共查询到20条相似文献,搜索用时 76 毫秒
1.
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。 相似文献
2.
3.
基于IMMCKF的机动目标跟踪算法 总被引:1,自引:0,他引:1
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。 相似文献
4.
5.
6.
一种新的机动目标跟踪的多模型算法 总被引:11,自引:0,他引:11
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。 相似文献
7.
已经研制完成的自行高炮射击指挥雷达的多机动目标跟踪软件,采用了机动加速度突变型,回波动态分区和整体相关,多准则模糊决策关联,航迹的模糊起始以及可靠性设计等新技术,在实际应用中显示了优良的性能。 相似文献
8.
9.
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. 相似文献
10.
机动目标自适应高斯模型与跟踪算法 总被引:4,自引:0,他引:4
提出了一种描述机动目标运动状态的自适应高斯模型,在这种模型中,机动目标的加速度被认为是具有非零均值、时间相关的随机过程,并假定其概率密度函数服从高斯分布。指出了机动目标运动模型的均值和方差与目标机动加速度最佳当前估计值之间的关系,在此基础上,提出了相应的自适应卡尔曼滤波算法。仿真结果表明,该算法对机动目标在不同机动方式下的位置、速度和加速度均有良好的跟踪效果,且所需计算量小。 相似文献
11.
雷达机动目标跟踪的卡尔曼粒子滤波算法 总被引:1,自引:0,他引:1
为解决不敏粒子滤波算法对雷达机动目标跟踪实时性差和跟踪起始阶段收敛慢的问题,引入卡尔曼粒子滤波算法。通过坐标转换将实际的极坐标雷达观测数据转换为直角坐标数据,然后用线性最优的卡尔曼滤波器估计粒子状态先验概率密度,最后用非线性最优的粒子滤波器精确估计目标状态后验概率。仿真实验表明,与不敏粒子滤波相比,卡尔曼粒子滤波以牺牲较少精度(减少约6%)的代价,实现机动目标跟踪的实时性(约为前者的1/5),起始阶段收敛性更好。 相似文献
12.
13.
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。 相似文献
14.
15.
16.
17.
18.
针对复杂战场环境下机动目标跟踪难题,提出一种认知雷达目标跟踪算法.基于人类"感知-行动"循环思想,首先把目标径向距离、径向速度和方位等量测的克拉美罗下限近似为量测误差协方差,用信息熵描述目标跟踪的不确定性,然后以最小熵为准则建立了雷达接收端数据和发射端信号处理之间联系;为避免传统交互式多模型(Interacting Multiple Model,IMM)算法由于模型转移概率设置不合理所带来的跟踪精度下降问题,受人脑三阶段记忆机制启发,将"记忆"嵌入IMM算法,通过自适应调整模型转移概率,增强了优势模型的交互主导性,弱化了不匹配模型的不良竞争.仿真实验验证了算法的有效性. 相似文献
19.
20.
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