机动目标跟踪双滤波器模型及自适应算法

现代机动目标跟踪的困难来自跟踪的快速生成精度在一定计算负荷约束下的协调难以令人满意,考虑依次处理快速性与精度的方案。采用滑动均值均匀分布描述目标的随机机动特性,分别采用宽带的均值预估滤波器和窄带的跟踪滤波器串联,实现机动速度大变动或突变的精确,快速跟踪,双滤波器的计算量适中,易于工程实现,对各种运动形式进行计算机模拟表明,这类算法对高度机动或弱机动或无机动均可给出较好的目标位置,速度及加速度估值。     

基于改进粒子滤波的机动目标自适应跟踪算法

在粒子滤波的基础上融合扩展卡尔曼滤波算法,融合后的算法在计算提议概率密度分布时,充分考虑当前时刻的量测,使粒子的分布更加接近状态的后验概率分布.将此改进粒子滤波算法在"当前"统计模型框架下进行机动目标自适应跟踪.仿真实验验证了该种方法对机动目标的良好自适应跟踪性能.     

机动目标跟踪的IMM和IMMF-LS自适应滤波算法

介绍了一种跟踪机动目标的交互式多模型 (IMM)自适应滤波算法 ,并在其基础之上介绍了一种基于状态的扩充具有固定延时的平滑IMM算法 (IMMF -LS) ,分别采用了Singer模型和“当前”统计模型与CA模型进行交互运算。蒙特卡洛仿真结果表明了IMM具有明显的综合多模型的优点 ,IMMF -LS的跟踪精度明显高于IMM算法。     

基于方差检测的自适应机动目标跟踪算法

首先建立了机动目标跟踪的系统动态模型和观测模型,在此基础上提出并分析了基于方差检测的状态自适应调整滤波器,针对不加自适应修正的Kalman滤波在机动目标跟踪中的不足,通过仿真验证了基于方差检测的状态自适应调整滤波器的正确性和可行性.     

被动目标自适应跟踪算法仿真研究

针对纯方位被动目标跟踪中,直角坐标系下的扩展卡尔曼滤波器容易发散,而导致滤波精度很差,该文提出了一种直角坐标系下的自适应卡尔曼滤波算法,对虚拟噪声进行估计,动态补偿观测模型线性化误差,消减系统的观测误差,并对其滤波理论及其算法进行了研究和仿真。仿真结果表明,该算法提高了滤波的稳定性、快速性和精确性,优于一般的扩展卡卡尔曼滤波算法,收到了良好的效果。     

改进的机动目标当前统计模型自适应跟踪算法

针对机动目标当前统计模型自适应跟踪算法的加速度方差依赖于预先设定的加速度极值的问题,研究新的加速度方差调整方法。在机动目标当前统计模型的基础上,根据雷达实时观测信息,利用加速度扰动与位置变化量之间的物理关系,采用一种新的机动目标当前统计模型加速度方差自适应跟踪方法。仿真结果表明,新算法对高机动目标、一般机动目标均具有较高的跟踪精度,从而验证了新算法的正确性和有效性,对机动目标跟踪问题具有一定的实际应用价值。     

基于新息偏差的自适应机动目标跟踪算法

证明了在某一目标机动输入下为保持跟踪最优,标准卡尔曼滤波器的过程噪声协 方差阵的调整公式,并利用观测新息在目标机动中发生正偏或负偏的信息,设计了一种自适 应跟踪算法．仿真说明该算法具有运算量小,跟踪精度高的特点．     

基于神经网络的机动目标自适应跟踪算法

非机动或弱机动目标的跟踪精度和稳定性问题一直困绕着人们,根据机动目标“当前”统计模型和均值与方差自适应滤波算法,建设性地提出了基于神经网络的机动目标自适应跟踪算法,并以仿真实验给予了验证。     

自适应尺度目标跟踪算法

针对复杂情况下变尺度目标跟踪问题,提出一种基于粒子滤波的自适应尺度目标跟踪算法.根据参考目标的颜色分布,将参考目标分为多个区域,每个区域的颜色分布用高斯模型表示,区域的位置关系构成了对参考目标的空间约束;根据目标分割区域的颜色分布和空间约束关系构造目标外观模型,结合粒子滤波搜索目标位置并检测目标的尺度变化.目标外观模型同时包含了空间及颜色信息,提高了跟踪算法在复杂情况下检测目标尺度变化的可靠性和准确性.实验结果表明,该算法在目标具有明显尺度变化、姿态改变和部分遮挡的情况下,可以获得准确和鲁棒的跟踪结果.     

基于CKF被动多传感器目标跟踪算法

由于无源或被动探测设备提供的大多是角度信息,会导致观测非线性、距离不可测、低信噪比等问题,给目标跟踪带来很大的困难.针对被动多传感器目标跟踪系统中,观测量与状态之间存在较强的非线性关系所导致的非线性滤波问题,详细阐述了求容积规则选取积分点的方法,在研究求容积卡尔曼滤波(CKF)的基础上,结合集中式融合策略,推导出了具体滤波过程,提出了相应的被动多传感器目标跟踪算法.仿真结果表明,目标跟踪算法较好地解决了非线性滤波问题,提高了目标跟踪的精度.     

一种机动目标跟踪算法仿真研究

在现行的机动目标跟踪过程中,由于目标真实的运动过程是不确定的,一般需要根据目标运动规律的假定,人为地给出目标的预置模型,因而精度难以提高.针对这一问题,引人参数辨识模型,既可对参数动态地进行识别而无需进行模型的预置,又具有对工作周期变化的适应能力,可以覆盖机动目标呵能的多种运动状态,使自适应滤波问题可在正常的技术思路下进行.运用Matlab语言建立仿真模型,通过四种典型运动对该算法进行了验证,结果表明此方法正确可行.     

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.     

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。     

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。     

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。     

一种模糊Kalman滤波机动目标跟踪的新算法

提出了一种基于模糊自适应的Kalman滤波机动目标跟踪新算法.算法首先分析了目标航向角和观测残差均能实时反应出目标机动情况,并由此设计了一种有效的模糊逻辑规则,综合利用航向角变化量和残差,通过模糊推理动态估计Kalman滤波器的过程噪声协方差,从而提高对机动目标跟踪的性能.实验结果表明,提出算法对机动目标跟踪的精度较交互式多模型(Interacting multiple model,IMM)算法高,且计算量比IMM算法小.     

基于EKF的机动目标跟踪算法的研究

假设一种机动目标运动:目标的速度大小不变,方向一直对准观测站.比较Singer模型和常速度(CV)模型,采用扩展卡尔曼滤波(EKF)算法对目标进行跟踪.仿真结果表明,在这种机动目标跟踪中,采用Singer模型比CV模型具有较快的收敛速度,而采用CV模型比Singer模型具有较高的跟踪精度.     

机动目标跟踪的滤波方法研究

目标跟踪应用中,一类常见的混合估计问题是:目标运动建模在直角坐标系下且是非线性的,同时量测数据由传感器直接获得.通常处理该问题的做法是使用推广卡尔曼滤波器,但效果欠佳.为此,通过将无迹变换(UT)和BLUE算法相结合,提出了一种新型的UT-BLUE滤波器.该滤波器首先利用无迹变换对直角坐标系中的目标状态及其协方差作出预测,然后在保持传感器坐标系(极坐标系)下所固有的量测误差的同时,直接对它们作出更新估计.通过仿真, 将UT-BLUE滤波方法和EKF滤波方法进行比较,表明了该滤波方法的有效性和优越性.     

基于PF-Singer的机动目标跟踪算法

Singer模型是典型的全局统计模型,其严重缺陷在于所采用的零均值时间相关模型和标准卡尔曼滤波算法不能完成对机动目标状态的正确估计1只有当目标做匀速直线运动时,动态误差的稳态值才为零,否则不为零;采用PF—Singer算法对机动目标进行跟踪。能够有效解决传统Singer模型存在的问题,提高其跟踪精度;通过仿真试验证实了该算法的有效性。