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。     

机动目标跟踪中的多模型算法

多模型算法经历了从静态多模型（SMM）到交互多模型（IMM）、从固定结构多模型（FSMM）到变结构多模型（VSMM）的发展过程。通过分析FSMM算法的局限性,得出了VSMM算法的优点和使用时机,介绍了变结构多模型的转换算法,同时提出了一种新的VSMM算法——最小子模型集切换算法。     

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。     

基于多基地雷达系统的机动目标跟踪算法

针对多基地雷达系统,提出一种基于目标距离和以及速度信息的快速卡尔曼滤波机动目标跟踪算法.将目标位置滤波和速度滤波结合,构成了机动目标滤波的完整形式,从而提高了跟踪精度,最后给出仿真实例并进行相关的讨论.结果表明该方法计算量小,收敛速度快,跟踪精度高,具有一定的实用价值.     

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。     

自行高炮射击指挥雷达的多机动目标跟踪软件

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。     

改进的高机动Jerk模型跟踪算法

基于Jerk模型及当前统计模型提出了一种改进的高机动Jerk模型跟踪算法。在假设机动加速度变化率(即加加速度)为非零均值指数相关随机过程的基础上,引入了关于加加速度变化趋势的修正项,从而进一步提高了目标跟踪精度。最后,通过Matlab仿真实验证明了该模型跟踪算法的优越性和有效性。     

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.     

机动目标自适应高斯模型与跟踪算法

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。     

雷达机动目标跟踪的卡尔曼粒子滤波算法

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。     

基于多基地雷达系统的快速多目标跟踪算法

针对用多基地雷达系统跟踪近距离多高速机动目标的场合,提出了一种快速跟踪算法.该算法首先用观测组合预处理模块和航迹跟踪门大量剔除冗余组合数据,然后用S-D分配算法选择最小代价量测组合,计算航迹初值点,用并行扩展卡尔曼滤波算法估计确定目标的运动状态,并提出将多个目标的滤波进程和S-D分配进程并行化以提高算法的实时性.仿真结果表明,该算法不仅能快速精确地跟踪到多目标运动状态,而且具有很好的收敛特性和稳定性.     

基于波形自适应的认知雷达机动目标跟踪算法

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。     

球坐标系下多普勒雷达目标跟踪滤波器

将仅仅考虑位置量测的三维去偏一致转换量测卡尔曼滤波算法进行推广,以解决包含多普勒量测且斜距和多普勒的量测误差相关的雷达目标跟踪问题。首先利用斜距和多普勒量测的乘积构造伪量测,以减小多普勒量测和目标运动状态之间的强非线性程度;然后利用嵌套条件方法得到了转换量测误差前两阶矩的一致性估计;最后根据转换量测是目标运动状态二次函数的特性,用二阶EKF最优地实现了非线性跟踪滤波。Monte-Carlo仿真结果表明采用新算法可以明显改善跟踪滤波器的性能。     

采用多速率多模型交互实现机动目标的全速率跟踪

多速率模型通过对原始测量结果和目标运动模型进行多分辨分解实现目标高精度跟踪.多模型交互方法则采用一个马尔科夫链控制多个模型交互实现机动目标跟踪.本文给出了一种采用多速率多模型交互方式实现机动目标全速率跟踪的方法,它通过交织多次滤波结果使得跟踪能同时保证高精度和全速率.仿真结果及分析说明了该方法较传统的全速率多模型交互算法获得了更好的跟踪效果.     

基于量测转换IMM的多普勒雷达机动目标跟踪

多普勒雷达目标跟踪中,如何有效解决系统量测与目标状态之间的非线性并实现机动目标跟踪,是亟待解决的问题.本文提出一种基于量测转换交互多模型（Interactive Multiple Model,IMM）的目标跟踪算法,其以IMM为框架,并结合静态融合滤波器处理多普勒量测的结构,解决多普勒雷达机动目标跟踪问题.仿真结果表明了所提出算法的有效性.     

基于多普勒雷达组网的机动目标跟踪

非轨道飞行器跟踪需要大型的跟踪网,跟踪设备包括大型测距、测速雷达,光学经纬仪等,系统庞大,建设、维护成本高。多普勒雷达测量精度高,结构简单,易于小型化,成本较低,但一直只是被作为跟踪网的测速辅助设备,还没有被单独用来组建跟踪网。文中针对非轨道飞行器,提出了采用多台多普勒雷达构建高精度、低成本的飞行器跟踪网的思路和算法。跟踪算法采用"当前"统计模型和自适应Kalman滤波。仿真结果表明,采用多台多普勒雷达构建高精度、低成本的机动目标跟踪网是可行的。     

基于信息熵准则的认知雷达机动目标跟踪算法

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.     

使用高斯混合滤波器的机动目标跟踪

实际目标跟踪过程中,被跟踪目标的状态与类型都是不确定的。使用运动学传感器与属性传感器分别获取的目标状态量测信息与特征量测信息,给出了目标状态与类型不确定性的联合状态类型概率密度函数表示,并推导了线性高斯假设下的系统模型为高斯混合模型。根据这一性质,引入高斯混合滤波器,实现了机动目标的有效跟踪。在仿真分析中,通过对比3种算法的跟踪结果,进一步验证了使用高斯混合滤波器在机动目标跟踪过程中的有效性。     

基于高斯-艾肯特滤波的机动目标跟踪算法

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。