基于IMM多传感器顺序粒子滤波跟踪机动目标算法

针对交互式多模型粒子滤波在跟踪机动目标时精度受限问题,提出一种基于交互式多模型(IMM)的多传感器顺序粒子滤波算法。采用IMM机制实现目标运动模式的确认;在合理利用单传感器量测和多传感器量测中冗余和互补信息的基础上,引入顺序重抽样方法改善粒子分布,并将改善后的粒子应用于IMM粒子滤波算法框架。仿真实验结果表明:新算法能够估计出强机动目标状态,且精度明显优于标准IMM粒子滤波算法。     

基于数据融合的多目标无源跟踪的弹性网络方法

弹性网络被应用于多目标／多传感器无源识别和跟踪问题。在传感器仅能获得目标方位角的条件下,首先基于多传感器数据融合技术,分析了目标的聚类特征;然后借助期望模板提出了一种非全连接环形结构的弹性网络模型,分析了该模型识别和跟踪目标的动力学机制,讨论了网络应场内的ＷＴＡ竞争学习机制降低了网络的计算量,感应场的自适应性可以使神经元跳出局部极小点,提高目标识别率。     

城市中运动目标无源定位多媒体仿真

研究了无源定位方法,以及单目标无源定位技术。设计了城市中运动日标无源定位仿真系统,绘制了城市中无源定位仿真系统流程图,并编制了有关程序。该无源定位仿真系统的特点是硬件设备少,造价低;信号传送点到点收发,受电磁波泄漏干扰的影响大为减少,不易造成误码,提高了工作的可靠性,相对于有源定位技术该系统的抗干扰能力较强;由于采用了牛顿迭代法,有效修正计算误差,所以定位精度商;能够满足各种运动目标的监控要求,整个系统具有较高的性能价格比,尤其适用于民用,具有广阔的应用前景。     

一种自适应的机动目标融合跟踪算法

该文主要研究了分布式传感网络中的机动目标跟踪问题。为了在降低传感器节点的通信负债的同时,提高系统的跟踪精度,该文提出了一种新的自适应多传感器机动目标跟踪算法。该算法与交互式多模型算法相结合,将远端传感器获得的局部状态估计与本地传感器的累计量测信息进行融合,并通过信息去相关算法消除了传感器间的相关性。从而实现了对机动目标的状态估计与量测信息的融合。提出的算法能够充分利用本地传感器量测的有效信息,以提高目标跟踪精度。仿真实验验证了该算法的有效性。     

地面机动目标防空无源干扰仿真模型开发及实现

为提高雷达机动作战时的生存能力,应在紧急机动转移的同时采取有效的无源干扰措施。该文提出了一种基于HLA体系结构的实用的、具备对抗性和安全性的无源干扰仿真模型。对整个模型进行了分析,根据联邦成员及其功能,详细介绍了雷达告警模块及箔条干扰弹模块设计原理。完成了模型对象类的设计,建立模型运行框架,并进行了测试。     

多站时差无源定位探测器位置优化

在可移动无源传感器网络中,观测器与目标的相对几何关系对定位精度有重要影响.为提高对运动目标的定位跟踪精度,提出一种基于时差无源定位几何稀释精度(GDOP)的移动平台实时布站方法.首先推导出二维时差无源定位方法下的带有基线长度和基线偏角的GDOP表达式,将其作为目标优化函数,使用加权离散搜索优化算法求解网内各观测器每一时...     

多站时差无源定位传感器网络优化

在可移动无源传感器网络中,观测器与目标的相对几何关系对定位精度有重要影响。为提高对运动目标的定位跟踪精度,提出一种基于时差无源定位几何稀释精度的移动平台实时布站方法。首先推导出二维时差无源定位方法下的带有基线长度和基线偏角的GDOP表达式,将其作为目标优化函数,使用加权离散搜索优化算法求解网内各观测器每一时刻的最佳观测位置,并在此最佳位置对目标进行量测,完成目标运动分析。该方法通估计和优化相结合实现移动平台无源传感器网络的实时优化部署,仿真证明该算法一定程度上解决了时差无源定位算法的定位模糊问题,提高了对运动目标的跟踪精度。     

多站无源定位最佳配置分析

为了提高多站无源定位精度,以LS算法的GDOP为基础对多站测向交叉定位的最佳配置形式进行了分析.指出当目标位于多传感器形成的闭合区域内、外侧时,其最佳配置形式是各相邻传感器间夹角相同,且传感器位于以目标位置(同时为坐标系原点)为圆心的外接圆上;如果在该最佳形式中没有对相邻夹角的限制,则LS算法可以达到方差最小意义下的最优估计;文中同时对最优估计及最佳配置条件下LS算法的一致性进行了分析.仿真结果验证了最佳配置形式的分析,并指出该形式可以应用到基于传感器管理的多站无源定位算法中.     

低轨卫星多目标无源定位到达时差分选方法

低地球轨道（Low Earth Orbit,LEO）卫星无源定位场景中不同目标辐射源之间相互干扰、时频混叠,不同目标的到达时差（Time Difference Of Arrival,TDOA）参数混杂难以区分,较难实现精准目标定位。基于网格密度聚类算法（Clustering Algorithm based on Grid Density,CAGD）的基本原理,并利用TDOA参数的多复杂特征,构建多目标TDOA参数分选模型,实现TDOA定位参数分选。模型通过定义网格密度波谷,解决了定位目标间数据被聚为一类的问题,同时引入位置相连原则实现最佳类簇合并,最终实现定位参数分选。仿真结果表明,相较于传统网格及密度聚类方法,本方法对LEO卫星无源定位场景下的多目标TDOA参数分选表现更好。     

一种机动目标跟踪的异步航迹融合算法

为实现机动目标跟踪,提出一种异步序贯航迹融合算法。融合中心包含匀速和匀加速2种融合模型,均通过信息去相关方法实现序贯航迹融合,并利用调整过程噪声的方法抑制融合发散。对匀加速融合模型的加速度估计进行显著性检验,实现机动检测。当检测到机动时输出匀加速融合模型的结果,反之输出匀速融合模型的结果。仿真结果表明,该算法能实现对机动目标的稳定跟踪,具有较高的跟踪精度。     

基于IMM-UKF的纯方位机动目标跟踪算法

针对在非线性机动目标跟踪中存在的滤波器易发散、跟踪误差大等问题,本文在多站纯方位跟踪的基础上,把Unscented卡尔曼滤波(Unscented Kalman filter,UKF)引进到交互多模型算法(Interacting multiple model,IMM)中,设计了交互多模型UKF滤波算法,克服了EKF中引入的较大线性化误差对机动目标跟踪算法性能的影响.最后将该算法与扩展卡尔曼滤波(EKF)、IMM-EKF算法进行了比较,仿真结果表明:IMM-UKF 算法增强了EKF滤波器的稳定性,提高了滤波收敛速度和跟踪精度.     

粒子滤波器在机动目标被动跟踪中的应用

为处理机动目标被动跟踪中的非线性非高斯问题,提出了一种基于粒子滤波器的交互多模型（IMM）多观测站跟踪方法。使用转弯率建立了被动跟踪模型,用“蛙跳”处理方式来提高多站被动跟踪问题的可观测性,结合被动跟踪模型,利用非线性粒子滤波方法,对IMM算法进行了改进,提高了对IMM混和密度的近似程度,通过被动跟踪仿真实例,同时使用IMM粒子滤波器（IMM-PF）与IMM扩展卡尔曼滤波器（IMM-EKF）进行跟踪仿真,分析了轨迹跟踪性能,利用均方根误差比较了误差性能。仿真结果表明,与IMM-EKF相比,IMM-PF具有更高的跟踪精度和更快的机动响应速度。     

基于衰减记忆滤波的平方根UKF被动目标跟踪算法

针对被动目标跟踪的非线性和弱可观性的特点,并结合导致滤波器发散的两大因素,即模型误差和计算误差,提出了一种基于衰减记忆滤波的平方根UKF算法,利用衰减记忆滤波和平方根滤波来分别克服模型误差和计算误差引起的滤波发散,增强了系统的稳定性并提高了跟踪精度。仿真结果表明,该算法确实提高了滤波的稳定性,其跟踪精度优于扩展卡尔曼滤波EKF算法和无迹卡尔曼滤波UKF算法,收到了良好的效果。     

无线传感器网络运动目标定位跟踪研究

针对无线传感器对运动目标的定位跟踪,考虑无线传感器网络定位中涉及的非线性性和能量约束问题,论文将UKF引入用于无线传感器网络的运动目标定位,将UKF和RSSI测量结合建立了一种面向匀速运动和变速运动的目标定位跟踪方法。仿真结果表明：与EKF相比,无论匀速运动和变速（匀加速）运动的目标,UKF都具有较高的滤波精度,可以满足无线传感器网络定位的需求。     

闪烁噪声下轨道机动目标自适应鲁棒跟踪算法

针对闪烁噪声下存在未知机动的空间目标跟踪问题,将自适应鲁棒滤波技术嵌入到无迹卡尔曼滤波,设计自适应鲁棒无迹卡尔曼滤波(ARUKF),再利用ARUKF产生粒子滤波的重要性密度函数,从而得到一种自适应鲁棒无迹粒子滤波(ARUPF)算法。将ARUPF与瞬态跟踪模型相结合,对空间机动目标进行自主跟踪。实验结果表明,该算法在跟踪精度和鲁棒性方面优于传统的跟踪算法。     

机动目标的跟踪与反跟踪

以WGS－84标准的地心坐标系作为统一坐标系,通过建立机动目标的跟踪模型,实时预测机动目标的轨迹,并提出了机动目标的跟踪与反跟踪策略。首先考虑了单目标跟踪问题,提出了基于改进的MeanShift算法的目标跟踪模型,使用此模型提取聚类点,并对这些聚类点进行B样条曲线拟合,得到光滑的航迹。其次考虑了两目标跟踪问题,建立了基于最近邻及改进MeanShift算法的目标跟踪模型,利用最小二乘法对航迹数据进行二次曲线拟合,分析机动目标加速度变化规律,并通过判断拟合曲线上的点与球面位置关系,提出了两种着落点预测方法。最后分析了机动目标如何反雷达跟踪的问题,提出了反跟踪策略。     

机动目标预测跟踪方法研究

在目标被遮挡条件下的自动预测跟踪中,研究了跟踪机动目标过程中的角位置自适应卡尔曼预测算法。针对估计与预算中出现的发散现象,推导了导引头框架角位置预测方法。建立了目标遮挡预测跟踪测试系统,设计多种不同的目标运动形式,并通过转台实现,测试改进的自适应位置预测算法在典型测试条件下的有效性和准确程度。实验结果表明:当目标进入遮挡区域时,改进的自适应位置预测算法能够有效地实现预测跟踪,保证目标退出遮挡时能够顺利重新捕获和跟踪。     

空间非合作目标在轨主/被动融合跟踪方法

针对空间远距离非合作目标的点目标跟踪问题,研究基于非地面测控数据支持的远距离空间目标的在轨主/被动融合跟踪方法。包括运用基于被动传感器以及雷达间歇辅助测距跟踪的Unscented卡尔曼滤波(UKF)方法,得到非合作目标的运动状态信息,即利用光学跟踪摄像机的二维角度量测值及雷达间歇提供的距离量测值,估计目标的惯性位置与速度方法,为后续自主空间操作建立初始轨道状态数据。仿真结果表明,当状态误差和量测噪声改变时,UKF均能持续跟踪远距离非合作目标,使得雷达间歇提供的距离信息可以得到更好的跟踪精度。     

一种改进的机动目标跟踪方法

机动目标跟踪方法主要有变维滤波、输入估计方法和交互式多模方法.由于输入估计方法采用常速模型作为状态方程对目标进行滤波跟踪,避免了模型集设计,所以成为研究的热点.但传统输入估计方法跟踪机动目标时存在机动检测时延较长和估计精度不高的缺点.针对以上问题,本文对输入估计算法进行了改进.用变检测窗长度的方法提高机动检测的响应速度,通过对检测窗内新息序列的修正显著提高了估计精度.仿真结果验证改进后的算法比原有算法的跟踪性能有显著提高,且对加速度随时间变化的机动也有一定的跟踪能力.     

知识辅助的多模型机动目标跟踪算法

多模型机动目标跟踪技术是一种先进的目标跟踪算法。由于目标类型越来越多、运动环境越来越复杂,仅使用位置量测进行目标跟踪变得越来越难以满足应用要求。除位置量测之外,引入目标和环境相关的知识,对多模型算法中的模型集、转移概率矩阵和模型概率这3个关键因素进行自适应调整,可以有效提高机动目标跟踪性能。本文对知识辅助多模型机动目标跟踪算法的原理和方法等进行了分析。按照知识作用的对象（模型集、转移概率矩阵和模型概率）和作用方式（智能法和非智能法）分别介绍了该类算法的原理及其特点,最后对该类算法下一步的研究方向和发展趋势进行了展望。