基于"当前"统计模型的一种改进机动目标跟踪算法

介绍了目前存在的机动目标运动模型.针对"当前"统计模型中加速度极限值的预先设定对于跟踪算法造成的不利影响,通过目标机动状况与相邻采样时刻间位置估计量变化之间的函数关系实现噪声方差自适应,进而提出了一种基于"当前"统计模型的改进机动目标跟踪算法.该算法避免了加速度极限值的预先设定问题,从而提高了对机动目标状态估计的精度.最后,仿真结果表明该算法具有一定的有效性.     

一种新的更好的基于"当前"统计模型的自适应滤波算法

提出一种新的基于"当前"统计模型的自适应滤波算法,针对"当前"统计模型自适应滤波算法中加速度极限值需要预设的不合理性,通过新息量和滤波值对加速度极限值进行估计,从而实现加速度极限值的自适应.通过对机动目标进行Monte Carlo仿真,结果表明了新算法的有效性和合理性.     

基于“当前”统计模型的一种改进机动目标跟踪算法

介绍了目前存在的机动目标运动模型，针对“当前”统计模型中加速度极限值的预先设定对于跟踪算法造成的不利影响，通过目标机动状况与相邻采样时刻间位置估计量变化之间的函数关系实现噪声方差自适应，进而提出了一种基于“当前”统计模型的改进机动目标跟踪算法，该算法避免了加速度极限值的预先设定问题，从而提高了对机动目标状态估计的精度，最后，仿真结果表明该算法具有一定的有效性。     

机动目标跟踪中一种新的自适应滤波算法

通过分析基于“当前”统计模型的机动目标自适应跟踪算法,指出该算法对目标机动加速度极限值的依赖性,而实际中预先设定加速度的最大值是不可行的。为克服这一缺点,文中给出一种新的自适应滤波算法,该方法无需提前给定加速度最大值,可以直接利用位置估计值和加速度之间的函数关系进行加速度方差自适应调整。仿真结果表明,与标准的自适应滤波相比其跟踪精度有了较大提高。     

一种新的机动频率和方差自适应滤波算法

针对工程应用中"当前"统计模型对机动频率和最大加速度经验值依赖过大,难以根据目标的加速度变化进行实时动态调整的问题,在分析机动频率物理含义及其与加速度变化关系、位移扰动增量与加速度方差的关系基础上,提出了一种高效的机动频率和加速度方差双变量自适应算法。仿真结果证明:该算法能很好地自适应目标的加速度变化,并在不同噪声水平下有效提高跟踪精度,尤其大幅度提高了对非机动或弱机动目标的跟踪精度。     

基于交互式当前统计模型的变采样率跟踪算法

针对相控阵雷达跟踪机动目标时当前统计模型采用固定机动频率和机动加速度上限而难以适应多种目标机动环境,提出了基于交互式当前统计模型的变采样率跟踪算法．该算法将多个当前统计模型作为交互多模型框架下的模型组成,然后根据各模型相关过程噪声值合成计算雷达的采样间隔,实现变采样率跟踪,提高了适应目标机动的能力和跟踪精度．仿真结果表明,本文算法的跟踪性能明显优于基于Singerk模型的变采样率跟踪算法．     

一种参数自适应变化的强机动目标跟踪算法

针对强机动目标跟踪模型难以准确匹配以及跟踪滤波器容易发散的问题,提出一种基于参数自适应变化的强机动目标跟踪算法。对"当前"统计Jerk(improved Jerk model based on current statistics,CS-Jerk)跟踪模型中的机动频率及加速度变化率的极大值进行自适应处理,同时将强跟踪滤波器(strong tracking filter, STF)中的单重时变渐消因子调整为自适应变化的多重时变渐消因子,从而实现对强机动目标更高精度的跟踪。仿真实验结果表明,该算法提高了对强机动目标的跟踪精度。     

基于IMM的光电经纬仪机动目标跟踪优化算法

提出一种简化交互多模型算法(IMM)与去偏转换测量卡尔曼滤波算法(CMKF-D)相结合的机动目标跟踪优化算法。该算法通过机动检测判别函数D(k)与门限T的关系,自适应调整CMKF-D的部分参数,解决了常规交互多模算法需要大量先验知识的问题,同时克服了扩展卡尔曼滤波(EKF)对非线性模型线性化所引入的误差。仿真实验验证了该算法的有效性。利用该算法可显著改善基于非线性测量方程下光电经纬仪对机动目标的跟踪性能,其位置跟踪误差小于1.5m,速度误差小于1.5 m/s,加速度误差小于0.7 m/s2。     

基于“当前”模型的IMM-UKF机动目标跟踪融合算法研究

文章设计了一种基于“当前”统计模型的交互式多模型无迹卡尔曼滤波(IMM-UKF)融合算法.首先在交互式多模型算法框架内,计算“当前”统计模型的概率,自适应地调整“当前”统计模型中目标加速度,提高了“当前”统计模型的自适应性.其次,该算法结合了交互式多模型和无迹卡尔曼滤波算法,该算法具有交互式多模型具有对不同目标机动模式自适应跟踪的能力和无迹卡尔曼滤波滤波度高的优点.最后,采用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.通过对三维机动目标进行仿真,结果表明文中所设计的IMM-UKF融合算法对于跟踪以多种机动策略实时机动的目标具有较好的跟踪性能,可以减小系统机动跟踪的误差均值和标准差.较之传统的交互式多模型算法,跟踪性能更加优越.     

一种基于“当前”模型的改进卡尔曼滤波算法

针对“当前”模型中加速度上下限对卡尔曼算法造成的影响,提出了一种改进算法。该改进算法利用速度预测估计和速度滤波估计间的偏差进行加速度方差自适应调整,避免了加速度极限值对状态估计精度的影响。最后对具有不同加速度极限值参数的卡尔曼滤波算法进行了仿真,验证了加速度上下限对卡尔曼滤波算法精度有一定影响,并进一步对比了所提出的改进算法和基于“当前”模型的标准卡尔曼滤波算法的效果,结果表明改进算法的预测误差小,跟踪精度高。     

一种参数自适应调整的机动目标跟踪模型

针对＂当前＂统计（CS）模型的跟踪性能依赖于模型先验参数的问题,提出了一种自适应＂当前＂统计（ACS）模型.该模型利用新息向量表征目标的机动情况,采用其指数型调整函数自适应调整模型参数和滤波增益,提高了机动模型和目标运动形式的匹配程度,并修正了机动加速度均值,使之适合于一般运动形式.仿真结果表明：与CS模型、改进＂当前＂统计（MCS）模型比较,应用该模型对机动目标的跟踪误差分别减小了11.36%、15.64%.     

一种模糊推理强机动目标跟踪新算法

针对机动目标状态估计算法对强机动目标跟踪性能下降,甚至发散的问题,在机动目标状态估计算法基础上引入模糊推理多重修正因子,提出一种新的强机动目标自适应跟踪算法.采用残差统计距离和目标机动加速度的2-范数作为模糊输入量,自适应地计算出多重修正因子来实时调节预测协方差.该算法保留了对一般匀速或弱机动目标的高精度跟踪性能,同时增强了滤波器对强机动目标的自适应跟踪能力.仿真结果表明,新算法提高了对强机动目标的估计精度,加快了跟踪的收敛速度.     

双级迭代自适应卡尔曼滤波算法

针对高速目标的跟踪定位问题,提出了基于"当前"统计模型的双级迭代自适应卡尔曼滤波算法。首先利用三球交点定位算法对观测值进行处理,得到目标位置初始估计值;采用初始估计值中的速度新息的特征函数和加速度新息的特征函数推导出迭代参数表达式,再使用目标运动特性对迭代参数取值进行限定;最后将迭代参数应用到自适应卡尔曼滤波算法实现滤波。仿真的结果表明,双级迭代自适应卡尔曼滤波的速度估计优于"当前"统计模型的速度估计,并且双级迭代自适应卡尔曼滤波的稳健性更好。     

基于EDKF的机动目标跟踪算法研究

运用"当前"统计模型(CS)的扩充卡尔曼滤波(EDKF)与匀速运动(CV)模型进行交互,设计出了一种适合于色噪声环境中机动目标跟踪的交互式多模型(MM-EDKFCS/CV)算法.CS模型适用于一般的机动目标跟踪,EDKF对色噪声中目标的跟踪具有较高的跟踪精度,因此IMM-EDKFCS/CV算法保证了色噪声中机动目标和非机动目标的跟踪性能.仿真结果证明了此算法的可行性和有效性.     

基于新息协方差的机动目标轨迹估计算法研究

针对态势显示系统中机动目标运动状态不确定、卫星定位误差、接收机随机噪声造成的目标轨迹估计精度低的问题。在"当前"统计模型的基础上,提出了一种基于新息协方差的Kalman滤波算法,该算法根据新息协方差的极大似然最优估计实现加速度方差的实时估计和自适应调整。仿真结果表明,该算法的估计性能优于常规算法,跟踪精度较高。     

一种基于"CS"模型的机动目标跟踪算法研究

为真实反映目标机动范围与强度的变化,引入了机动目标的当前统计(简称"CS")模型,提出了一种基于该模型的自适应卡尔曼滤波算法.仿真结果表明,能有效改善在机动目标跟踪中传统的卡尔曼滤波可能出现的发散情况,提高了跟踪的准确性和稳定性.     

一种改进的群目标自适应跟踪算法

为提高对群目标在机动情况下的跟踪性能,提出一种改进的群目标自适应跟踪算法．在群质心状态估计中,在修正“当前”统计模型的基础上,利用群质心的速度预测和速度估计的偏差进行过程噪声方差自适应调整,并引入强跟踪滤波中的渐消因子,实时调节群质心的状态预测协方差．在扩展状态估计中,将其对应的椭圆面积预测值和估计值的偏差以及偏差变化率作为模糊输入量,采用模糊推理法自适应输出扩展状态的预测参数．此外,提供了群目标分裂机动的判决方法．仿真结果表明,与现有方法相比,本文算法增强了对群目标在突发机动时的自适应跟踪能力,并能有效检测出群的分裂机动．     

机动目标时差无源定位自适应滤波算法研究

基于加权最小二乘估计和卡尔曼滤波理论,采用时变均值修正瑞利分布密度函数描述机动目标加速度的统计分布规律,构造机动目标加速度“当前”统计模型,建立一种新的自适应卡尔曼滤波算法,计算机仿真结果验证了该算法的有效性、可行性。     

一种新的高超声速目标跟踪算法

针对高超声速目标飞行速度快、机动能力强,而经典跟踪模型难以准确描述目标机动时加速度动态特性的问题,提出了一种改进的交互式多模型跟踪算法.该算法引入参考加速度概念,可较准确地描述目标运动特性,并实时结合目标机动的先验信息和动态信息.仿真结果表明,所提出的方法在跟踪高超声速目标时,具有快速收敛、均方根误差小、跟踪精度高的特点,相比Singer-IMM算法,具有更强的适应性.     

基于噪声自适应的交互式多模型算法研究

机动目标跟踪精度大都依赖于匹配的系统模型和已知的噪声统计特性。模型匹配法主要采用交互式多模型算法来提高系统模型与机动目标状态的匹配。该算法的有效应用已经成功提高了机动目标的跟踪精度,但该算法只是针对系统模型的不确定性提出的解决方法,并没有解决噪声统计特性不确定的问题。针对噪声统计特性未知而导致滤波精度下降的问题,本文提出了噪声自适应的交互式多模型机动目标跟踪算法。仿真结果表明,噪声方差未知的情况下,本算法的跟踪性能优于传统的交互式多模型算法,提高了机动目标跟踪的精度。