三维机动辐射源的单站无源跟踪方法

针对单站无源定位中对于机动辐射源利用角度及其变化率能否定位的问题，引入雷达对机动目标跟踪的多级噪声自适应(ANL)法和交互多模(IMM)方法，以及机动目标运动模型如Singer模型、匀加速模型等，研究并提出了两种对机动辐射源利用角度及其变化率进行单站无源跟踪方法。通过计算机数字仿真表明，在满足定位可观测条件的前提下，对机动辐射源仅仅利用角度及其变化率是可以定位的，其中IMM方法具有比较优秀的性能。     

基于观测站机动的机载单站无源定位跟踪研究

运动单站对运动辐射源在利用相位差变化率进行跟踪时,需要满足更严格的可观测性要求,只有当观测站载机比目标具有至少高一次的已知机动运动才可能实现可观测性.针对目标匀速直线运动的情况,提出观测器加减速直线和匀速圆周两种机动运动方式,并通过非线性滤波算法对目标定位跟踪.给出了两种观测器机动情况下EKF和UKF的滤波结果,计算机仿真表明,两种情况都可以对目标进行定位跟踪,且与EKF算法相比较,UKF算法实现简单,在运算量不增加的同时有更好的定位与跟踪性能.     

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。     

固定单站对机动目标无源定位IMM算法

本文探讨了一种基于目标的信号到达时间（ＴＯＡ）和信号到达方向（ＤＯＡ）信息，利用固定单站对机动目标进行无源定位与跟踪的交互式多模型算法，并详细分析了定位原理。通过计算机仿真，验证了其正确性与有效性。     

多机动目标定位跟踪关键技术研究

对多目标机动辐射源的无源定位跟踪技术有着十分重要的理论价值和广泛的军事应用前景。分析研究了多机动目标跟踪定位的关键技术,研究结果表明,对多机动目标进行无源定位与跟踪是可行的,给出的方法是正确有效的。     

基于外辐射源的机动目标单站无源定位IMM算法

探讨一种基于外辐射源的信号到达时间差 (TDOA)和信号到达方向 (DOA)信息 ,利用固定单站对机动目标进行无源定位与跟踪的新方法。在建立目标机动模型与量测方程的基础上 ,运用交互式多模型 (IMM)算法 ,实现对机动目标进行定位与跟踪。通过计算机仿真 ,验证了该方法的正确性与有效性     

机载单站对机动目标无源定位与跟踪

机载无源探测定位技术是机载电子对抗中的一个重要的研究领域。针对空间机动目标,建立了机载单站无源定位的三维模型。基于传统测量相位差变化率的方法,增加了多普勒及其变化率信息,探讨了其定位原理,重新推导了定位公式;给出了其中的预处理过程和系统状态方程,并引入了可调白噪声UKF滤波算法以提高对机动目标的跟踪定位精度和收敛速度。通过计算机仿真,验证了该方法的正确性及有效性。     

基于无源时差定位系统的机动目标跟踪算法

研究了三维情况下IMM算法在无源时差定位系统中的应用。由于CV和Singer模型及CT模型状态变量维数不一致,导致IMM算法中数据无法有效地交互与融合。文中对CV和CT模型进行扩维改进,找到适合对三维机动目标进行跟踪的CV—Singer模型．通过与CV—nCT模型的跟踪效果仿真比较验证了其优越性。     

机动目标单站无源定位中的测量更新CKF-IMM算法

机动目标单站无源定位是一个典型的非线性滤波问题,将一种新型的滤波算法——容积卡尔曼滤波(CKF)应用于IMM算法之中.为进一步提高定位跟踪精度,提出了一种测量更新CKF-IMM算法.该算法利用马尔科夫过程控制子模型间的切换,并采用CKF算法对各模型进行滤波,然后将每个滤波器的输出状态进行概率加权求和,最后对融合状态再进行一次非线性测量更新.结合空频域单站无源定位模型进行仿真实验表明,与传统的EKF-IMM和UKF-IMM算法相比,CKF-IMM算法的估计误差更小、定位精度更高;而测量更新CKF-IMM算法较CKF-IMM算法可进一步提高定位跟踪精度.     

基于交互多模型的机动目标定位滤波方法

针对无源雷达如何快速准确地对机动目标进行定位的问题,提出一种基于交互多模型的机动目标定位滤波方法。首先给出几种常见的运动模型,并介绍交互多模型算法的基本原理,然后围绕交互多模型算法在机动目标定位中的具体应用,对算法做进一步推导,最后利用MATLAB对所提方法进行仿真验证,仿真结果证明了该方法的有效性。     

采用方差模型概率的机动目标跟踪算法

针对交互式多模型(IMM)算法计算量大、模型切换时性能不佳的特点,提出了一种新的机动目标跟踪算法——方差模型概率(Variance Model Probability,VMP)算法。该算法结合多模型思想,利用当前量测残差在线推导模型方差,自适应调整模型概率。模型概率大小与方差成反比,滤波输出为各模型加权和。为减小量测噪声引起的误差影响,在设定的时间窗内求方差平均值。仿真结果表明,VMP算法不仅性能优于交互式多模型算法,同时也减少了计算量,提高了费效比。     

基于角度和频率信息的机动目标无源自适应跟踪算法

在进行可观测性分析的基础上,综合利用方位角和频率观测信息,提出了一种利用单个模型对机动目标进行无源跟踪的UKF算法,该算法通过对目标的运动状态和机动参数进行联合估计自适应地逼近真实的运动模型,从而进行准确跟踪。与现有算法相比,本文的算法不仅运算量小,而且降低了对观测站自身的运动要求,但却保持了良好的性能。仿真结果表明了算法的有效性和正确性。     

适于无源阵列跟踪机动目标的IMM-PF算法

针对无源阵列对机动目标跟踪效果较差的问题,在融合交互式多模型和粒子滤波方法的基础上,提出了一种基于粒子滤波的交互多模型(IMM-PF)算法.该算法采用多模型结构以跟踪目标的任意机动;各模型采用粒子滤波算法,以处理非线性、非高斯问题.各模型中相对固定数目的粒子群经过相互交互、粒子滤波后再进行重抽样以减少滤波退化现象.与典型的交互式多模型算法(IMM-KF)进行了比较,计算机仿真结果证实了新算法的正确性和有效性.     

基于自适应观测模型交互多模型粒子滤波的红外机动目标跟踪

针对红外目标跟踪问题,提出一种混合观测模型以描述日标像素灰度的渐变以及目标的突然消失或复现,采用在线EM算法对观测模型参数进行更新;将自适应观测模型与交互多模型粒子滤波相结合用于目标跟踪;基于概率排斥原则改进了似然函数,将上述算法推广到多目标跟踪领域.单目标和多目标跟踪仿真结果验证了所提算法的有效性.     

基于IMM-UKF的机动目标跟踪方法

针对目标运动模式的不确定性和运动模型的非线性问题,提出基于无味卡尔曼滤波器的交互式多模型方法。该算法采用匀速运动模型、匀加速运动模型、已知转弯角速度的匀速率转弯模型和“当前”统计模型作为模型集,用无味卡尔曼滤波实现非线性状态估计。仿真结果表明,该算法比传统的交互式多模型算法具有更高的跟踪性能。     

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GAUPF-IMM算法的机动目标跟踪研究

为提高对机动目标滤波跟踪的精度,融合遗传算法与粒子滤波交互多模算法,提出了一种遗传算法优化的交互式多模不敏粒子滤波算法(GAUPF-IMM).该算法采用多模型结构,各模型匹配无迹粒子滤波(UPF),使得新算法用较少的粒子就能体现后验概率密度的特征,减少计算童的同时降低拉子退化现象.并在粒子滤波器输出数据时引入遗传算法对...     

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.     

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。