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。     

混合坐标系下跟踪自由段弹道导弹的IMM-UPF算法研究

为了提高对自由段弹道导弹的跟踪精度,在混合坐标系下构建了自由段弹道导弹不做机动时更为准确的系统动力学模型。为提高对自由段弹道导弹目标机动时的适应能力,结合Singer和当前统计模型给出了自由段弹道导弹机动时的系统动力学模型,利用交互多模型(IMM)实现了对导弹的跟踪。在对探测数据的处理过程中,为了避免探测数据中闪烁噪声的影响,提出了IMM-UPF算法,并分别与EKF、UKF、UPF等算法做了对比分析。仿真结果表明,IMM-UPF算法对存在机动的自由段弹道目标以及雷达闪烁噪声具有良好的适应性,较EKF、UKF、UPF能够获得较高的跟踪精度。     

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。     

用于RAM目标跟踪数据滤波的模型参数自适应CMUKF算法

C-RAM系统对RAM目标跟踪数据滤波算法有精度高、收敛快的要求。弹道系数未知造成模型不准确会导致传统滤波方法难以满足要求,针对不能准确辨识弹道系数的情况,提出了一种模型参数自适应的RAM目标跟踪数据滤波方法。该方法使用量测转换无迹卡尔曼滤波算法(CMUKF)对系统状态进行估计,在无迹卡尔曼滤波(UKF)的框架下使用最小二乘递推辨识算法(RLS)在线辨识弹道系数,形成了模型参数自适应,并对辨识出的弹道系数进行二次滤波,提高了弹道系数的辨识精度。将本文算法与传统C-RAM中的跟踪数据滤波算法比较,仿真结果表明该算法提高了估计精度,且具有良好的鲁棒性和较少的执行时间。     

一种用于仅有位置观测信息的机动目标跟踪滤波算法

在机动目标跟踪研究领域,"当前"统计模型自适应跟踪算法(ATS)在仅有位置观测信息的机动目标跟踪中具有一定应用价值。针对ATS算法中目标最大机动加速度为预设的常值,存在不能很好的适应各种机动情况的问题,对目标最大机动加速度进行实时自适应调整优化设计,使目标最大机动加速度以指数形式实时逼近加速度估值均值。改进后的滤波算法保持了原算法机动加速度的分布特性,提高了目标的跟踪精度。     

时变噪声统计估计的自适应UKF目标跟踪算法

针对目标跟踪中非线性滤波精度下降甚至发散的问题,提出了一种时变噪声统计估计的自适应无迹卡尔曼滤波(Unscented Kalman Filtering,UKF)算法.首先将系统模型和滤波算法修正为适于噪声非零均值时的情况,然后根据极大后验估计原理,推导出一种次优的时变噪声统计估计器,其系数通过指数加权的衰减因子计算得到,最后与传统UKF算法结合形成自适应的滤波算法.仿真结果表明,该算法保证了滤波收敛性,能够对目标进行有效跟踪,而且滤波精度显著提高.     

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。     

基于在线修正弹道模板的主动段弹道跟踪方法

为了提高在线跟踪主动段弹道导弹的精度,提出了基于在线修正的弹道模板方法,详细构建了空气动力、推力、重力、科氏力、牵连惯性力等的动力学模型,结合不敏卡尔曼滤波和粒子滤波算法,对弹道模板参数进行在线校正及对导弹目标进行实时跟踪。在仿真过程中,基于加加速度模型和当前统计模型构建了交互多模型算法,并将该算法结合不敏卡尔曼滤波和粒子滤波算法与在线修正的弹道模板方法进行比较分析。仿真结果表明,该方法能够对弹道模板参数进行准确估计并能获得比交互多模型算法更高的跟踪精度。     

闪烁噪声下目标跟踪的改进粒子滤波算法

针对目标跟踪系统具有强非线性非高斯的特点,提出了一种强跟踪粒子滤波(STUPF)算法.该算法将无迹卡尔曼滤波器(UKF)与强跟踪滤波器(STF)相结合作为粒子滤波提议分布,具有在线调节滤波增益阵,提高滤波器跟踪突变状态的能力.在给出闪烁噪声统计模型的基础上,将STUPF应用在几种典型目标运动模型跟踪系统中,并同UKF和...     

一种基于弹道模型的机动目标跟踪算法

针对当前目标跟踪算法中跟踪模型与现代反舰导弹实际运动不匹配而影响跟踪精度的问题,根据反舰导弹的弹道特点,通过分析导弹受力情况和运动状态的关系,提出了一种基于弹道模型的机动目标跟踪算法,并针对高速跃升俯冲运动,分别与基于CV、CA模型的目标跟踪算法作了性能比较.仿真结果表明,该算法在原理上是正确可行的,可显著提高对高速强机动目标的跟踪性能.     

闪烁噪声环境下目标跟踪的UPF算法研究

介绍了一种改进的粒子滤波（PF）算法——无味粒子滤波算法（UPF）。该算法结合UKF（unscented Kalman filter）和PF算法,利用UKF对非线性系统的处理能力,用UKF得到粒子滤波的重要性采样密度函数,从而克服了PF没有考虑最新量测信息和UKF只能应用于噪声为高斯分布的不足。在给出的闪烁噪声统计模型基础上．将UPF、PF算法在雷达目标跟踪中进行了比较,仿真结果表明该方法可以取得比标准的粒子滤波更快的滤波收敛性和更高的滤波精度。     

两种卡尔曼滤波模型在修正弹弹道数据处理中的应用比较

为了准确实时估算修正弹的无控弹道,实现简易弹道修正,进一步提高弹箭的密集度,分别应用"当前"动态运动线性模型卡尔曼滤波和非线性质点弹道模型的扩展卡尔曼滤波,对GPS测量的修正弹飞行弹道空间位置参数进行滤波算法的实现与比较.算例仿真结果表明,采用质点弹道模型的滤波估计精度和收敛速度优于"当前"动态运动模型,但对系统模型参数的精度要求较高,对模型参数和过程参数变化的适应性不如"当前"动态运动模型.     

UKF滤波算法在弹箭落点估计中的应用

依据部分弹道的弹道轨迹测量数据,准确预报弹道落点,是弹道修正弹药智能化的关键技术.综合考虑滤波精度和算法复杂度,文中采用质点弹道模型和无迹卡尔曼滤波(unscented Kalman filter)方法,建立了弹道滤波模型和外推弹道模型.通过对雷达测量数据的处理结果表明,UKF弹道滤波模型和质点外推模型有较高的精度.     

被动声探测系统机动当前模型的卡尔曼滤波跟踪算法研究

采用机动“当前”模型对被动声探测目标进行了建模，并提出了采用Kalman滤波算法作为目标跟踪的主要算法，给出了仿真算法的详细设计流程。从仿真分析可以看出，采用机动当前模型的Kalman滤波算法可以有效地满足声探测系统的跟踪要求。     

弹道导弹再入段跟踪制导算法研究

首先针对弹道导弹再入大气层后的弹道轨迹进行仿真建模。为解决当前目标跟踪算法中机动模型与再入类目标实际运动不匹配的问题,采用了基于弹道模型的目标跟踪算法。获得滤波结果中来袭导弹目标的每一时刻位置及速度信息后,利用比例导引制导方法,可以实现对来袭目标和拦截弹理想弹道轨迹的三维数据仿真。仿真结果表明,算法可以对导弹目标进行稳定的跟踪,对拦截弹进行精确的制导。     

目标跟踪中两种非线性滤波算法的对比研究

在处理目标跟踪等动态系统实时估计问题中,通常采用EKF作为状态估计方法提高估计精度.由于EKF进行非线性估计存在一些缺陷,将系统进行线性化近似存在估计误差,从而影响目标跟踪的精度.为了获得更高的估计精度,介绍了两种新的非线性滤波算法,即unscented卡尔曼滤波算法和粒子滤波算法.分析了UKF和PF算法的原理和算法实现,对两种算法的适应性进行了比较.通过目标跟踪仿真实验,表明粒子滤波算法估计精度比UKF算法高,但是计算量却相对较大.     

状态信息和轨道信息下的非合作目标精密跟踪技术

针对随机脉冲推力控制下的空间机动目标跟踪问题,提出一种基于状态信息和轨道信息的实时跟踪算法。该算法通过基于机动推力a-β动力学模型和改进当前统计模型的并行计算滤波器,完成空间非合作目标高精度实时跟踪。同时,利用直观的轨道信息,完成机动检测,采取重置滤波参数的方式获得更快的收敛速度和稳健性。仿真实验表明该算法可有效检测机动,实现了对非合作目标机动目标的轨道确定,具有一定的工程实用性。     

基于UKF-IMM的方位-到达时间空-海机动目标的跟踪

探讨了机动目标无源跟踪(PMTT)中基本的非线性估计问题,介绍了无味卡尔曼滤波(UKF)算法的设计思想与具体实现,用UKF代替原交互多模(IMM)中的扩展卡尔曼滤波(EKF)得到UKF-IMM估计算法,特别针对空-海单站只测方位-到达时间PMTT问题分别应用UKF-IMM和EKF-IMM进行了对照研究,建立了问题的离散非线性滤波估计模型,设计了典型的应用场景,给出了Monte Carlo仿真结果;表明UKF-IMM滤波算法具有更高的估计精度和收敛特性,滤波的一致性较好,更加适合解决非线性较为严重的PMTT问题.     

基于模糊控制交互式多模型粒子滤波的静电机动目标跟踪

针对交互式多模型粒子滤波算法（IMMPF）的精度不高,算法更新时间长,难以满足静电机动目标跟踪要求的问题,提出了一种新的基于模糊控制的交互式多模型粒子滤波算法（FIMMPF）。该算法先利用模糊控制方法实现实时调整交互式多模型算法中的转换概率矩阵,使与目标当前运动状态最接近的运动模型在混合产生这一采样时刻的初始状态向量里占有更大的比重。同时,为了提高基本粒子滤波算法的精度,减小算法更新时间,再利用中心差分扩展卡尔曼滤波算法产生基本粒子滤波的建议分布函数,实现对目标运动状态的更新。理论分析和仿真结果表明,所提出的算法能够以更高的定位精度,更小的计算量实现对静电机动目标的跟踪。     

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。