目标跟踪中两种非线性滤波算法的对比研究

在处理目标跟踪等动态系统实时估计问题中,通常采用EKF作为状态估计方法提高估计精度.由于EKF进行非线性估计存在一些缺陷,将系统进行线性化近似存在估计误差,从而影响目标跟踪的精度.为了获得更高的估计精度,介绍了两种新的非线性滤波算法,即unscented卡尔曼滤波算法和粒子滤波算法.分析了UKF和PF算法的原理和算法实现,对两种算法的适应性进行了比较.通过目标跟踪仿真实验,表明粒子滤波算法估计精度比UKF算法高,但是计算量却相对较大.     

基于自适应滤波技术的被动协同跟踪算法

为增强被动协同跟踪系统对复杂环境的适应性，提高跟踪精度和系统鲁棒性，提出了一种基于自适应滤波技术的目标跟踪算法。该算法通过基于Sage-Husa自适应噪声估计的无迹卡尔曼滤波对多站被动协同定位结果进行状态估计，并利用残差量的局部动态统计对噪声估计器进行改进，以提高噪声估计的准确性和稳定性。同时，引入协方差自相关量匹配判据来保证噪声方差阵的正定性，防止滤波发散。仿真结果表明，该方法可有效提高噪声估计精度，增强目标跟踪系统对环境的适应性，大幅提升跟踪性能。     

一种提高雷达导引头对机动目标跟踪性能的自适应滤波算法

为了提高地空拦截弹雷达导引头对机动目标状态估计的精度,在增加系统观测量的基础上,提出了一种针对机动目标跟踪的自适应滤波算法。利用量测残差统计值估计目标的机动状态,自适应的调整状态方程机动频率和加速度极限值;同时利用观测噪声统计估值器,调整观测值方差大小。仿真试验结果表明该算法具有良好的机动目标跟踪性能,并能自适应变化较大的观测噪声。     

闪烁噪声环境下目标跟踪的UPF算法研究

介绍了一种改进的粒子滤波（PF）算法——无味粒子滤波算法（UPF）。该算法结合UKF（unscented Kalman filter）和PF算法,利用UKF对非线性系统的处理能力,用UKF得到粒子滤波的重要性采样密度函数,从而克服了PF没有考虑最新量测信息和UKF只能应用于噪声为高斯分布的不足。在给出的闪烁噪声统计模型基础上．将UPF、PF算法在雷达目标跟踪中进行了比较,仿真结果表明该方法可以取得比标准的粒子滤波更快的滤波收敛性和更高的滤波精度。     

闪烁噪声下目标跟踪的改进粒子滤波算法

针对目标跟踪系统具有强非线性非高斯的特点,提出了一种强跟踪粒子滤波(STUPF)算法.该算法将无迹卡尔曼滤波器(UKF)与强跟踪滤波器(STF)相结合作为粒子滤波提议分布,具有在线调节滤波增益阵,提高滤波器跟踪突变状态的能力.在给出闪烁噪声统计模型的基础上,将STUPF应用在几种典型目标运动模型跟踪系统中,并同UKF和...     

基于IMM-UKF的雷达/红外分布式加权融合算法

在雷达/红外复合制导机动目标跟踪背景下,针对非线性机动目标融合跟踪存在滤波器易发散问题,提出一种基于交互式多模型无迹卡尔曼滤波(IMM-UKF)的分布式加权融合算法。IMM具有对不同目标机动模式自适应跟踪的能力;UKF对观测数据进行滤波估计,避免了计算雅克比矩阵,克服EKF滤波方法受滤波初值影响大、易发散的缺点;分布式融合算法提高了系统抗干扰能力及对目标跟踪的有效性和跟踪精度。仿真结果表明:该算法在处理非线性系统机动目标跟踪融合结果误差均得到减少,更能提高目标跟踪滤波精度,增强了系统稳定性。     

状态自适应无迹卡尔曼滤波算法及其在水下机动目标跟踪中的应用

为了满足水下对抗对机动目标实时跟踪和目标航速、航向准确估计的要求,针对观测量为距离和方位的机动目标跟踪,对传统无迹卡尔曼滤波（UKF）跟踪算法进行了改善。提出根据UKF算法预测值和观测值残差的概率分布自适应调整目标状态噪声方法,使得UKF跟踪算法能够根据目标运动状态及时调整状态方程,在目标机动时减小对预测值的依赖,在目标非机动时增大对预测值的依赖。这种在线实时估计系统噪声状态的跟踪方法更加适用于机动目标的跟踪。数值仿真结果表明：该算法不仅在目标机动时具有良好的跟踪效果,而且在目标非机动时具有准确的估计性能。通过声纳信息综合处理系统验证了状态自适应UKF跟踪算法的性能。     

用于RAM目标跟踪数据滤波的模型参数自适应CMUKF算法

C-RAM系统对RAM目标跟踪数据滤波算法有精度高、收敛快的要求。弹道系数未知造成模型不准确会导致传统滤波方法难以满足要求,针对不能准确辨识弹道系数的情况,提出了一种模型参数自适应的RAM目标跟踪数据滤波方法。该方法使用量测转换无迹卡尔曼滤波算法(CMUKF)对系统状态进行估计,在无迹卡尔曼滤波(UKF)的框架下使用最小二乘递推辨识算法(RLS)在线辨识弹道系数,形成了模型参数自适应,并对辨识出的弹道系数进行二次滤波,提高了弹道系数的辨识精度。将本文算法与传统C-RAM中的跟踪数据滤波算法比较,仿真结果表明该算法提高了估计精度,且具有良好的鲁棒性和较少的执行时间。     

自适应衰减记忆UKF算法在三维水下目标跟踪中的应用

针对传统算法在解决纯方位目标跟踪时存在有偏、收敛速度慢或发散等不足,无迹卡尔曼滤波（UKF）虽然改善了系统线性化误差,但并没有明显解决卡尔曼滤波器容易发散的问题。在扩展卡尔曼滤波和UKF算法的基础上,提出了一种自适应衰减记忆UKF算（AFMUKF）,并将其应用于三维水下目标跟踪系统中。AFMUKF算法通过引进衰减因子加强对当前测量数据的利用,减小历史数据对滤波的影响,通过自适应因子控制状态模型扰动对滤波解的影响。理论分析和仿真结果表明,AFMUKF算法在纯方位目标跟踪中的滤波精度、稳定性和收敛时间都优于UKF算法。     

方差模糊自适应卡尔曼滤波及其应用

卡尔曼滤波用于高机动目标跟踪随滤波时间的增大,滤波方差及增益对目标机动噪声的适应性差,滤波误差较大.文中研究了一种方差模糊自适应卡尔曼滤波技术,根据滤波新息幅值大小直接调解滤波方差,强化了滤波算法对目标机动噪声的适应能力.仿真结果表明,改进的算法稳定性高,精度得到明显改善,用于高机动目标跟踪拦截系统效果较好.