助的集中式多传感器多假设跟踪算法

对于密集杂波环境中的多目标跟踪,传统集中式多传感器多假设跟踪(CMS-MHT)算法在每一时刻的航迹-量测关联假设数量大大增加,导致数据关联不确定性增大,以至很难由常规航迹得分给出正确关联,表现为高的漏情率以及航迹分裂现象。基于传感器测量误差较小时虚警与目标量测的空间分布特点,针对多个相同类型传感器进行目标跟踪,该文提出一种角度信息辅助的CMS-MHT算法,设计了新的角度信息辅助的航迹得分计算方法,可以降低航迹-量测关联的不确定性,从而得到比传统CMS-MHT更优的关联假设。仿真实验结果表明,在密集杂波环境中,该算法能有效降低漏情率,并有更好的航迹完整性。     

被动跟踪中模糊变结构交互多模型算法

在对机动目标进行被动跟踪时,为了提升跟踪效果,提出了一种基于最小二乘的模糊变结构交互多模型算法.首先,对于被动跟踪中状态与量测之间存在的非线性关系,算法采用最小二乘原理对角度量测进行预处理,降低非线性量测方程的线性化误差.然后,针对交互多模型算法中固定结构的模型集带来的局限性,算法引入模糊推理规则以进行模型集自适应,减...     

三维数据关联情况下外辐射源雷达多目标跟踪研究

不同于传统多目标跟踪,除了量测-目标数据关联模糊问题外,外辐射源雷达跟踪系统新增了量测-发射机数据关联模糊问题。针对此问题,该文通过引入一个新的关联变量来表示量测和发射机之间的数据关联关系,提出了目标-量测-发射机3维数据关联改进概率多假设跟踪(PMHT)算法。该算法利用期望极大化(EM)算法的独立性假设条件得到最大后验概率意义下的最优跟踪。为了增加目标-量测-发射机之间数据关联的准确性,提高多目标与量测后验关联概率的精确度,将量测信息设定为均值相同协方差不同的混合高斯分布。针对距离-多普勒量测的非线性性,利用无味卡尔曼平滑(UKS)算法进行多目标状态估计。仿真结果表明,对于FKIE外辐射源雷达数据集(杂波密度很高),所提算法的目标与航迹关联成功率高,抗杂波性能强,证明了算法的有效性。     

多目标跟踪中基于特征辅助的概率数据关联算法

在传统的多目标跟踪系统中,数据关联仅利用了那些与目标状态向量直接相关的信息。在此提出了一种基于广义概率数据关联(GPDA)的新的关联算法即特征辅助跟踪(FAT)算法。该算法同时利用了目标的特征信息和状态信息进行数据关联,较好地解决了在密集杂波环境下对近目标的跟踪问题。最后以目标的一维距离像信息为例进行仿真,仿真结果表明,所提出的算法使跟踪性能优于传统的概率数据关联。     

自适应混合多模算法在机动目标跟踪中的应用

本文介绍了用于机动目标跟踪的自适应混合多模算法。这个算法不需要预先定义模型。它利用一个二级卡尔曼滤波器来估计目标的加速度。这个加速度被用于混合多模算法中具有不同确定性加速度的子滤波器中。文中给出了自适应混合多模算法的一个计算机模拟结果并与无自适应混合多模算法的结果进行了比较。     

基于核密度杂波估计的改进MHT算法

传统多假设跟踪(Multiple Hypothesis Tracker,MHT)算法假定杂波强度先验已知,在未知杂波的观测场景中,杂波强度误差将导致数据关联的准确性急剧下降.针对这一问题,本文提出一种基于核密度估计(Kernel Density Estimation,KDE)的在线杂波估计MHT算法.首先利用核密度函数...     

多元假设检验GMPHD轨迹跟踪

由于在军事和民事领域逐步广泛的应用,数目不定的多目标跟踪技术正受到越来越多的关注。概率假设密度(PHD)滤波方法,特别是具有闭式递归的高斯混合概率假设密度(GMPHD)技术,在噪声和漏警等影响下仍能形成优越的群目标跟踪性能。然而PHD滤波器并不能实现多目标航迹跟踪,而其与传统数据互联的结合,复杂度高且跟踪效果不尽如人意。在该文中,各目标的航迹信息以假设形式表述,数据互联则是通过使用经典的多元假设检测方法判决假设矩阵实现。其与GMPHD的结合不仅实现了数据互联和轨迹管理,还因为积累时间信息大大降低了杂波干扰的影响。实验结果证明,该算法可以对多个目标所形成的轨迹实施正确跟踪,同时,计算量的大幅度降低带来了跟踪系统可实现性的提高。     

基于最小二乘的多特征概率数据关联EM方法

提出了一种多目标多特征信息的数据关联算法。在强噪声密集杂波环境下,针对传统PDA算法对多目标跟踪时出现精度较差的问题,在跟踪过程中融入目标的特征状态信息,利用期望极大化（EM）算法对目标状态估计的最小二乘（LS）误差函数迭代求最小,将目标运动状态和特征联合的关联概率作为估计参数不断修正,从而获得对目标状态的最优估计。仿真结果表明,该算法能够增强区分目标和杂波的能力,减小相近特征量测所引起的跟踪误导,弱化对检测概率的依赖性,显著并稳定地提高对目标的跟踪精度。      

可适应未分辨量测的改进GRASP-MHT算法

传统的多假设跟踪(Multiple Hypothesis Tracking, MHT)算法通常假设一个目标独立地产生一个量测。但在实际观测场景中,当多个目标之间足够接近时,分辨率有限的传感器只能识别出一个未分辨的量测。这种现象使得数据关联问题更加复杂,跟踪算法性能明显下降。针对这一问题,本文提出了一种可适应未分辨量测的改进随机化贪心-自适应搜索结构MHT(Greedy Randomized Adaptive Search Procedure MHT, GRASP-MHT)算法,推导了关联未分辨量测的航迹假设得分,将未分辨量测的数据关联问题建模成最大权重独立集问题(Maximum Weight Independent Set Problem, MWISP),以适应可能存在未分辨量测的场景。仿真结果表明,改进GRASP-MHT能够处理未分辨量测的数据关联问题,并且保留了GRASP-MHT的大部分优点。      

一种具有自适应关联门的杂波中机动目标跟踪算法

针对杂波环境下的机动目标跟踪,该文提出一种基于自适应关联门的跟踪算法。该算法以传统交互多模型概率数据关联算法为基础,在关联门内无有效量测点迹时,假设目标在前一滤波时刻或是更早时刻以最大机动水平改变原运动模式,利用该假设条件下所获得的目标预测量测及当前真实预测量测,对用于确定关联门的新息协方差进行修正,使得关联门逐步适当扩大,以尽可能地包含目标真实量测点迹。仿真结果表明,自适应关联门跟踪算法能在不影响跟踪精度和算法运算量的情况下,有效降低机动目标的跟踪丢失概率。     

IMM迭代扩展卡尔曼粒子滤波跟踪算法

该文提出了一种交互式多模型(IMM)迭代扩展卡尔曼粒子滤波机动目标跟踪算法。该算法在多模型中使用了改进的粒子滤波器,通过对迭代扩展卡尔曼滤波(IEKF)的测量更新按照高斯牛顿方法进行修正,减小了非线性滤波带来的线性化误差,然后利用修正的IEKF来产生粒子滤波的重要性密度函数,使其融入最新观测信息。最后将所提算法与交互式多模型粒子滤波(IMMPF)进行了比较,仿真结果表明该算法具有更好的跟踪性能。     

针对机动目标跟踪的雷达发射波形选择

该文首先在交互多模型(Interacting Multiple Model, IMM)算法的框架下,选择常速模型和自适应加速度模型作为状态模型,以应对实际中非合作目标的非机动与机动状态,并将此算法称为自适应IMM算法。然后针对机动目标跟踪时,雷达发射波形的选择需要兼顾测距测速性能与多普勒容忍性的问题,提出将V型调频(V-Linear Frequency Modulated, V-LFM)信号作为发射波形。通过分析多脉冲线性调频信号,V-LFM信号和M序列3种信号对目标距离和速度估计性能的克拉美罗下界(Cramer-Rao Lower Bound, CRLB)与多普勒容忍性表明,V-LFM信号可以在较少多普勒容忍性损失的情况下,有效提升对目标距离和速度的估计精度。仿真结果表明：发射多脉冲V-LFM信号并采用自适应IMM算法,可以明显提高雷达系统的跟踪性能。     

基于模型调整的自适应交互多模型算法

针对交互多模型算法的技术特点,利用量测中所包含的当前信息对目标模型集的自适应调整并对调整后的模型概率进行估计,实现了模型集的自适应交互多模型算法。介绍了这种算法的设计步骤和仿真方法。仿真结果表明了该算法比标准IMM算法具有更高精度的跟踪性能。