共查询到20条相似文献,搜索用时 31 毫秒
1.
提出了一种实时的机动目标多模型跟踪算法。该算法包含两个并行的Kalman滤波器,分别为匀速Kalman滤波器和匀加速Kalman滤波器。定义了“滤波运动模型偏离度”作为模型切换的判据,在线实现了两个Kalman滤波器的自动切换,使总输出结果最大程度的符合实际运动模型。通过可调过程噪声的自适应方法,抑制了滤波发散,避免了在模型切换时误差跳变过大。仿真测试结果表明,该算法跟踪精度高,计算量小,因此适合在自行高炮的目标跟踪中使用。 相似文献
2.
在处理非线性强机动目标跟踪问题时,扩展卡尔曼滤波方法跟踪误差大、容易引起滤波发散,同时其系统模型可能随时间变化,不能应用传统的线性滤波方法以及单一状态模型来处理该类问题.假设在整个跟踪过程中,运动由水平匀速运动、俯冲运动和爬升运动3部分组成,目标量测由斜距、方位角和高低角组成,并基于此建立了目标运动状态模型和观测模型,给出了模型转换矩阵,设计了基于IMM-UKF滤波器,并进行了仿真.结果表明,该方法可以以较高精度跟踪非线性机动目标运动状态,同时具有较高的收敛速度. 相似文献
3.
4.
目标跟踪是水下声自导武器智能化发展的重要方向之一。水下主动声自导武器目标跟踪过程具有观测基座运动和观测时变的特点,本文利用水下声自导武器导航定位及航行姿态参数和水下声自导武器检测到的目标信息,基于坐标变换将目标坐标从水下声自导武器坐标系变换到大地坐标系,解决了观测基座运动的问题,通过实时计算采样周期解决了观测时变问题,建立了基于卡尔曼滤波的水下声自导武器目标跟踪模型,分析了滤波初值选取问题,给出了滤波初值选取的工程方法。仿真结果证明,本文所建模型正确,跟踪算法具有较快的收敛速度,跟踪效果良好。 相似文献
5.
为解决载体在高动态下大幅度运动出现的滤波发散问题,提出强跟踪无迹卡尔曼滤波(strong tracking
uncented Kalman filter,STUKF)算法。分析组合导航模型和研究经典的无迹卡尔曼滤波(uncented Kalman filter,UKF)
算法,将强跟踪UKF 算法应用于SINS/GNSS 组合导航系统,并与经典UKF 算法和衰减记忆UKF 算法进行比较。
分析结果表明:该强跟踪UKF 算法性能较好,能明显缩短滤波时间,减小速度误差和位置误差,从而提高组合导航
的准确性和稳定性。 相似文献
6.
红外跟踪与激光测距的联合跟踪系统在实际工程中得到越来越多的应用,但两类传感器采样不同步是比较常见的,从而带来了一些新问题.激光测距机的采样频率远远低于红外测角的采样频率,并非每个采样时刻都可以得到测距信息,因此,目标跟踪存在可观测性问题.提出了一种新的红外激光联合跟踪算法,即先对测角数据进行基于变长有限记忆最小二乘的预估计,然后将预估计后的测角结果与激光测距信息一起代人转换测量Kalman滤波方程中进行滤波.由于该算法有效的利用了全部测角信息,因此有利于改善跟踪估计性能.仿真实验表明,该算法具有较高的跟踪精度,且计算量较小. 相似文献
7.
水下目标的被动跟踪由于隐蔽性好, 有着很强的需求背景。本文提出了基于收敛方差跟踪的水下目标运动分析算法, 由于采用方位频率Kalman滤波, 可以得到速度渐近无偏估计, 利用速度估计值对目标位置初值进行线性估计, 进而估计目标运动状态, 采用该方法可以有效消除直接应用伪线性Kalman滤波算法引起的初值偏差, 仿真结果表明, 该方法对目标运动要素具有良好的估计性能。 相似文献
8.
在雷达/红外复合制导机动目标跟踪背景下,针对非线性机动目标融合跟踪存在滤波器易发散问题,提出一种基于交互式多模型无迹卡尔曼滤波(IMM-UKF)的分布式加权融合算法。IMM具有对不同目标机动模式自适应跟踪的能力;UKF对观测数据进行滤波估计,避免了计算雅克比矩阵,克服EKF滤波方法受滤波初值影响大、易发散的缺点;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。仿真结果表明:该算法在处理非线性系统机动目标跟踪融合结果误差均得到减少,更能提高目标跟踪滤波精度,增强了系统稳定性。 相似文献
9.
10.
11.
12.
13.
14.
针对分布式目标跟踪过程中出现数据丢包和不完全量测现象,提出一种分布式目标跟踪算法.该算法由统计意义下局部滤波器和基于协方差交叉算法融合滤波器构成,其中局部滤波器利用邻域内各节点测量信息计算局部滤波值,融合滤波器则将邻域内各节点局部滤波值进行融合处理,得到该节点的目标坐标信息;最后,利用典型目标航迹模型对该算法进行仿真分析.仿真结果表明:该算法可有效抑制不完全信息发生时对目标跟踪结果的不利影响,可为分布式目标跟踪系统在实际工程中的设计与研制提供有益的参考. 相似文献
15.
16.
17.
闪烁噪声环境下目标跟踪的UPF算法研究 总被引:2,自引:0,他引:2
介绍了一种改进的粒子滤波(PF)算法——无味粒子滤波算法(UPF)。该算法结合UKF(unscented Kalman filter)和PF算法,利用UKF对非线性系统的处理能力,用UKF得到粒子滤波的重要性采样密度函数,从而克服了PF没有考虑最新量测信息和UKF只能应用于噪声为高斯分布的不足。在给出的闪烁噪声统计模型基础上.将UPF、PF算法在雷达目标跟踪中进行了比较,仿真结果表明该方法可以取得比标准的粒子滤波更快的滤波收敛性和更高的滤波精度。 相似文献
18.
为了提高传统 Mean Shift 算法在目标快速运动和被大面积遮挡两种情况下跟踪的效果,对 Mean Shift 跟踪算法进行了3点改进:采用 Kalman 滤波器预测运动目标轨迹,以提高算法对快速运动目标的鲁棒性;提出了一种融合Kalman 滤波器残差和 Bhattacharyya 系数的遮挡处理机制,以提高目标被大面积遮挡时的跟踪效果;提出了一种基于自适应更新因子的目标模型更新机制,以提高动态适应能力。对比实验结果表明,改进算法能有效提高在上述两种情况下的跟踪效果,并且在遮挡情况下具有较好的鲁棒性。 相似文献
19.