基于IMMCKF的机动目标跟踪算法

针对非线性机动目标跟踪中滤波器易发散、跟踪精度低等问题,将容积卡尔曼滤波器(CKF)引入到交互式多模型算法(IMM)中,设计了交互式多模型容积卡尔曼滤波算法(IMMCKF)。该算法采用Markov过程描述多个目标模型间的切换,利用CKF滤波器对每个模型进行滤波,将各滤波器状态输出的概率加权融合作为IMMCKF的输出。仿真结果表明,与IMMUKF算法相比,IMMCKF算法跟踪精度更高,模型切换速度更快,计算量更小,该算法具有重要的工程应用价值。     

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.     

自适应SCKF在机动目标跟踪中的应用

目标跟踪系统的数学模型或统计特性的不确定性,往往会导致机动目标跟踪精度降低甚至跟踪发散。在综合平方根求容积卡尔曼滤波算法和改进的Sage-Husa估计器的基础上,提出一种自适应求容积平方根卡尔曼滤波算法。该算法通过实时估计未知系统噪声,抑制由于噪声统计特性未知时变而导致的滤波误差,从而实现机动目标的自适应跟踪。仿真结果表明,在系统噪声未知时变,且与先验系统噪声存在一定差异时,自适应平方根求容积卡尔曼滤波器能有效地改进标准平方根求容积卡尔曼滤波器的跟踪精度和跟踪稳定性。     

联合约束级联交互式多模型滤波器及其在机动目标跟踪中的应用

该文提出一种新型联合约束的级联交互式多模型卡尔曼滤波器,该滤波器由两个滤波器前后两级串联而成;第1级为标准交互式多模型滤波器;第2级为联合约束滤波器。联合约束滤波器的约束条件对第1级滤波器中的多模型集合中各子模型均有效。联合约束滤波器采用平滑约束卡尔曼滤波算法对第1级滤波结果进一步优化。以机动目标实时跟踪为实际工程应用背景,数值仿真和飞行实验结果证明新的联合约束性级联交互式多模型滤波器比标准交互式多模型滤波器具有更小的估计误差和方差,所增计算量合理可行。该文为交互式多模型滤波器和机动目标跟踪两个方向的进一步改进提供了有益借鉴。     

红外制导弹药协同定位跟踪方法研究

针对红外制导导弹无法直接测量弹目距离、视线角速度及目标加速度等制导信息,且单枚导弹的可观测量少,目标定位误差大的问题,考虑红外导引头的测量特性,利用多枚导弹与目标的几何关系对目标进行协同定位。建立多枚导弹对目标的协同跟踪模型,通过计算导弹间相对运动关系估算弹目距离,并将其作为伪量测量,结合导引头测角信息构建新的量测方程,利用卡尔曼滤波估计出弹目距离和视线角速度等制导信息。针对机动目标,研究了一种基于交互式多模型滤波方法,利用多个目标机动模型加权融合的方法来估计真实目标机动模型。数学仿真表明该方法有效提高了对固定/机动目标的估计精度。     

基于交互式多模型的机动目标跟踪算法

在军事和民用航空领域，可靠而精确地跟踪目标始终是目标跟踪系统设计的关键。但当目标处于强机动多模型的运动情况下时，在对目标进行状态估计时，单独采用一个模型会受到模型自身局限性的影响使得滤波精度不高，于是有必要采用多个模型描述机动目标的运动状态。基于此，采用交互式多模型滤波算法对目标进行跟踪。仿真结果表明，该算法对机动目标有很好的跟踪效果和较高的跟踪精度。     

IMM迭代扩展卡尔曼粒子滤波跟踪算法

该文提出了一种交互式多模型(IMM)迭代扩展卡尔曼粒子滤波机动目标跟踪算法。该算法在多模型中使用了改进的粒子滤波器,通过对迭代扩展卡尔曼滤波(IEKF)的测量更新按照高斯牛顿方法进行修正,减小了非线性滤波带来的线性化误差,然后利用修正的IEKF来产生粒子滤波的重要性密度函数,使其融入最新观测信息。最后将所提算法与交互式多模型粒子滤波(IMMPF)进行了比较,仿真结果表明该算法具有更好的跟踪性能。     

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。     

基于EPF-IMM算法的高机动目标跟踪研究

融合粒子滤波与交互多模算法的优势,提出了一种基于进化粒子滤波的交互多模算法(EPF-IMM)。该算法将遗传进化思想引入到传统的粒子滤波,在粒子迭代中采用遗传算法中的编码、交叉、变异等算子实现粒子的自适应进化且隐含重采样,从而改进其粒子退化现象。然后利用粒子滤波信息,在交互多模型中进行更新运算。既解决了IMM算法对非线性、非高斯环境的适应性问题,又解决了PF的无关联对应模型问题。与标准IMM算法进行高机动目标跟踪性能比较,试验仿真结果表明,EPF-IMM算法的跟踪精度高。     

强跟踪多模型估计器

本文提出了一种基于最小二乘估计的强跟踪滤波器(STF)单重渐消因子求解方法.从参数自适应与模型自适应有机结合的角度出发,将STF与交互式多模型算法(IMM)相结合,设计了强跟踪交互式多模型估计器(STMME).仿真表明:STMME在跟踪机动目标时,对速度,加速度的跟踪精度明显优于传统的IMM,在自适应估计领域有着较好的应用前景.     

弹道导弹群目标跟踪分裂算法研究

对武器系统来说,越早完成弹道导弹群目标分裂跟踪,准备时间就越充分;但另一方面如果群目标分裂过早,在跟踪过程中极易发生混批、错批等问题。本文提出了弹道导弹群目标跟踪分裂算法：首先分析群目标形成与跟踪策略,论述了IMM-UKF滤波框架,然后对群目标分裂算法进行了数学建模,分析了影响群目标分裂性能的各种因素,最后采用Pareto改进方法解决了多目标规划问题求解。仿真结果表明,该算法能够达到群目标尽早分裂与群内目标关联稳定度之间的平衡。     

基于集群智能粒子滤波的弹道导弹跟踪

针对弹道跟踪问题,提出人工鱼群算法优化粒子滤波的方法.将集群智能思想引进粒子滤波,解决其粒子权值退化及粒子需求量大的缺点.首先,阐述了粒子滤波原理及其存在的一些问题.然后将人工鱼群算法融合进粒子滤波,使粒子群体向高似然方向移动,从而克服粒子权值退化问题.仿真结果说明该算法中的滤波算法的有效性.     

跟踪弹道导弹全阶段的可变多模型方法

弹道导弹跟踪是弹道导弹防御系统中最核心的问题,然而传统的基于单运动模型的跟踪方法不能适用于跟踪弹道导弹的所有阶段。提出一种新的可变多模型(VUF)的跟踪方法,该方法具有以下的优势:采用多模型的结构,适用于跟踪任意阶段的弹道导弹;可变模型集的特征有效地提高了精度,同时降低了计算复杂度;采用UKF滤波方法具有更好的跟踪精度。仿真实验中设计了三个实验场景,与传统的EKF算法相比该方法明显地提高了跟踪的精度。特别是在弹道目标飞行阶段转换时,具有一定的识别能力和更鲁棒的跟踪性能。     

球坐标系下具有抗干扰能力的弹道导弹跟踪算法

 针对弹道导弹突防过程中释放的有源多假目标欺骗干扰,提出了一种新的具有抗干扰能力的弹道导弹跟踪算法.该算法不仅能够利用球坐标系下线性量测的优点,有助于提高真目标的跟踪精度,而且能够实时估计出假目标的延迟距离,利用雷达滤波结果即能辅助鉴别有源假目标.首先,将假目标的延迟距离增广到球坐标系的状态矢量中,从理论上导出了弹道目标更一般意义下的运动方程;其次,利用球坐标下的扩展Kalman滤波(EKF)对延迟距离进行实时估计,延迟距离较小的判定为实体目标,延迟距离较大的判定为有源假目标;最后,分析了相关因素对跟踪和鉴别性能的影响.该方法的优点是跟踪鉴别的一体化和实时性.     

一种基于UKF的弹道导弹跟踪算法

文章提出了一种基于UKF的弹道导弹跟踪算法—Singer-UKF算法。传统的弹道导弹跟踪算法,利用扩展卡尔曼滤波器进行非线性滤波,取Taylor展开的前两项,可能引入较大的线性化误差,导致跟踪精度不高。文章在分析弹道目标动力学特性的基础上对目标的运动模型采用基于J2校正的Singer模型来描述,并针对非线性的目标量测模型应用不敏卡尔曼滤波算法。将该算法与扩展卡尔曼滤波算法进行蒙特卡罗仿真比较,仿真结果表明该算法的跟踪效果更好。     

用雷达情报处理系统快速实现机动目标跟踪

如何快速实现对机动目标的自适应跟踪，是雷达情报处理系统中必须解决的问题之一，为提高滤波自适应能力，使之既能适应对机动目标跟踪宽带滤波，又能提高窄带平稳滤波时的精度，提出了对测量噪声方差和过程噪声方差进行调节的方法，并进行大量的仿真实验，确定了调整系数的函数关系。目前此算法已经广泛应用于雷达情报指挥自动化系统。     

基于IMM-RDCKF的机动目标跟踪算法

针对机动目标跟踪问题,提出了一种IMM-RDCKF算法。首先充分利用量测方程中只有部分状态变量是非线性的特点,对于非线性的量测方程采用降维滤波方法,可以在保障跟踪精度条件下减小计算量。其次,对IMM算法中的转移概率矩阵进行实时估计,提高了模型匹配概率。再次,滤波过程中由于误差累积可能导致协方差矩阵失去正定性,对算法进行了优化,确保了滤波过程中协方差矩阵的正定性,提高了算法稳定性。Monte-Carlo仿真结果表明,与CKF算法相比,该算法的跟踪精度有明显的提高,计算效率提高了一倍。     

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。     

基于波形调度的机动目标跟踪算法

针对机动目标的跟踪问题,提出一种结合自适应匀速（Constant Acceleration,CA）模型和波形调度的平方根容积卡尔曼滤波（Square-Root Cubature Kalman Filter,SCKF）算法.在CA模型的基础上,通过构建Jerk分量与速度、加速度的近似关系,使得状态过程噪声与滤波器输出的状态协方差矩阵相联系,以实现模型的自适应调整.另外,利用分数阶傅里叶变换（Fractional Fourier Transform,FrFT）旋转发射波形的模糊函数,使得量测误差椭圆与滤波算法中的状态预测误差椭圆正交,得到最优的发射波形,以从数据处理和信号处理两方面共同提升系统的跟踪性能.仿真结果表明,相比于基于改进当前统计（current statistical,CS）模型的无迹卡尔曼滤波（Unscented Kalman Filter,UKF）算法、基于CS模型的SCKF算法、基于CA模型的SCKF算法和交互式多模型（IMM）SCKF算法,所提算法结构简单且跟踪精度更高.     

机动目标无源跟踪IMM-MKF算法

为提高运动多站对机动目标的无源跟踪性能,提出了一种新的基于交互式多模型-边缘化卡尔曼滤波(IMM-MKF)的机动目标跟踪算法。该算法将交互式多模型(IMM)结构和边缘化卡尔曼滤波(MKF)结合,利用MKF算法对每个模型进行滤波,对滤波结果进行交互作用来得到跟踪结果。以只测角机动目标跟踪为例对所提算法进行仿真分析,仿真结果表明,相对于采用扩展卡尔曼滤波(EKF)、不敏卡尔曼滤波(UKF)及容积卡尔曼滤波(CKF)算法的典型交互式多模型算法,所提算法具有更好的跟踪性能。