共查询到18条相似文献,搜索用时 156 毫秒
1.
前置地基雷达跟踪助推段弹道导弹对整个反导防御系统有着重要意义。本文提出了一种基于以情报数据库为先验知识的弹道导弹助推段及后助推段跟踪方法。首先从动力学角度提取导弹助推段飞行的特征参量,并对参量的敏感度进行了分析,给出了一种参变的助推段弹道导弹时不变运动模型。然后结合交互式多模型(IMM)和迭代无敏滤波(IUF)算法进行助推段及后助推段弹道导弹跟踪仿真。与采用其它的运动模型和滤波算法的仿真结果相比,该方法能实现对弹道导弹助推段更高精度的跟踪,同时通过计算模型转移概率结合情报数据库可完成导弹类型识别,并准确指示导弹关机时刻。文章通过仿真验证了该算法的有效性。 相似文献
2.
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。 相似文献
3.
针对多传感器机动目标跟踪过程中的航迹滤波发散问题,提出了一种将联邦滤波器与交互式多模型滤波算法(IMM)相结合的交互式联邦多模型融合算法IFMM.在IFMM算法中各传感器均具有相同的滤波模型集合,各传感器在同一模型下所产生的滤波结果先采用联邦滤波算法进行融合,然后采用IMM算法对各模型融合结果进行综合,产生目标状态的全局估计.仿真结果表明,IFMM有效提高了机动目标运动状态估计的精确度和稳定性. 相似文献
4.
5.
被动传感器阵列中基于粒子滤波的目标跟踪 总被引:1,自引:1,他引:0
针对被动传感器阵列中的机动目标跟踪问题,该文提出了一种基于多模Rao-Blackwellized粒子滤波的机动目标跟踪新方法。算法首先基于Rao-Blackwellization理论将机动目标跟踪问题划分为模型选择和目标跟踪两个子问题;采用多模Rao-Blackwellized粒子滤波对目标运动模型进行选择,扩展Kalman滤波对目标进行更新,有效降低了抽样粒子状态维数,节省了计算时间;最后,建立了被动传感器阵列的非线性观测模型。实验结果表明,提出方法可以有效地对目标模型进行选择,算法的跟踪性能及稳定性要好于交互多模型(IMM)方法。 相似文献
6.
针对广播式自动相关监视(ADS-B)航迹跟踪精度低以及目标跟踪模型与目标运动模型匹配效率低的问题,结合自适应算法对经典交互多模型(IMM)算法的运动模型集进行改进。将经典交互模型(IMM)运动模型集中的匀加速运动(CA)模型,改进为"当前"统计模型(CS)和修正转弯(MCT)模型。利用改进的模型集对目标当前位置、速度和加速度进行滤波估计。并对模型转移概率进行修正,提高IMM算法的自适应能力,实现快速目标跟踪。利用模拟航迹数据及实际设备接收的实测数据对算法进行验证。结果表明:运动模型集改进后的IMM算法滤波结果优于经典IMM算法,跟踪结果稳定,改进的算法可适应复杂的目标航迹实时跟踪。 相似文献
7.
围绕弹道导弹被动段跟踪问题,分析了被动段弹道目标的运动方式,在地心固定直角坐标系下建立了被动段弹道导弹运动模型;根据被动段弹道目标高速、高机动、强非线性的运动特点,采用基于"当前统计"模型的UKF滤波算法,实现了对弹道目标被动段的稳定精确跟踪。通过仿真试验,与传统的基于"当前统计"模型的EKF算法相比,该模型和滤波算法提高了对弹道目标的跟踪精度,尤其是对目标的速度和加速度估计,同时降低了对非线性系统跟踪发散的可能性。 相似文献
8.
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。 相似文献
9.
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。 相似文献
10.
11.
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. 相似文献
12.
基于直升机目标的运动特点,运用交互式多模型(IMM)算法对直升机目标进行跟踪滤波。对IMM算法作了详细的数学描述,介绍了直升机目标的跟踪流程和IMM算法的具体实现方法。结果证明,IMM算法能够很好地预测出直升机的运动趋势,并能应对机动情况。 相似文献
13.
对机动目标进行跟踪一直是甚具挑战性的问题,特别是跟踪高速高机动目标在理论上和实践上都有较高的技术难度。现有各种算法在这个问题上均有各自的缺点和不足。该文在现有的运动机动模型和IMM算法的基础上,提出了使用多种机动模型交互的IMM算法进行高速高机动目标跟踪。不同机动模型之间的互补使这种算法克服了使用单一模型的一些问题。使用“当前”统计模型、二级滤波模型和CV模型进行交互是一种可行的高速高机动目标跟踪方案。为验证算法的有效性,进行了Monte Carlo仿真。仿真结果表明,该算法在性能和计算复杂度之间取得了较好的平衡,有很好的可实现性。 相似文献
14.
15.
本文提出一种基于采样交互的多模型粒子滤波方法,实现了对随意运动说话人的有效跟踪。该方法根据说话人跟踪问题的特点,用马尔可夫跳变系统描述说话人的动态特性,用粒子滤波方法估计说话人的位置。在说话人跟踪过程中,通过调整滤波粒子的采样区域,完成交互式多模型方法中的输入交互,这不仅实现了各子滤波器中粒子数目的任意设定,避免了模型转换过程中的性能退化现象,而且取消了对模型后验概率密度函数的高斯分布假定,增强了说话人跟踪系统的鲁棒性。计算机仿真实验结果验证了本文方法的有效性。 相似文献
16.
一种基于H∞滤波的模糊变 结构交互多模型算法 总被引:1,自引:0,他引:1
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. 相似文献
17.