一种带径向速度量测的Jerk-EKF机动目标跟踪算法

为了提高机动目标跟踪精度,在基于Jerk模型的扩展卡尔曼滤波算法(Jerk-EKF)基础上,提出了一种带径向速度量测的扩展卡尔曼滤波算法(Jerk-EKFrv).该算法通过引入径向速度量测扩充了量测矩阵的维数,然后利用展开泰勒级数的一次项,解决量测方程中状态向量和量测向量的非线性问题,最后采用卡尔曼滤波算法对目标状态进行估计.对Jerk-EKF和Jerk-EKFrv算法的仿真结果表明,Jerk-EKFrv算法能够有效提高机动目标的跟踪精度.     

非线性量测下的机动多目标跟踪

为了解决非线性量测下机动多目标跟踪实时性差、跟踪误差大以及对杂波变化鲁棒性较差的问题,基于随机有限集理论,提出了一种采用量测转换和模糊算法改进的多模型δ-广义标签多伯努利滤波器。首先,推导了交互多模型的δ-GLMB滤波器,通过去相关无偏量测转换实现位置量测从极坐标系到笛卡尔坐标系的无偏转换,并通过预测值去除量测误差和其协方差的相关性造成的滤波估计偏差,实现了非线性场景下的机动多目标跟踪;然后,通过航迹和量测的关联新息以及目标的机动约束构建联合波门,降低了杂波量测的数量;最后引入改进的模糊算法,以目标的模型后验概率为输入,根据模型的分离程度自适应调节运动模型的过程噪声,增加滤波精度。研究结果表明：在杂波环境下,通过与CKF-JMS-δ-GLMB、CKF-IMM-δ-GLMB等非线性多模型滤波器对比,所提算法计算时间较小,且跟踪精度更高,鲁棒性强。所提算法避免了传统的非线性处理方式计算量较大的问题,并且具有较好的杂波抑制特性,提升了非线性量测下机动多目标跟踪的性能。     

群目标跟踪自适应IMM算法

为提高对机动群目标在高量测误差下的跟踪性能,提出了一种自适应IMM群目标跟踪算法.首先,在群质心状态估计中,引入带有多重次优渐消因子的强跟踪滤波算法,提高机动阶段时对群质心状态估计的精度.其次,在扩展状态估计中,考虑量测精度对于扩展状态的影响,将量测误差和扩展状态同时纳入到量测似然函数的构建中,应用新息计算和渐消记忆迭代过程自适应更新量测误差协方差矩阵.最后,通过quasi-Bayesian方法自适应更新模型转换概率,利用量测数据修正模型转换概率,抑制非匹配模型作用,放大匹配模型作用,实时匹配跟踪模型与目标运动状态.仿真实验结果表明,该方法有效提高了对群质心状态和扩展状态的估计精度.     

机动目标跟踪波形和检测门限自适应算法

由于现有雷达目标跟踪波形和检测门限自适应算法大多围绕以距离、距离率作为量测的一维运动目标展开,忽略了角度对目标跟踪的影响,从而无法对目标进行跟踪定位。为此,提出一种杂波背景下针对二维机动目标跟踪的雷达波形和检测门限联合自适应算法。首先,对传统基于时延-多普勒分辨单元的理论作进一步扩展,设计出一种包含距离-距离率和方位为量测的具有“棱柱”结构的分辨单元;然后,给出了包含波形参数和检测门限的量测误差协方差的联合近似表达式;最后,利用认知雷达思想,以滤波误差协方差的迹最小为代价函数自适应选择下一时刻的波形参数和检测门限,以提高系统的跟踪性能。仿真结果表明,波形和检测门限联合自适应算法的跟踪性能要明显优于传统的固定参数跟踪算法。     

一种适用于机动目标跟踪的改进卡尔曼滤波算法

针对卡尔曼滤波跟踪强机动目标时性能下降的问题,提出了一种适用于机动目标跟踪的改进卡尔曼滤波算法.该算法在卡尔曼滤波算法的基础上,根据当前量测目标航向与前一目标航向之间的航向角度差,判断机动强弱并计算出加权函数值,然后用加权函数值根据量测数据依次修正机动目标加速度预测值和目标预测状态,最终改进目标的状态估计.仿真结果表明,目标强机动时该算法具有较高的跟踪精度.     

量测划分的PHD航迹关联算法

高性能空中机动目标跟踪是现代预警雷达的核心任务之一.为了提高概率假设密度(PHD)滤波器的多目标跟踪性能,提出了一种基于量测划分的PHD航迹关联算法.考虑到传统PHD滤波无法给出目标各自的航迹属性信息,而且当跟踪区域存在大量杂波时,滤波效率严重降低;同时,对于密集邻近多目标跟踪,传统方法还存在不同目标跟踪的量测不匹配问题.针对上述问题,提出了分类检索的椭球门限量测划分方法,并将其应用到改进的高斯项权值重新分配的PHD航迹关联算法中,首先对每一步得到的量测集合通过分类检索的椭球门限方法,划分为已存在目标、新生目标和杂波的量测子集,再分别对各类目标使用对应的量测子集进行跟踪滤波,这样去除了杂波对真实目标的无效更新计算,提高了航迹关联算法的计算效率;其次,通过引入一种新的权值分配规则,调整邻近目标的高斯成分的权值大小,大幅减小了邻近目标的状态提取误差,提高了相邻目标的跟踪估计精度.大量数值仿真表明,所提方法明显改进了滤波计算效率和邻近目标跟踪精度.     

多普勒信息辅助的杂波环境下多目标跟踪算法

传统雷达目标跟踪方法仅利用目标的位置信息进行数据关联,在处理密集杂波环境下的多目标跟踪问题时,容易产生虚假航迹,甚至出现误跟、失跟的现象。该文针对此问题提出一种多普勒信息辅助的杂波环境下多目标跟踪算法。首先引入多普勒信息带来的观测方程非线性,以及速度观测与距离观测之间的相关性问题,基于IPDA-UKF算法框架,综合利用目标的位置和速度信息构建多维关联波门,利用多维信息进行有效量测的筛选,从而将一个多目标数据关联的问题转化为多个单目标数据关联的问题,然后采用IPDA-UKF分别估计各个目标的存在概率和运动状态。仿真结果表明:相比其他算法,该算法充分利用距离和速度之间的相关性,不仅降低了杂波环境下多目标数据关联的复杂度,提高了数据关联的效率,而且目标跟踪精度也得到了明显提升。     

一种利用径向速度信息的改进JPDA算法

为解决边扫描边跟踪多频连续波雷达数据互联问题,提出了一种基于目标径向速度信息的联合概率数据互联（JPDA）算法。该算法通过引入目标径向速度信息,进一步限制进入跟踪门相交区域中的虚假量测数量,并对公共测量值权重系数进行调整,进而改善跟踪精度,缩短计算时间,提高跟踪成功概率。仿真结果表明,径向速度信息的运用使得改进的JPDA算法的跟踪性能得到了显著提高。     

改进的GM-CBMeMBer机载多普勒雷达多目标跟踪算法

为了有效抑制剩余杂波、提高多目标跟踪(MTT)能力,在高斯混合势平衡多目标多伯努利(GM-CBMeMBer)滤波器的基础上引入多普勒信息,提出了一种适用于机载多普勒雷达的MTT算法(GM-CBMeMBerwD).该算法改进了GM-CBMeMBer滤波器的更新步骤:首先利用位置量测更新目标状态,然后利用多普勒量测对其进一步更新,从而更准确地求得目标似然函数和状态估计.仿真结果表明,与GM-CBMeMBer相比,GM-CBMeMBerwD能更准确且更稳定地估计目标数量;与其他3种跟踪算法相比,GM-CBMeMBerwD能以较低的计算复杂度获得较优的跟踪性能.     

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。     

当前统计概率数据关联算法

目标跟踪领域的一个研究重点是如何解决在密集杂波环境下机动目标的跟踪问题。机动目标跟踪的关键是解决目标模型的不确定性,而密集杂波环境则使这个问题变得更加复杂。针对这一问题,提出一种当前模型概率数据互联算法。该算法将当前模型算法与概率数据互联相结合,在使用概率数据互联算法的同时,利用当前模型算法对目标出现的机动进行自适应滤波。最后,给出了算法的仿真分析,仿真结果说明该方法能够有效地跟踪杂波环境中的机动目标。     

密集杂波下的高斯混合信度传播多目标跟踪

为了提升密集杂波干扰下信度传播多目标跟踪算法的性能,提出基于幅度杂波抑制的高斯混合信度传播多目标跟踪算法.首先基于经典瑞利分布幅度模型,采用极大似然法估计目标初始信噪比,结合先验信息为目标信噪比构造截断正态分布模型,再对其进行边缘化;然后结合幅度信息,在信度传播前计算各量测信息的幅度似然比,并引入量测信息函数中,提高目标与量测的关联正确率;最后设置量测信息录取率,得到幅度似然比下限,对所有传感器的量测信息进行筛选,高效完成目标起始过程.研究表明:在不同信噪比和杂波密度下,通过与GMPHD、GMBP和GMBP-AK算法的对比实验,可以明显发现所提GMBP-AC算法的计算效率较高,能够较准确快速地响应各时间段内目标数目的变化情况,同时大幅度减小OSPA误差.进一步证明在密集杂波干扰环境下,该算法具备较强的杂波抑制效果,且能够较好地改善目标数目估计性能和多目标跟踪精度.     

基于轨道推算的弹道导弹多普勒速度估计算法

鉴于弹道导弹目标跟踪过程中出现的分离事件,使得目标密集度高、相互遮挡严重,雷达无法准确测量多普勒速度,导致距离测量精度降低,引发断批、错批等问题,提出了运用轨道推算的弹道导弹多普勒速度估计算法.该算法将目标距离量测中多普勒补偿去掉,采用基于轨道推算方法得到估计值后,再重新进行补偿输出.仿真结果表明,与改进的IMM-UKF滤波算法相比,该算法多普勒速度精度提高了86.50%,距离精度提高了93.37%,大幅度提高了目标跟踪精度.     

雷达网目标速度向量测量及其在跟踪中的应用

研究了组网雷达系统中利用多站对目标的距离观测值和Ｄｏｐｐｌｅｒ速度观测值稳妥 算目标三维速度向量的方法,指出了目标速度向量在机动目标跟踪中的应用。给出了位置－速度分别相关算法,并进行了仿真计算,计算结果表明,该方法能较成功地解决多目标及杂波环境中的相关模糊问题。     

面向机动目标跟踪的多传感器长时调度策略

为解决杂波环境下机动目标跟踪以及系统辐射风险控制的问题,提出了一种面向机动目标跟踪的多传感器长时调度策略.该方法首先以交互式多模型和概率数据关联算法为基础,估计杂波环境下机动目标跟踪精度.然后以辐射度影响量化辐射代价、推导有限时域内辐射代价,以后验克拉美-罗下界衡量目标跟踪性能、预测机动目标有限时域内后验克拉美-罗下界.最后,引入传感器切换代价,考虑跟踪精度约束,建立基于代价函数和后验克拉美-罗下界的多传感器长时调度策略,并将该约束调度问题转化为决策树优化问题,采用阈值剪枝搜索技术求解最优策略.仿真结果表明:该方法验证了所提策略的有效性,与标准代价搜索相比,所提搜索算法能够以辐射风险略上升为代价,显著降低节点打开数、加快搜索空间;与随机调度、最近调度和贪婪调度相比,所提调度策略能够在满足跟踪任务需求下获得更低的辐射代价;与随机调度和贪婪调度相比,所提调度策略切换代价更低,有效克服了传感器频繁调度问题,更利于实际实现.