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.     

一种实时的机动目标多模型跟踪算法

提出了一种实时的机动目标多模型跟踪算法。该算法包含两个并行的Kalman滤波器,分别为匀速Kalman滤波器和匀加速Kalman滤波器。定义了“滤波运动模型偏离度”作为模型切换的判据,在线实现了两个Kalman滤波器的自动切换,使总输出结果最大程度的符合实际运动模型。通过可调过程噪声的自适应方法,抑制了滤波发散,避免了在模型切换时误差跳变过大。仿真测试结果表明,该算法跟踪精度高,计算量小,因此适合在自行高炮的目标跟踪中使用。     

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.     

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.     

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。     

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。     

一种基于ARMA新息模型的机动目标跟踪算法

针对一般机动目标跟踪算法的复杂性和计算量大的缺点,提出了一种基于ARMA新息模型的改进稳态Kalman滤波算法.该算法选取极坐标系为跟踪坐标系,将反映径向加速度和机动角加速度的控制输入量引入到目标距离和方位的状态描述模型中,其计算量远远小于一般跟踪算法.仿真试验结果表明该算法满足机动目标跟踪的精度要求,可应用于机动目标的快速跟踪.     

基于UKF的曲线模型自适应跟踪算法

针对传统曲线跟踪模型中的切向加速度不能自适应调节这一缺点,在标准曲线模型的基础上,提出了一种新的自适应跟踪算法。将转弯角速率和切向加速度都看作是目标的状态变量,用不敏卡尔曼滤波算法对扩维后的状态变量进行估计。这种处理方式不仅较好地解决了原来算法中存在的强非线性问题,同时也增强了算法的鲁棒性。理论分析和仿真实验都表明,该算法适应性较强,跟踪精度较高,可以直接应用于工程实践。     

机动目标跟踪中自适应滤波算法的研究

文中对机动目标跟踪中的自适应滤波算法进行了研究,给出了一种适用于雷达导引头跟踪系统的修正的自适应卡尔曼滤波算法,通过全弹系统的数字仿真,对影响该算法滤波性能的各种因素进行了分析讨论.大量仿真结果表明该自适应滤波算法对于机动目标具有良好的跟踪性能和适应能力.     

再入弹道估计中动力学模型和“当前”统计模型的性能比较

飞行器在再入段的弹道可用较为精确的模型描述,利用UKF,分别结合动力学模型和＂当前＂统计模型,对再入弹道（弹道式和机动式）进行了估计,并就其滤波性能进行了对比分析.仿真结果表明,在对弹道式再入飞行器弹道的实时滤波中,BRV-Exp模型要比CS模型更为合适,弹道估计精度得到明显提高;在对机动式再入飞行器弹道的实时滤波中,MRV-Wiener模型并不优于CS模型.     

改进型自适应滤波算法在目标跟踪中的应用

针对标准卡尔曼滤波在滤波数学模型与实际过程的数学规律不匹配,滤波特性较差的情况,提出了一种改进型的自适应卡尔曼滤波方法,并将其应用到目标跟踪中。仿真结果表明,与标准的卡尔曼滤波相比,其跟踪精度有了较大提高。     

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。     

密集回波环境下地面机动目标跟踪的UKF-VSMM-PDA算法

对地面机动目标进行跟踪,除了利用量测信息外,利用地形特征等信息也可提高跟踪性能。但这些非正态信息却可能导致较高的非高斯概率密度,文中将机动和多回波同时考虑,并充分利用了地形特征等信息,提出了UKF—VSMM—PDA算法。对密集回波环境下地面机动目标进行跟踪,仿真结果证明了该算法的优越性能。     

基于比例导引律的机动目标跟踪算法

在反舰导弹做比例导引运动的基础上,将比例导引规律引入状态方程,建立线性时变模型,实现对系统状态的自适应滤波,运用Matlab语言进行仿真计算,分析并得到了在不同的初始航向角、比例导引系数、导弹的初始位置和速度下的导引弹道滤波曲线和弹目相遇时间.仿真结果表明,此方法原理是正确的,计算是可行的.     

基于粒子滤波器的多机动目标跟踪贝叶斯滤波算法研究

提出了一种新的基于粒子滤波器的贝叶斯滤波算法, 用于在非线性非高斯假设下跟踪多机动目标.对目标动态行为的已知描述构成了贝叶斯的先验知识.近来时序蒙特卡罗技术的发展, 特别是粒子滤波器算法, 使采用一个目标状态的集合对贝叶斯模型的后验知识进行建模和跟踪成为可能, 这个集合可以看作是这个后验密度函数的采样集合.这种新的贝叶斯滤波算法是粒子滤波器与划分采样技术和假设计算的有机结合.在与SIR/MCJPDA算法的比较仿真研究中, 证明该算法能够提高系统的跟踪性能.     

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。     

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。     

闪烁噪声下的机动目标跟踪算法研究

标准的粒子滤波能够较好的解决闪烁噪声下机动目标跟踪问题,但在采样过程中有时会出现严重的退化现象。针对这种现象,文中提出了一种改进的粒子滤波算法,在采样过程中退化检测,若粒子退化严重,则重新采样,直到退化在允许范围之内。仿真结果表明,在高斯环境下,标准的粒子滤波和改进的粒子滤波性能相近,都优于不敏卡尔曼滤波,但在闪烁噪声环境下,其性能明显高于不敏卡尔曼滤波和标准的粒子滤波,但耗费时间长。     

VICKF-IMM算法在机动目标跟踪中的应用

针对智能体移动方式复杂,对其进行观测的传感器测量的信息存在噪声以及目标运动轨迹发生突然的改变会导致目标观测失真甚至错误的问题,提出了一种变积容积卡尔曼滤波交互多模型算法（VICKF-IMM）。该算法将容积卡尔曼滤波与交互多模型算法相结合,并对容积卡尔曼滤波（CKF）中球面积分进行变积分转换处理。优化了其积分求解的方式,提高了整体的稳定性。Monte-Carlo仿真分析,与CKF-IMM和UKF-IMM算法相比,该算法的跟踪精度有明显的提高,并在目标运动发生突变时有更高的稳定性。