粒子滤波在机动目标纯方位跟踪中的应用

文章将多模粒子滤波算法用于机动目标纯方位跟踪，通过估计模型的概率而不是寻找最优算法去进行局部线性化和表征非高斯后验密度，从而减小了近似误差。在仿真研究中，与IMM—EKF的比较验证了多模粒子滤波处理机动目标纯方位跟踪问题的优越性。     

基于不确定区域的水下纯方位目标跟踪方案

围绕水下被动目标跟踪问题,目前的研究通常以最优估计点迹表征被测目标跟踪状态,而点估计无法表达示向性的位置误差信息,导致无法较好地为实际战场提供决策支持。针对上述问题,该文提出一种基于不确定区域(AOU)的水下纯方位目标跟踪方案。首先,提出一种基于变权解析的定位算法以获得精确的目标位置信息,将目标位置作为AOU构建算法的先验知识。然后,分别通过有无滤波不确定区域构造算法,输出目标位置不确定区域。通过对不同仿真态势下AOU的评估指标进行统计分析,结果表明利用该目标跟踪方案均能对目标实现可靠精确的位置估计,说明该文提出的基于不确定区域的目标跟踪方案能够有效完成目标跟踪任务。该方案优势在于,目标估计结果包含示向性位置误差和区间估计的置信度,为后续决策提供清晰的容错与判断区域,具有更好的参考价值及实用价值。     

一种水下被动目标纯方位跟踪方法

针对水下被动目标跟踪的非高斯噪声环境和弱可观性的特点,提出了将粒子滤波算法应用于水下被动目标跟踪的思路.该算法直接利用传感器获得的含有噪声的角度数据,通过改进极坐标系下的系统方程得到目标状态的后验概率分布,来估计目标的运动状态.仿真结果表明该算法提高了滤波的稳定性,跟踪精度优于扩展卡尔曼滤波算法和无迹卡尔曼滤波算法.     

基于改进粒子滤波算法的纯方位目标跟踪

纯方位目标跟踪是一个重要的研究课题。它要解决的问题是:利用含有噪声的方位数据来估计目标的真实运动轨迹。本文提出了一种基于粒子群优化的改进粒子滤波算法。这种算法可以将最新的观测值引入观测估计,提高了预估精度,减少所需的粒子数,从而实现对目标真实运动轨迹更好的跟踪。     

纯方位目标跟踪极坐标模型的状态空间变换方法

在纯方位目标跟踪定位研究领域里,采用极坐标模型,可以实现可观测状态和不可观测状态的分离,但非线性的系统方程使算法的具体实现非常困难。利用状态空间的变换,可避免直接计算非线性函数雅可比矩阵的值,减小了计算量,提高了滤波稳定性。     

基于纯方位的多无人机协同目标跟踪算法

近年来,仅利用纯方位量测下的多无人机对运动目标进行协同定位与跟踪技术研究受到了广泛关注.在目标位置未知的情况下,现有的对运动目标的纯方位估计策略以及观测器机动控制策略性能仍不够理想.该文针对多无人机研究了一种用于目标定位的无偏估计器,以及用于控制多无人机在以目标为中心的圆周上形成等角编队的控制器.提出了一种用于估计目标...     

基于多普勒雷达组网的机动目标跟踪

非轨道飞行器跟踪需要大型的跟踪网,跟踪设备包括大型测距、测速雷达,光学经纬仪等,系统庞大,建设、维护成本高。多普勒雷达测量精度高,结构简单,易于小型化,成本较低,但一直只是被作为跟踪网的测速辅助设备,还没有被单独用来组建跟踪网。文中针对非轨道飞行器,提出了采用多台多普勒雷达构建高精度、低成本的飞行器跟踪网的思路和算法。跟踪算法采用"当前"统计模型和自适应Kalman滤波。仿真结果表明,采用多台多普勒雷达构建高精度、低成本的机动目标跟踪网是可行的。     

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。     

基于高斯-艾肯特滤波的机动目标跟踪算法

针对交互式多模型(IMM)算法切换滤波模型缓慢、跟踪精度低甚至发散的问题,提出了在机动目标跟踪中使用的高斯-艾肯特滤波算法。首先,该算法确定观测模型和滤波模型集,分别构造量测方程组和滤波方程组,形成总体观测矩阵;然后,针对跟踪目标的非合作机动,提出使用卡方检验来检验滤波效果,并通过滤波控制算法实时调整滤波内存长度,使用高斯-艾肯特滤波对机动目标跟踪具有很强的灵活性,实现自适应跟踪;最后,在目标跟踪仿真中与三种改进模型集的卡尔曼滤波IMM算法进行对比验证,对两类算法进行了复杂度分析。仿真结果证明了高斯-艾肯特滤波算法的有效性,在无先验信息条件下拥有更高的跟踪精度。     

基于无源时差定位系统的机动目标跟踪算法

研究了三维情况下IMM算法在无源时差定位系统中的应用。由于CV和Singer模型及CT模型状态变量维数不一致,导致IMM算法中数据无法有效地交互与融合。文中对CV和CT模型进行扩维改进,找到适合对三维机动目标进行跟踪的CV—Singer模型．通过与CV—nCT模型的跟踪效果仿真比较验证了其优越性。     

基于IMMCKF的机动目标跟踪算法

针对非线性机动目标跟踪中滤波器易发散、跟踪精度低等问题,将容积卡尔曼滤波器(CKF)引入到交互式多模型算法(IMM)中,设计了交互式多模型容积卡尔曼滤波算法(IMMCKF)。该算法采用Markov过程描述多个目标模型间的切换,利用CKF滤波器对每个模型进行滤波,将各滤波器状态输出的概率加权融合作为IMMCKF的输出。仿真结果表明,与IMMUKF算法相比,IMMCKF算法跟踪精度更高,模型切换速度更快,计算量更小,该算法具有重要的工程应用价值。     

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。     

采用方差模型概率的机动目标跟踪算法

针对交互式多模型(IMM)算法计算量大、模型切换时性能不佳的特点,提出了一种新的机动目标跟踪算法——方差模型概率(Variance Model Probability,VMP)算法。该算法结合多模型思想,利用当前量测残差在线推导模型方差,自适应调整模型概率。模型概率大小与方差成反比,滤波输出为各模型加权和。为减小量测噪声引起的误差影响,在设定的时间窗内求方差平均值。仿真结果表明,VMP算法不仅性能优于交互式多模型算法,同时也减少了计算量,提高了费效比。     

机动目标无源跟踪IMM-MKF算法

为提高运动多站对机动目标的无源跟踪性能,提出了一种新的基于交互式多模型-边缘化卡尔曼滤波(IMM-MKF)的机动目标跟踪算法。该算法将交互式多模型(IMM)结构和边缘化卡尔曼滤波(MKF)结合,利用MKF算法对每个模型进行滤波,对滤波结果进行交互作用来得到跟踪结果。以只测角机动目标跟踪为例对所提算法进行仿真分析,仿真结果表明,相对于采用扩展卡尔曼滤波(EKF)、不敏卡尔曼滤波(UKF)及容积卡尔曼滤波(CKF)算法的典型交互式多模型算法,所提算法具有更好的跟踪性能。     

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.     

红外搜索跟踪系统对机动目标的跟踪算法研究

红外搜索跟踪系统(IRST)只能得到目标的角度,目标的精确三维运动方程难以建立,因此对机动目标进行跟踪尤为困难.提出了适合红外搜索跟踪系统的纯角度交互式多模型(IMM)定向跟踪算法,并和基于单一模型的卡尔曼滤波做了仿真对比,仿真结果表明了所提出的算法较卡尔曼滤波在性能上有很大提高,能够很好地跟踪机动目标.