高斯混合交互式多模型容积信息滤波算法

针对机动目标跟踪中由于目标机动使系统的非线性强度增大,导致系统的线性误差增大和跟踪精度明显下降、甚至发散的问题,提出了基于高斯混合的交互式多模型容积信息滤波（ GMIMM-CIF）算法,实现对机动目标的精确跟踪。新算法在每次输入交互之后,保留概率较大的几个假设,并利用一个高斯混合项替换最优多模型算法中剩余的假设,从而使算法中假设的数量保持恒定;用容积信息滤波器（ CIF）代替传统的非线性滤波器,通过估计信息状态向量和信息矩阵而不是估计状态向量和协方差,可以减小系统的非线性误差。通过仿真对比实验,验证了该算法可以提高机动目标的跟踪精度。     

强跟踪输入估计概率假设密度多机动目标跟踪算法

针对多机动目标跟踪中,目标数目未知及加速度不确定的问题,提出一种强跟踪输入估计（modifiedinputestimation,MIE）概率假设密度多机动目标跟踪算法．在详细分析算法的基础上,通过引入强跟踪多重渐消因子,以不同速率实时调节滤波器各个通道的预测协方差及相应的滤波器增益,从而实现MIE算法对加速度未知或发生人幅度突变的机动目标白适应跟踪能力;并将该算法与概率假设密度滤波算法有效结合,町以较好地跟踪未知数目的多机动目标．仿真结果表明,新算法比传统的多机动目标跟踪算法具有更岛的跟踪精度,且具有较好的实时性．     

基于多传感器不完全量测下的机动目标跟踪算法

针对传感器探测概率小于1的不完全量测情况下的非机动目标跟踪问题,提出一种基于多传感器不完全量测下的扩展Kalman滤波算法。首先,利用残差检测的野值剔除方法,确定目标状态估计过程中传感器是否接收到正确的量测数据;其次,基于每个传感器的量测数据,在不完全量测下采用改进的扩展卡尔曼滤波算法分别对目标运动状态进行估计;进而结合多传感器最优加权融合方法求解基于多传感器观测数据的状态估计;最后,将算法应用到光电跟踪系统中。仿真实验得到不完全量测下传感器探测概率对滤波效果的影响,验证了算法的有效性,其跟踪精度接近完全量测下的状态估计精度。     

一种自适应的机动目标融合跟踪算法

该文主要研究了分布式传感网络中的机动目标跟踪问题。为了在降低传感器节点的通信负债的同时,提高系统的跟踪精度,该文提出了一种新的自适应多传感器机动目标跟踪算法。该算法与交互式多模型算法相结合,将远端传感器获得的局部状态估计与本地传感器的累计量测信息进行融合,并通过信息去相关算法消除了传感器间的相关性。从而实现了对机动目标的状态估计与量测信息的融合。提出的算法能够充分利用本地传感器量测的有效信息,以提高目标跟踪精度。仿真实验验证了该算法的有效性。     

针对机动目标的改进型交互多模型跟踪算法研究

为了提高对机动目标的跟踪精度,更准确地获得目标实时位置与速度信息,提出了一种改进型交互多模型跟踪算法.采用目标特征数据为初始数据提供限定域,然后在滤波器中加入调节参数,从而利用目标状态增益矩阵与协方差矩阵的迭代完成对跟踪精度的优化.实验仿真分析了机动目标的3种常见状态,并与传统交互多模型跟踪算法进行了对比.实验结果显示...     

基于交互式CPHD的多传感器多机动目标跟踪

针对多传感器高速多机动目标的跟踪问题,提出一种多传感器交互式贪婪势概率假设密度(MS-IMMGreedy-CPHD)滤波器.该滤波器在预测阶段,通过交互式多模(IMM)算法对势概率假设密度(CPHD)滤波中目标的状态、势分布和运动模型同时进行预测;在滤波的更新阶段,利用贪婪(greedy)量测划分机制选取多传感器量测子集和拟分区,并通过拟分区量测子集对不同模型下CPHD预测的目标状态和势分布以及模型进行交互式更新.仿真结果表明,所提出MS-IMM-Greedy-CPHD滤波能够对高机动多目标进行稳定有效的跟踪,相较于多传感器势概率假设密度(MS-CPHD)滤波,跟踪结果的OSPA误差更小且势估计更加准确.     

雷达和红外融合对高机动目标跟踪仿真研究

研究准确跟踪敌机飞行目标,可进行有效打击.针对高机动目标与运动跟踪平台的相对运动比较复杂,由于雷达定位和红外跟踪算法的模型误差大与精度损失,如何提高跟踪系统的跟踪精度是一个很大的难题.为了提高高机动目标跟踪精确度,提出交互多模型-概率数据关联算法(IMM-PDA),进行雷达与红外并行信息融合与目标跟踪.运用Markov链切换原理与概率数据关联技术有效解决了目标变速机动及复杂杂波环境下的高精度跟踪问题.同时并行融合信息,克服序贯融合中两次使用扩展卡尔曼滤波线性化造成模型误差与精度损失的缺陷,提高系统的跟踪精度.仿真结果表明,基于雷达、红外并行融合的IMM - PDA算法在跟踪高机动目标时,精度更高,验证了算法的可行性与有效性.     

具有模型概率修正的新颖IMMPDA算法

为了有效提高杂波环境中机动目标跟踪的精度,将标量交互式多模型(SIMM)算法与概率数据关联(PDA)算法结合成SIMMPDA算法.其中,PDA算法能够有效处理杂波环境下的数据关联与测量不确定性.SIMM算法处理运动模型间的切换,且在线性最小方差意义下获得目标的最优状态估计.而考虑因杂波的干扰导致各时刻的匹配模型占优程度不明显的问题,故再对各时刻SIMMPDA算法所得的后验模型概率进行修改,得到一个基于模型概率修改的SIMMPDA算法,即为M-SIMMPDA算法.仿真结果表明,所提算法的跟踪精度得到一定程度的提高.     

基于粒子滤波的交互式多模型多机动目标跟踪

针对交互式多模型联合概率数据关联滤波算法(IMM-JPDAF)在非线性情况下跟踪精度低,并不适用于非高斯问题的情况,提出了一种基于粒子滤波的交互式多模型多机动目标跟踪算法;将交互式多模型联合概率数据关联(IMM-JPDA)与粒子滤波相结合,在交互式多模型联合概率数据关联的框架下,各模型采用粒子滤波算法处理非线性非高斯问题,避免了噪声的高斯假设和非线性部分的线性化误差。仿真结果表明,IMM-JPDA-PF算法的跟踪性能明显优于IMM-JPDAF算法,能够对杂波环境中的多机动目标进行有效跟踪。     

As-IPDA算法在OTHR航迹维持中的应用

天波超视距雷达(OTHR)具有的低数据率、低检测概率和低量测精度特征对目标跟踪提出挑战;由于对航迹、航迹存在概率的平滑作用,基于状态扩维IPDA(As-IPDA)算法在目标跟踪中得以很好应用,文章把As-IPDA算法引入到天波超视距雷达目标跟踪环境中;仿真结果表明,与传统的概率多假设跟踪(PMHT)算法相比,As-IPDA算法在目标跟踪精度、失跟率以及实时性方面都有满意的结果,从而验证了该算法在天波超视距雷达目标跟踪中的有效性、可行性.