基于SRCDKF的交互式多模型算法

给出了一种基于平方根中心差分卡尔曼滤波的交互多模型(IMM)算法.该算法较好地解决了非线性条件下机动目标跟踪的问题,可获得比基于扩展卡尔曼滤波(EKF)的IMM算法更好的数值稳定性、计算精度和收敛速度,还避免了复杂的Jacobi矩阵运算.Monte Carlo仿真验证了该算法的可行性和有效性.     

基于“当前”统计模型的IMM目标跟踪算法

机动目标跟踪一直是环境感知领域的研究重点和难点,为了实现对目标物的准确跟踪,研究了将交互多模型(interactingmultiplemodel,IMM)算法应用到无人机对目标的跟踪中。首先,根据目标的真实运动情况建立无人机的运动模型,然后搭建模拟场景,将卡尔曼滤波(kalmanfilter,KF)与IMM相结合的目标跟踪算法应用到无人机的跟踪中,并将该算法与基于"当前"统计模型的单模型目标跟踪算法进行仿真比较。结果表明IMM算法在目标跟踪方面具有较高的应用价值。     

基于交互多模算法在非线性测量方程下的机动目标跟踪

针对非线性测量下的机动目标跟踪问题，本文基于交互多模型算法（IMM），采用去偏转换测量卡尔曼滤波（CMKF－D）的方法，把在极坐标系下得到的测量值转换到直角坐标系中，用统计的方法求出转换测量值的误差均值和方差，将转换测量值去偏后再进行卡尔曼滤波，仿真结果表明，算法提高了基于非线性测量方程的机动目标跟踪性能。     

基于UKF的马尔可夫参数自适应IFIMM算法

给出了一种基于不敏卡尔曼滤波(UKF)的马尔可夫参数自适应的新息滤波器交互式多模型算法,较好地解决了非线性条件下机动目标跟踪的问题,可获得比基于扩展卡尔曼滤波的交互式多模型(IMM)算法和基于UKF的IMM算法更好的稳定性和计算精度,还避免了复杂的Jacobi矩阵运算;该算法结合了马尔可夫参数自适应和新息滤波器技术,实现了马尔可夫转移矩阵的自适应和量测噪声的减小.最后,通过Monte Carlo仿真进一步验证了该方法的正确性和有效性.     

基于IMM-SCKF-STF的机动目标跟踪算法

在处理非线性机动目标跟踪问题时,传统的非线性滤波估计算法跟踪误差大且容易引起滤波发散.针对上述问题,研究将强跟踪平方根容积卡尔曼滤波(SCKF-STF)和交互多模型(IMM)算法相结合,提出一种新型的交互多模型强跟踪平方根容积卡尔曼滤波(IMM-SCKF-STF)跟踪算法.该算法在SCKF基础上引入强跟踪渐消因子,使其不仅拥有应对机动目标状态突变的强跟踪能力,同时还具备交互多模型算法的优良机动目标跟踪性能.因此,新算法在机动目标跟踪方面将获得更高的非线性滤波估计精度,且算法的稳定性和应对状态突变的跟踪鲁棒性能获得显著提高.最后,通过两个仿真例子验证了此算法的有效性与优越性.     

基于 IMM 的改进去偏转换测量目标跟踪算法

针对机动目标跟踪,提出一种基于交互式多模型的改进去偏转换测量卡尔曼滤波算法（IMM－MDCMKF）,该算法在多模型中使用了改进的去偏转换测量卡尔曼滤波算法（MDCMKF）。 MDCMKF 算法先通过引入状态估计值对转换误差协方差进行修正,有效地降低了测量噪声对此协方差的影响,然后将修正的转换误差协方差用于目标跟踪问题中的去偏转换测量卡尔曼滤波算法。最后进行的 Monte Carlo 仿真结果表明,所提算法跟踪精度优于 IMM－EKF算法和 IMM－DCMKF 算法。     

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。     

用期望最大化算法抑制角闪烁的预处理方法

用高斯混合模型作为角闪烁噪声的近似统计模型,结合Kalman滤波器,提出了一种利用期望最大化(EM)算法抑制角闪烁噪声的预处理方法.首先采用EM算法处理一帧内的原始测量数据,预先得到目标真实位置的最大似然估计,这个预估计量服从渐进高斯分布,且其方差可求.然后将这个预估计量作为Kalman滤波器的输入量进行跟踪滤波,同时将目标位置的预测值作为下一帧EM迭代过程的初始值,进而形成闭环的跟踪滤波结构.仿真结果表明,该方法有效地抑制了角闪烁,使得Kalman滤波算法更加有效,从而提高了目标跟踪的精度.     

基于协方差加权的卡尔曼滤波融合跟踪算法

针对卡尔曼滤波融合跟踪对系统模型准确度和先验信息精度要求较高的问题,提出一种基于协方差加权的卡尔曼滤波融合方法,利用最小二乘准则作为误差加权的标准,使误差小的传感器加权因子大。基于此,再利用卡尔曼滤波融合,充分保留有用信息,抑制噪声干扰。在目标跟踪应用中,即使噪声统计信息未知且噪声互相关,利用该方法仍能够获得最小均方误差准则下的最优目标状态跟踪估计。     

机动目标跟踪的HIMM算法研究

交互多模型算法(IMM)的子滤波器都是基于Kalman滤波的,它要求知道精确的噪声统计特性,然而在许多情况下噪声信号的统计特性是未知的,只能得到噪声信号的近似模型,这在一定程度上降低了IMM算法的跟踪精度.基于以上问题,将H∞滤波算法应用于IMM算法的滤波过程.H∞滤波对干扰信号的统计特性不作任何假设,与Kalman滤波相比,H∞滤波器对噪声形式的不确定性不太敏感,鲁棒性好.在跟踪过程中还引入了一种数值稳健的模型概率计算方法,能有效防止计算过程中出现数值溢出现象,提高了算法的可靠性.最后通过仿真实验,证明了算法的有效性.     

非高斯杂波下雷达目标跟踪算法改进研究

针对杂波干扰环境中的非高斯特性,发现海杂波噪声、闪烁噪声等具有显著尖峰的非高斯噪声可以采用α稳定分布来描述,用α稳定分布可以建立更符合实际的噪声模型。根据统计信号处理最新理论和技术,利用p阶分数相关和分数低阶协方差替代传统相关和协方差来改进Kalman滤波器,优化获得改进的基于分数低阶统计量Kalman滤波交互多模型算法(Based FLOS-Kalman-IMM),仿真验证了Based FLOS-Kalman-IMM滤波跟踪新算法可以更好地适应非高斯复杂环境,得到稳健的雷达跟踪效果。     

一种新的基于粒子滤波的多模型跟踪算法

粒子滤波技术通过非参数化的蒙特卡罗模拟方法实现递推贝叶斯滤波,适用于非线性目标运动模型、非线性传感器测量模型和非高斯噪声的目标跟踪。但需已知目标和量测模型,而实际情况往往难以满足此条件。交互多模型算法(IMM)依据各模型对目标前一时刻状态估计的方差,确定各模型在当前时刻状态下存在的概率,利用各模型对目标状态估计的加权和,确定目标的状态。本文采用粒子滤波代替IMM算法中各模型的Kalman滤波,将粒子滤波与IMM的优点相结合。同时,采用UKF(UnscentedKalmanFilter)产生粒子,由于考虑了当前量测,使得粒子的分布更加接近后验概率分布,用较少的粒子就可以逼近目标的真实状态。仿真实验结果表明,本算法可用于标准IMM算法无法实现跟踪的复杂情形,而且使用的粒子数目仅是同类算法的二十分之一。     

基于自适应粒子滤波算法的对海跟踪研究

机载雷达对海面慢速运动目标跟踪时存在非高斯非线性状态估计问题,传统的卡尔曼滤波器跟踪不仅会产生目标定位偏差,而且会造成航迹起伏。文中将自适应粒子滤波算法应用到具有闪烁噪声背景下的海面目标跟踪问题中,此算法可根据预测粒子在状态空间中的分布情况自适应选择粒子数量,从而在保证跟踪精度的同时减少了算法的运算量。仿真结果表明,自适应粒子滤波器可实现对闪烁噪声背景下的慢速目标高精度定位跟踪,且跟踪性能优于标准粒子滤波器,具有工程实用价值。     

基于自适应无迹粒子滤波的目标跟踪算法

为解决复杂场景中目标跟踪问题,提出了一种噪声未知情况下的自适应无迹粒子滤波(A-UPF)算法。算法采用改进的Sage-Husa估计器对系统未知噪声的统计特性进行实时估计和修正,并与无迹Kalman粒子滤波器相结合产生优选的建议分布函数,降低系统估计误差的同时有效提升了系统的抗噪声能力。实验结果表明,本文方法对于复杂条件下的目标跟踪问题具有较高的精度和较强的鲁棒性。     

基于高斯-艾肯特滤波的机动目标跟踪算法

针对交互式多模型(IMM)算法切换滤波模型缓慢、跟踪精度低甚至发散的问题,提出了在机动目标跟踪中使用的高斯-艾肯特滤波算法。首先,该算法确定观测模型和滤波模型集,分别构造量测方程组和滤波方程组,形成总体观测矩阵;然后,针对跟踪目标的非合作机动,提出使用卡方检验来检验滤波效果,并通过滤波控制算法实时调整滤波内存长度,使用高斯-艾肯特滤波对机动目标跟踪具有很强的灵活性,实现自适应跟踪;最后,在目标跟踪仿真中与三种改进模型集的卡尔曼滤波IMM算法进行对比验证,对两类算法进行了复杂度分析。仿真结果证明了高斯-艾肯特滤波算法的有效性,在无先验信息条件下拥有更高的跟踪精度。     

基于角闪烁抑制的高分辨雷达角跟踪技术

针对高分辨导引头雷达在近距离跟踪目标时出现角闪烁问题,采用基于角闪烁抑制的高分辨测角算法。对回波信号进行一维成像处理,以距离像幅度作为单脉冲测角幅度,利用单脉冲测角方法得到目标在各个距离单元内的角度信息,通过加权平均处理,得到目标几何中心空间角度。仿真结果表明,该方法可以抑制角闪烁偏差,提高导引头角跟踪精度。     

ECEF坐标系弹道导弹跟踪研究

针对单模型跟踪算法无法实现对弹道导弹连续精确跟踪的问题,提出了一种地心地固坐标系下弹道导弹全阶段连续跟踪的交互式多模型(IMM)算法。根据导弹不同飞行阶段的受力情况建立IMM算法的两个滤波模型集:助推段采用恒轴向力模型,中段、再入段采用被动段跟踪模型,两个模型都利用滤波精度高、数值稳定性较好的求容积卡尔曼滤波算法进行滤波。针对该IMM算法在混合估计过程中引入偏差的问题,采用无偏混合的方法,以两种典型的跟踪场景进行仿真校验,实验结果验证了该文算法的优越性。     

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。     

雷达/红外复合导引头信息融合算法

毫米波雷达/ 红外成像复合制导已成为当前多模复合制导技术的研究热点。从毫米波雷达/ 红外成像复合导引头系统的特点及其工程应用出发,建立了一种基于联邦滤波(FF)的分布式雷达/ 红外复合导引头信息融合算法。首先,针对扩展卡尔曼滤波存在线性化误差以及雷达测量噪声非高斯的特点,采用粒子滤波算法(PF)设计雷达子滤波器;针对红外传感器不能测量目标距离的特点,采用伪线性卡尔曼滤波算法(PLKF)设计红外子滤波器。然后通过主滤波器进行信息融合,并对两个子滤波器进行信息分配和重置。仿真结果表明,该信息融合算法能够有效地提高雷达/红外复合导引头系统的目标跟踪精度及系统的稳定性。