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。     

基于改进“当前”统计模型的机动目标IMM跟踪算法

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。文中提出了一种基于改进的“当前”统计模型的交互式多模型算法,改进的“当前”统计模型提高了对机动目标的跟踪能力,而常速模型对匀速目标跟踪性能良好,IMM算法通过两种模型的交互作用可以实现对目标状态的自适应估计;同时,该算法结合了模型概率转移自适应技术,实现了对模型转移矩阵的在线估计,降低了人为因素。最后,通过Monte Carlo仿真进一步验证了该算法的有效性。     

基于波形自适应的认知雷达机动目标跟踪算法

从认知雷达的角度出发,综合考虑跟踪模型和波形选择,提出一种能够适应目标运动状态急剧变化的波形自适应机动目标跟踪算法。首先,将匀速运动模型和当前统计模型作为交互式多模型(IMM)的模型集,并结合贝叶斯理论提出一种时变转移概率的自适应IMM算法。然后,结合量测误差椭圆与目标状态预测误差椭圆正交理论,研究了基于基带脉冲波形模糊函数旋转的波形库实现方法并给出了波形自适应选择跟踪算法的具体步骤。仿真实验表明,所提算法能够适应目标不同加速度机动,雷达系统跟踪性能得到了较大幅度提升。     

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.     

自适应转移概率交互式多模型跟踪算法

针对标准的交互式多模型算法（Interacting Multiple Model,IMM）存在模型集设计困难和采用固定转移概率矩阵导致模型切换缓慢、跟踪精度下降的不足,提出一种自适应转移概率IMM算法.首先,提出了一种新的模型集设计方法,将强跟踪修正输入估计（Strong Tracking Modified Input Estimation,STMIE）模型和匀速运动（Constant Velocity,CV）模型作为IMM算法的模型集,利用STMIE算法对高机动目标的跟踪能力以及CV模型对非机动目标跟踪的高精度,实现对目标的全面自适应跟踪.其次,提出一种依据模型似然函数值对Markov转移概率进行实时修正的方法,增强匹配模型的作用,削弱不匹配模型的影响.仿真结果表明,依据模型似然函数修正转移概率的方法使IMM算法的模型切换速度和跟踪精度都得到提高,提出的IMM-STMIECV算法的跟踪精度高于IMM-CVCA、IMM-CVCACT以及IMM-CVCS算法.     

融合机动检测的交互多模型目标跟踪

传统交互多模型算法所采用的基于“软切换”思想的模式概率估计方法 ,大大减少了计算量 ,但同时只能实现对目标的次优跟踪。为了进一步提高跟踪系统的性能 ,文中讨论了一种融合机动检测的IMM跟踪算法 ,通过采用点过程滤波器对机动目标的机动进行实时检测 ,从而获得各模式的当前概率 ,并将其与传统IMM算法相结合 ,实现跟踪系统性能的提高。仿真结果表明 ,该算法具有良好的跟踪性能     

一种三维机动目标跟踪的改进IMM算法

以三维机动目标跟踪为背景,提出一种参数自适应交互式多模型跟踪算法。该算法采用当前量测信息实时地修正马尔可夫转移概率矩阵,有效地降低了人为因素的影响。由于三维CV（匀速运动）和CA（匀加速运动）模型状态变量维数不一致,从而导致使用IMM算法时数据不能直接交互融合。针对这一缺点,对CV模型进行了改进。Matlab仿真表明,使用改进后的CV模型并结合参数自适应IMM算法比使用常规的IMM算法跟踪效果更好,并具有很好的实用性。     

一种新的机动目标跟踪的多模型算法

采用带渐消因子的当前统计模型与匀速运动模型进行交互,设计了一种新的机动目标跟踪的交互式多模型算法。当前统计模型具有对一般机动目标跟踪精度高的特点,通过渐消因子的引入增强了该模型对突发机动的自适应跟踪能力,同时通过与CV模型的交互保证了对非机动目标的跟踪性能。仿真结果表明,在跟踪一般机动目标时,其误差和当前统计模型与CV模型交互的IMM算法相当;在跟踪突发机动目标时,该文算法的误差明显小于当前统计模型与CV交互的IMM算法。     

变维自适应交互式多模型跟踪算法

针对传统的交互式多模型(IMM)算法通常采用相同维数的模型进行滤波,存在较大的模型误差以及当前统计模型(CS)中的参数需要合理设定的问题,提出一种变维自适应交互式多模型(AIMM)跟踪算法。该算法首先利用维数变换,将不同维数的模型转换为统一的维数进行交互滤波,使之适用于一般的机动目标,减少模型跟踪误差;然后通过引入由残差信息定义的调整因子对CS模型中的参数自适应调整,提高模型与实际运动模式的匹配程度;最后将参数调整后的CS模型反馈到变维IMM算法中,来改善跟踪性能。仿真实验表明,与传统变维IMM算法相比,文中所提算法在有效跟踪机动目标的同时,提高了目标的跟踪精度。     

基于运动学参数的高速高机动目标跟踪自适应IMM算法

提出一种基于运动学参数的自适应IMM算法,进行高速高机动目标跟踪.该算法利用交互输出的结果,计算目标的运动学参数,进而实时估算出机动目标的转弯率,利用估计值自适应地使模型与目标实际运动状态匹配.文中还将该算法与其他两种IMM算法进行了比较.蒙特卡罗仿真结果表明,这种算法跟踪目标的稳定性和精确性均优于其他两种算法,有利于高速高机动目标的实时跟踪,具有较好的可实现性.     

用于非线性机动目标跟踪的新型IMM算法

针对在非线性机动目标跟踪中存在的滤波器易发散、机动检测有延迟等问题,把Unscented Kalman Filter(UKF)引进到交互多模型算法(IMM)中,设计了交互多模型UKF滤波器。并利用目标运动模型集概率的相对变化率设计了自适应交互多模型UKF滤波器,最后进行了计算机仿真。蒙特卡罗仿真结果表明,两种滤波算法都具备UKF滤波器精度高、稳定性好、不易发散的优点,同时不需了解目标机动的先验信息,适合于实际应用;并且自适应交互多模型UKF滤波器具有更好的跟踪效果。     

自适应转弯模型的机动目标跟踪算法

给出了一种利用白适应转弯速率模型的IMM跟踪算法，可以用于机动目标的跟踪中。每一步通过交互输出的速度和加速度的估计值来计算转弯速率，它的大小等于加速度和速度的比值。本文中对提出的白适应算法和其他两种IMM算法进行了比较。     

采用多速率多模型交互实现机动目标的全速率跟踪

多速率模型通过对原始测量结果和目标运动模型进行多分辨分解实现目标高精度跟踪.多模型交互方法则采用一个马尔科夫链控制多个模型交互实现机动目标跟踪.本文给出了一种采用多速率多模型交互方式实现机动目标全速率跟踪的方法,它通过交织多次滤波结果使得跟踪能同时保证高精度和全速率.仿真结果及分析说明了该方法较传统的全速率多模型交互算法获得了更好的跟踪效果.     

一种基于H∞滤波的模糊变 结构交互多模型算法

为提高对机动目标的跟踪效果,本文提出了一种基于H_∞滤波的模糊变结构交互多模型算法.该算法采用H_∞滤波器作为模型条件滤波器,通过调节其参数来增强对外界干扰的鲁棒性,提高滤波性能和精确度.同时把交互多模型(IMM)算法的模型概率作为模糊推理系统的输入,利用模糊逻辑推理优化模型概率,实时改变模型数目和参数,减少模型之间竞争,实现变结构功能.实验仿真结果表明,本文提出的算法比标准IMM算法具有更高的跟踪精确度.     

基于地理信息的地面运动目标跟踪方法

为了提高地面运动目标跟踪精度,提出了基于地理信息约束的变结构交互多模(VS-IMM)的目标跟踪算法。通过建立地理信息系统约束地面目标运动状态,并利用目标转弯曲线模型确定滤波器中机动目标的时变运动模型集,采用地理信息约束的变结构交互多模算法可更符合实际进行地面目标机动跟踪。针对机场地面机动目标的仿真结果表明,给出的地理条件约束的目标跟踪算法比现有交互多模算法具有更好的性能。