一种新的机动目标模型及其自适应跟踪算法

在当前统计模型的基础上,结合实时输入估计算法(Feng xinxi等,1996)的思想,提出了一种新的机动目标模型,并利用其方差调整关系建立了自适应跟踪算法。大量仿真结果表明该模型能够准确描述目标的各种机动情况,跟踪算法具有良好的跟踪性能,具有实际应用价值。     

机动目标跟踪的新算法

机动目标通常不是做恒定的运动,其运动状态会随时间的变化而变化.这就使描述系统运动的状态方程是非线性的,而且系统参数会不断变化.传统的推广卡尔曼滤波适用于定系统定参数的情况,如果运用到机动目标跟踪上会导致误差增大甚至滤波发散.基于此,将强跟踪滤波运用到机动目标跟踪上.强跟踪滤波在卡尔曼滤波的基础上引入了多重渐消因子,使强跟踪滤波具有极强的跟踪能力和较好地鲁棒性,因此可以很好地解决变系统变参数的问题.通过仿真,将强跟踪滤波与UT-BLUE滤波方法和EKF滤波方法进行比较,结果表明了该滤波方法的有效性和优越性.     

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。     

自适应转弯模型的机动目标跟踪算法

给出了一种利用白适应转弯速率模型的IMM跟踪算法，可以用于机动目标的跟踪中。每一步通过交互输出的速度和加速度的估计值来计算转弯速率，它的大小等于加速度和速度的比值。本文中对提出的白适应算法和其他两种IMM算法进行了比较。     

强跟踪自适应滤波器实现机动目标的精确跟踪

机动目标状态估计中的一个主要问题是:目标运动的突变性导致状态噪声无法进行统计预测.传统的EKF将噪声看成是高斯白噪声有着本质上的不足,因而无法实现稳定的跟踪.引入Sage-Husa滤波算法对有色噪声进行在线的估计,一定程度上弥补了目标运动模型不够合理的缺憾.在此基础上,从系统容错设计基本原理出发,用归一化残差功率法实时地检测可能出现的数值发散现象,一旦检测到发散,印通过一种改进的强跟踪自适应滤波器进行抑制,有效地提升了滤波的健硕性,实现了稳定跟踪.最后,针对高机动目标的运动特性,仿真验证采用变维滤波模型,用EKF对目标的简单机动进行跟踪,只有目标运动突变时才采用本文提出的算法,以提升计算的实时性.仿真结果表明此算法对高机动目标的跟踪是有效的.     

改进的当前统计模型及自适应跟踪算法

对于机动目标跟踪问题,在当前统计（CS）模型的基础上,提出了一种新的机动目标自适应跟踪算法。通过引入强跟踪滤波器（STF）的渐消因子,增强了模型对目标突发机动的自适应跟踪能力,同时针对模型对目标加速度极限值的依赖性这一缺点,引入一种利用位置估计值与加速度的函数关系自适应调整加速度方差的方法,提高了对弱机动和非机动目标的跟踪能力。仿真结果表明,该算法与标准的当前统计模型滤波算法相比具有较高的跟踪精度。     

机动目标跟踪的HIMM算法研究

交互多模型算法(IMM)的子滤波器都是基于Kalman滤波的,它要求知道精确的噪声统计特性,然而在许多情况下噪声信号的统计特性是未知的,只能得到噪声信号的近似模型,这在一定程度上降低了IMM算法的跟踪精度.基于以上问题,将H∞滤波算法应用于IMM算法的滤波过程.H∞滤波对干扰信号的统计特性不作任何假设,与Kalman滤波相比,H∞滤波器对噪声形式的不确定性不太敏感,鲁棒性好.在跟踪过程中还引入了一种数值稳健的模型概率计算方法,能有效防止计算过程中出现数值溢出现象,提高了算法的可靠性.最后通过仿真实验,证明了算法的有效性.     

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.     

自适应混合多模算法在机动目标跟踪中的应用

本文介绍了用于机动目标跟踪的自适应混合多模算法。这个算法不需要预先定义模型。它利用一个二级卡尔曼滤波器来估计目标的加速度。这个加速度被用于混合多模算法中具有不同确定性加速度的子滤波器中。文中给出了自适应混合多模算法的一个计算机模拟结果并与无自适应混合多模算法的结果进行了比较。     

用于非线性机动目标跟踪的新型IMM算法

针对在非线性机动目标跟踪中存在的滤波器易发散、机动检测有延迟等问题,把Unscented Kalman Filter(UKF)引进到交互多模型算法(IMM)中,设计了交互多模型UKF滤波器。并利用目标运动模型集概率的相对变化率设计了自适应交互多模型UKF滤波器,最后进行了计算机仿真。蒙特卡罗仿真结果表明,两种滤波算法都具备UKF滤波器精度高、稳定性好、不易发散的优点,同时不需了解目标机动的先验信息,适合于实际应用;并且自适应交互多模型UKF滤波器具有更好的跟踪效果。     

一种改进的机动目标跟踪算法研究

为了克服＂当前＂统计模型下的卡尔曼滤波算法在跟踪匀速目标时误差较大的缺陷,文章分析了造成此缺陷的原因,通过改进基于截断正态分布下的加速度方差模型,提高了对非机动目标的跟踪精度,仿真结果表明,该算法能够准确描述各种机动情况。     

用于机动目标跟踪的多模型算法进展

对多模型算法的发展过程进行了简单的回顾和评述,通过分析固定结构多模型算法的局限性,得出变结构多模型算法的使用时机。     

一种改进自适应机动目标跟踪算法

针对“当前”统计模型下的卡尔曼滤波算法在跟踪匀速目标时误差较大的缺陷和强跟踪滤波器对非机动部分跟踪精度不理想的缺陷。通过改进基于截断正态分布下的加速度方差模型,提高了对非机动目标的跟踪精度;对卡尔曼滤波算法中预测误差协方差及渐消因子的计算作出修正,改进机动部分和非机动部分的精度;将目前常用的估计协方差的计算公式采用Joseph公式,增强数值的稳定性和算法的鲁棒性。仿真和实践结果表明该算法具有良好的性能。     

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.     

区间量测下自适应交互多模型箱粒子滤波机动目标跟踪

针对现有交互多模型箱粒子滤波(Interacting Multiple Model Box Particle Filter,IMMBPF)算法在区间量测目标跟踪过程中模型切换和跟踪精度方面的不足,结合自适应交互多模型算法,提出了一种自适应交互多模型箱粒子滤波(Adaptive IMMBPF,AIMMBPF)算法。该算法利用模型似然后验信息构建修正因子,并结合阈值对马尔可夫转移概率矩阵进行自适应修正,使得匹配模型的概率快速增大,并且可以减小非匹配模型的影响,即使在目标运动模型先验信息不足或者不准确情况下,也能对模型转移概率进行自适应更新。对于量测常受到未知分布和偏差的区间误差所影响而呈现区间形式的问题,将箱粒子代替普通粒子,拟合后验概率密度从而进行滤波。仿真结果表明,相比于原有算法,该算法在区间量测机动目标跟踪的应用中,拥有更优的模型匹配度和目标跟踪精度。     

一种实现机动目标跟踪的STF动态模型PDA算法

本文提出了一种基于强跟踪滤波器(STF)的模型结构动态调整的概率数据关联算法(STF-PDA).该算法提高了概率数据关联(PDA)算法的性能.在跟踪目标,尤其是在跟踪机动目标的性能上,理论分析表明该算法比基于KF或EKF的PDA方法优越.且与基于KF和EKF的PDA算法进行了实验结果比较,结果表明,本文提出的算法更为有效.     

快速机动目标跟踪算法研究

根据空间目标作匀速转向运动的特点,提出了一种基于航向变化的目标加速度实时估计方法,在此基础上采用采样卡尔曼滤波器对该机动目标进行跟踪。仿真结果表明,这种新的加速度估计方法不仅能检测出目标机动开始和终止时刻,而且还能估计出快速机动目标的加速度大小,与扩展卡尔曼滤波器相比,采样卡尔曼滤波器具有更好的跟踪精度。     

遗传算法的模糊Kalman滤波用于机动目标跟踪

针对卡尔曼滤波器对机动目标跟踪效果不佳的缺点，提出基于遗传算法的模糊卡尔曼滤波器（GA-based FKF）。它将未知的机动加速度看作附加过程噪声，全部过程噪声的时变方差用模糊系统来估计，并用遗传算法对模糊系统进行优化。最后将该算法与交互多模型方法通过仿真进行了比较。仿真结果表明GA-basedFKF提高了跟踪性能，减小了计算量，是有效可行的。