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.     

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。     

杂波环境中一种新的机动目标跟踪算法

针对传统交互式多模型概率数据互联(IMM PDA)算法中因模型选取的不确定性,跟踪精度低等缺点,引入了联合交互式多模型概率数据互联的思想,在此基础上提出了一种适用于杂波环境机动目标跟踪的新算法——交互式自适应概率数据互联(IMMAPDA)算法,将自适应滤波算法应用到PDA滤波器中和数据关联进行有机结合,提高了杂波环境中机动目标的跟踪精度。理论分析与仿真结果验证了该算法的优越性,提高了目标跟踪精度,解决了全局最优化问题。     

基于矩阵加权多模型融合的认知跟踪波形设计

针对机动目标状态跟踪问题,认知雷达能够调整发射端波形来获取持续、稳健目标跟踪信息.本文基于矩阵加权多模型融合思想引入一种新的面向机动目标跟踪的认知雷达自适应波形设计方法(Adaptive waveform design method based on Matrix-weighted Interacting Multiple Model,AMIMM).首先,利用多模型思路对机动目标状态进行建模,并考虑各模型目标状态估计及其误差协方差矩阵中元素间相关性,以矩阵加权融合方式代替传统概率加权方式,进而构造基于矩阵加权多模型信息融合的跟踪算法框架;然后,以多模型状态融合后的状态估计误差协方差矩阵为基准,利用特征值分解(Eigen Value Decomposition,EVD)技术求取融合后状态估计误差协方差矩阵对应椭圆参数;最后,通过分数阶傅里叶变换(fractional Fourier transform,FrFT)来旋转雷达量测误差椭圆,使得量测误差椭圆与融合后目标状态估计误差椭圆正交,从而获得下一时刻认知波形参数,实现波形自适应捷变.仿真实验表明,与当前流行多种算法相比,本文所提算法能够进一步提高机动目标跟踪精度和稳健性.     

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.     

基于后验信息修正的自适应交互多模型跟踪算法

针对目标运动状态变化较大甚至发生突变时,传统交互式多模型算法跟踪精度和稳定性会显著下降的问题,提出了一种在线辨识马尔可夫概率转移矩阵参数的基于后验信息修正的自适应交互多模型跟踪算法,该方法在滤波的过程中,根据不匹配模型误差压缩率的变化自适应调整先验的马尔可夫转移概率矩阵的参数,切换过程中较多地压缩不匹配模型的信息,放大匹配模型的信息,大大提高了系统的收敛速度.通过对仿真结果分析表明,论文提出的算法具有可靠、计算简便、快速等特点,模型滤波精度较高,具有一定的理论价值和实用价值.     

模糊化模型概率的IMM-SUPF机动面目标跟踪

为了提高跟踪系统对水面机动目标的跟踪能力,本文将水面目标建模为椭圆形面目标,提出一种基于交互多模型(interacting multiple model, IMM)算法的机动面目标跟踪方法。首先,利用现代高分辨率雷达获得的面目标扩展测量,给出了基于面目标的跟踪测量方程。其次,将强无迹粒子滤波(strong unscented particle filter, SUPF)算法引入到IMM中得到IMM-SUPF。该SUPF利用强跟踪无迹卡尔曼滤波(strong tracking unscented Kalman filter, STUKF)产生粒子建议分布。由于STUKF采用渐消因子调整UKF的状态模型协方差和观测模型协方差的比例,使得建议分布更符合真实状态的后验概率分布,从而提高了IMM算法中子模型滤波器的估计精度。最后,基于模糊隶属度函数对粒子的模型概率进行模糊化,从而在提高真实模型滤波器中粒子模型概率的同时减小非匹配模型滤波器中粒子模型概率,进而提高了IMM算法的估计融合精度。Monte-Carlo仿真实验表明,相比于传统的基于质点目标的IMM-UPF算法,文中所提的基于面目标的IMM算法跟踪精度更高,且所提算法的误差超调量更小,收敛更快。此外,所提面目标IMM算法的跟踪精度也要高于面目标IMM-UPF算法。针对水面机动目标跟踪问题,不同于传统的质点目标IMM算法,文中将水面目标建模为椭圆形面目标,并利用面目标扩展测量信息设计了模糊化模型概率的IMM-SUPF算法。该算法进一步提高了跟踪系统对水面机动目标的跟踪能力。     

一种变结构多模型机动目标跟踪算法的研究

该文针对在机动目标跟踪领域应用广泛的交互式多模型算法,是一种基于固定模型集合的算法,由此带来一个两难问题,既需要较多的模型保证跟踪精度,有会因为太多的模型而增加计算量。该文提出了一种基于序列似然比检测的变结构多模型算法,给出了一种模型集合自适应的解决方法。该方法提高了跟踪精度的同时也降低了计算量。随着反舰导弹的威胁日益增大,该文针对反舰导弹的机动特性,仿真验证了该算法的有效性。     

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.     

基于神经网络的多机动目标跟踪算法

将神经网络理论用于多机动目标跟踪,解决了联合概率数据关联(JPDA)存在的计算量组合爆炸问题。基于神经网络数据关联(NDA)所得到的最佳关联假设,将其与简化信息融合并行自适应滤波算法(DAF)进行有效结合,在保证量测与目标有效关联的同时,还具备跟踪起始和终结的作用,实现了对多机动目标的状态滤波与预测。仿真结果表明,与传统的交互式多模型联合概率数据关联算法相比,新算法在保证多机动目标的跟踪精度及实时性要求的同时,计算量大大减少。     

工业机器人可变增益自适应迭代学习控制研究

为确保执行重复运动的工业机器人位置、速度的跟踪精度,提出一种可变增益自适应迭代学习控制算法。首先在PD反馈部分增加指数可变增益来加快算法收敛速度,然后在参数自适应部分设计广义误差函数来进一步减小轨迹跟踪误差,增强系统稳定性。通过Lyapunov函数对可变增益自适应迭代学习控制算法的收敛性进行了理论证明,最后利用仿真验证了该控制算法能有效减小机器人轨迹跟踪误差,并加快算法的收敛速度。     

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．     

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。     

机械臂非奇异快速终端滑模模糊控制

针对存在建模误差和外部干扰等大量不确定信息的机械臂轨迹追踪控制问题,提出带有自适应模糊系统的终端滑模控制方法. 该方法采用非奇异快速终端滑模面,使状态变量在滑动阶段具有全局快速收敛性;选取带有变系数的改进型双幂次趋近律,提高状态变量在趋近运动阶段的收敛速度,削弱控制器输出抖振;利用自适应多输入多输出（MIMO）模糊系统对系统模型以及外部干扰进行逼近,摆脱对具体模型信息的依赖,提高轨迹追踪精度和抗干扰能力. 通过构建Lyapunov函数证明系统的闭环稳定性和有限时间收敛性. 以Denso VP6242G串联机械臂为被控对象进行对比仿真和实验,结果表明所设计的控制器能有效提高轨迹追踪精度和抗扰动能力,并缓解控制器输出中的抖振现象.     

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.     

永磁直线同步电机自适应PD型迭代学习控制

针对永磁直线同步电机伺服系统易受摩擦力、端部效应和测量扰动等不确定因素影响的问题,提出一种自适应PD型迭代学习控制方法.该控制方法根据误差的大小在线智能地调整学习增益,从而抑制扰动,并在控制器的微分系数上引入指数学习增益,实现收敛速度与跟踪精度之间的折衷;从理论上证明了自适应PD型ILC的收敛性,分析了该控制算法的优越性.结果表明,与传统PD型ILC相比,自适应PD型ILC具有更快的收敛速度和更强的鲁棒性,大大地减小了跟踪误差.     

AGV建模和自适应模糊滑模跟踪控制研究

介绍了自动导引小车AGV的跟踪控制技术的研究现状;建立了AGV跟踪误差系统运动学和动力学的混合模型;针对AGV的初始位存在误差或给定轨迹不连续时,传统PID轨迹跟踪控制器会使其初始速度产生一个较大跳变的问题,将滑模变结构控制技术与自适应模糊控制技术相结合,提出了一种基于模糊滑模的AGV自适应模糊路径跟随和轨迹跟踪控制器。仿真和实验结果表明,给出的自适应模糊滑模控制器不仅有较好的轨迹跟踪控制效果,而且具有较强的鲁棒性。     

多约束导引控制一体化的自适应鲁棒滑模设计方法

在攻击机动目标的末制导段, 为使舰炮制导炮弹能够同时满足攻击角、视线角速率测量受限、执行器控制饱和等多项约束, 基于自适应鲁棒控制与动态面滑模设计了一种导引控制一体化设计方法. 首先, 在纵平面内, 建立了弹体的导引控制一体化设计模型. 然后, 设计扩张状态观测器迅速准确地估计出视线角速率与目标机动等未知干扰. 其次, 运用自适应指数趋近律设计了非奇异终端滑模, 以确保视线角跟踪误差与视线角速率在有限时间内收敛至零. 进而, 结合自适应鲁棒项构造动态面滑模与虚拟控制量用以镇定串级系统并削弱变结构项的抖振. 进一步地, 通过设计自适应Nussbaum增益函数, 较好地补偿了由舵机偏转受限引入的控制饱和非线性问题. 运用Lyapunov稳定性理论严谨地证明了终端视线角跟踪误差、视线角速率的有限时间收敛性, 以及系统的一致最终有界性. 仿真实验表明, 所提出的设计方法能够使舰炮制导炮弹在打击具有不同机动形式的目标时, 均具备较好的导引控制性能.     

双臂空间机器人的固定时间轨迹跟踪控制

针对双臂空间机器人轨迹跟踪控制问题,考虑系统跟踪误差收敛时间易受初始状态影响,提出与初始状态无关的固定时间非奇异快速终端滑模控制策略. 基于固定时间稳定性理论,设计改进的固定时间非奇异快速终端滑模面. 该滑模面解决了终端滑模控制的奇异问题,使得系统跟踪误差在远离、接近原点时均有较快的收敛速度. 为了削弱滑模控制存在的抖振现象和提高趋近阶段的收敛速度,提出改进的固定时间趋近律,应用李雅普诺夫理论证明闭环系统的固定时间稳定. 以双臂空间机器人为被控对象进行对比仿真,结果表明,所提控制策略具有更高的控制精度、更快的收敛速度和更强的鲁棒性.