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。     

一种地面目标跟踪算法的设计与实现

对地面机动目标的跟踪问题是目标跟踪领域的难点,多传感器数据融合技术以及变结构交互多模型算法是解决地面目标跟踪问题的有效途径。针对目标运动特点,将地面目标运动特性和运动状态作为先验信息,设计了一种地面目标跟踪算法,给出了算法的详细步骤,算法主要采用了加权观测融合卡尔曼滤波器及采用模型组切换方法的变结构多模型算法实现。仿真及误差分析结果表明,该算法优于传统交互多模型算法。为地面目标跟踪算法的设计提供了参考。     

网络化弹药系统中基于IMM算法的轨迹跟踪

网络化弹药系统是一种基于先进的无线传感器网络技术与现代智能弹药概念提出的一种弹药系统。为了实现网络化弹药系统中目标跟踪的任务,文中研究了将交互式多模型(interacting multiple model,IMM)滤波算法应用于网络化弹药系统实现对目标的轨迹跟踪,分别建立匀速拐弯运动以及匀速运动模型,目标在不同时刻遵循不同运动模型,利用IMM算法对探测到的目标进行跟踪建模,通过仿真分析,IMM算法跟踪效果良好,精度远高于最小二乘法。     

单机动目标跟踪精度分析

文中通过对两种经典跟踪模型的对比分析，讨论了模型和算法对跟踪精度的影响。另外对机动目标加速度协方差对跟踪精度的影响进行讨论。最后，对一种新的自适应滤波算法进行介绍。     

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。     

一种提高雷达导引头对机动目标跟踪性能的自适应滤波算法

为了提高地空拦截弹雷达导引头对机动目标状态估计的精度,在增加系统观测量的基础上,提出了一种针对机动目标跟踪的自适应滤波算法。利用量测残差统计值估计目标的机动状态,自适应的调整状态方程机动频率和加速度极限值;同时利用观测噪声统计估值器,调整观测值方差大小。仿真试验结果表明该算法具有良好的机动目标跟踪性能,并能自适应变化较大的观测噪声。     

基于改进截断正态概率模型的机动目标跟踪算法

机动目标模型是水下目标跟踪的关键,在分析截断正态概率密度模型的基础上,利用前2个时刻的观测值与状态估计偏差,对该模型机动加速度与其方差的自适应关系重新进行修正,给出了一种基于改进截断正态概率密度模型的机动目标跟踪算法.该算法避免了加速度极限值的预先设定问题,从而提高了对机动目标状态估计的精度.仿真结果表明,该算法在跟踪水下机动目标时具有良好的跟踪性能.     

基于水下运动平台的磁性目标跟踪与特征反演

传统的磁梯度张量定位方法大多基于单磁偶极子模型,对具有一定尺度的目标存在定位精度不足的问题,而且易受环境噪声以及测量精度的影响,尤其是在偶极子特征平面上,微小的扰动或者观测精度不足就会导致定位结果发生较大的偏差。针对上述问题,基于多个偶极子的组合模型,结合具有鲁棒性的无迹卡尔曼滤波算法,提出一种针对尺度磁性目标的磁梯度跟踪方法。该方法能够有效提高磁性尺度目标的定位精度,特别当出现异常观测时仍然可以准确定位目标。以水雷或者水下未爆弹等目标的识别为例,根据鲁棒无迹卡尔曼算法得到的偶极子分布状态,结合主成分分析算法的数学含义,设计了一种可以准确反演目标的主尺度特征以及结构特征的目标尺度反演算法。该算法可识别目标主尺度为线结构或者面结构,对目标主尺度反演误差小于0.3 m,对目标主尺度方向的反演误差小于2°,可为目标种类判别提供参考。     

基于主/被动雷达双传感器的自适应跟踪融合算法

在主、被动雷达双传感器目标跟踪背景下，提出一种自适应数据融合算法。跟踪同一个目标的主、被动雷达观测数据由线性卡尔曼滤波器来处理，与主／被动雷达对应的两个跟踪器的输出数据被发送到一个中央节点，在这个节点中，包含了两个由在线跟踪信息构成的指标变量．将这些指标与设定的阈值进行对比．即通过二者的逻辑判断结果来选择用于得到整体评估的方法，其中对周值的选择决定了融合算法融合精度与计算量的平衡点。仿真结果表明，这种融合算法有很好的融合效果。     

雷达／红外数据融合的机动目标跟踪算法综述

雷达与红外数据融合能够实现信息互补,提高目标跟踪精度、识别能力以及增强系统的抗干扰性,因此受到广泛关注。针对雷达和红外数据融合跟踪机动目标的体系结构,基于近几年国内外的研究,对整个体系中的算法进行了综述。     

一种改进的变结构多模机动目标跟踪算法

变结构多模算法是最有效的机动目标跟踪滤波算法,其核心是模型集自适应策略。目前已提出的模型集自适应策略中,期望模式修正算法是跟踪精度较高。使用较广泛的算法,但该算法的计算负担大;可能模型集算法实现简单,但跟踪精度不及期望模式修正算法高。文中提出了可能模型一期望模式修正算法。精度较两算法都有提高,计算复杂度显著低于期望模式修正算法,与可能模型集算法相当。     

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。     

基于曲线运动方程的传感器网络目标跟踪算法

针对传感器网络目标跟踪应用的精度、计算复杂度和能耗等性能需求,提出了一种基于曲线运动方程的目标位置预测与更新算法.算法通过三个历史时刻的点迹数据建立目标的运动方程,进而预测目标下一时刻的位置,并用该预测结果对节点的测量数据进行更新,以提高目标跟踪精度.仿真结果表明,算法具有较好的跟踪精度和能量效率.     

密集杂波环境下数据融合估计算法评估

由于观测量获取的不确定性,使得密集杂波环境下的多传感器机动目标跟踪变得复杂,解决这个问题的关键在于跟踪门限和数据联合与融合算法的选取。文中在分析最邻近卡尔曼滤波(NNKF)和概率数据联合滤波(PDAF)两种融合算法的基础上,对其在密集杂波环境下的跟踪误差和算法实时性效果采用当前统计模型进行评估,仿真结果表明PDAF算法跟踪性能明显优于NNKF算法。     

基于“当前”模型的UKF滤波算法在目标跟踪与实时弹道估计中的应用

针对靶场机动目标跟踪与实时弹道估算的实际,介绍了基于“当前”模型的UKF滤波方法。将“当前”模型和UKF滤波用于机动目标跟踪与实时弹道估算,建立了具有较好自适应特性及较高滤波精度的系统模型与算法。经对多发任务实测数据的试算表明：该算法具有较好的稳健性和较高的滤波精度,在靶场的实时显控、设备跟踪引导等方面具有良好的应用前景。     

基于线谱瞬时频率估计的被动声纳目标运动分析

针对被动声纳探测目标,提出了一种基于线谱瞬时频率估计的目标定位跟踪算法。该算法通过利用声纳探测目标的跟踪波束信息,建立高精度瞬时频率跟踪提取与多特征联合的目标定位跟踪模型,完成对目标高精度多普勒频移信息的实时提取。基于多特征观测方程,实现了对目标的定位与跟踪。仿真实验和海上试验结果表明：该算法可在观测平台不机动情况下,完成对目标的快速定位与跟踪;在相同平台机动条件下,相比传统纯方位算法,该算法的要素解算性能更加稳定,解算收敛时间缩短约4 min,进一步增强了工程适用性。     

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.     

一种新的红外激光联合跟踪滤波算法

红外跟踪与激光测距的联合跟踪系统在实际工程中得到越来越多的应用,但两类传感器采样不同步是比较常见的,从而带来了一些新问题.激光测距机的采样频率远远低于红外测角的采样频率,并非每个采样时刻都可以得到测距信息,因此,目标跟踪存在可观测性问题.提出了一种新的红外激光联合跟踪算法,即先对测角数据进行基于变长有限记忆最小二乘的预估计,然后将预估计后的测角结果与激光测距信息一起代人转换测量Kalman滤波方程中进行滤波.由于该算法有效的利用了全部测角信息,因此有利于改善跟踪估计性能.仿真实验表明,该算法具有较高的跟踪精度,且计算量较小.     

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。     

基于ML-PDA算法的低可见目标跟踪研究

针对利用传统算法难以跟踪低空目标的问题,提出了一种可行的跟踪低空目标的最大似然-概率数据关联(ML-PDA)算法。在分析各种低空目标特性的基础上,首先建立了基于ML-PDA滤波算法的低空目标跟踪模型,然后对该模型进行了深入分析,最后通过计算机仿真对该模型进行了验证。结果表明:ML-PDA滤波算法对低空目标跟踪十分有效,并且提高了滤波实时性,具有较好的工程应用前景。