基于交互式联邦多模型的多传感器融合算法

针对多传感器机动目标跟踪过程中的航迹滤波发散问题,提出了一种将联邦滤波器与交互式多模型滤波算法（IMM）相结合的交互式联邦多模型融合算法IFMM.在IFMM算法中各传感器均具有相同的滤波模型集合,各传感器在同一模型下所产生的滤波结果先采用联邦滤波算法进行融合,然后采用IMM算法对各模型融合结果进行综合,产生目标状态的全局估计.仿真结果表明,IFMM有效提高了机动目标运动状态估计的精确度和稳定性.     

一种有效的异质多传感器异步量测融合算法

提出一种不同类型传感器异步量测融合算法,即首先将量测方程线性化,再在融合中心通过建立伪量测方程,得到同步化的量测数据,然后利用一种扩维滤波的思想进行融合处理得到全局估计,最后进行仿真分析。结果表明了该算法的有效性。该算法体现一种并行处理的思想,故数据处理的速度高,特别适用于异步数据的融合处理。     

一种基于预测值量测转换的卡尔曼滤波跟踪算法

在雷达目标跟踪中,系统量测信息通常在球坐标系下获得。为了采用经典卡尔曼滤波算法实现有效目标跟踪,通常采用量测转换方法将非线性量测信息转换到直角坐标系中。针对传统量测转换方法基于量测值计算转换误差统计特性而导致的估计结果有偏问题,提出了一种基于预测值的量测转换方法,并将其与卡尔曼滤波算法相结合,获得了一种基于预测值量测转换的卡尔曼滤波跟踪算法。仿真结果表明,与现有的基于量测转换的卡尔曼滤波算法相比,该算法能在不提高运算量的情况下有效改善目标跟踪效果,跟踪精度提升约20%。     

基于REKF的异类传感器异步数据融合算法研究

提出了一种基于异类传感器(R和IR)的数据融合目标跟踪算法,两种传感器具有不同的测量维数,量测数据异步采样并以不同的速率传输到融合中心站点.通过时间匹配技术,完成两种异步数据的融合,然后实现滤波器的状态更新.同时文中讨论了一种REKF(旋转推广卡尔曼滤波:Rotation Extended Kalman Filter)算法,可以有效地解决量测非线性和降低计算量的问题.     

基于去相关无偏量测转换的机动目标跟踪

针对雷达非线性量测信息下的机动目标跟踪问题,提出了一种基于去相关无偏量测转换的跟踪算法。该算法以交互多模型算法为基础,利用多个并行的滤波模型覆盖目标可能的运动模式,其中各个子滤波器均采用去相关无偏量测转换方法解决系统量测与目标运动状态之间的非线性问题。该量测转换方法同时也克服了量测转换固有的缺陷。蒙特卡罗仿真结果表明,相对于传统的量测处理算法,采用基于去相关无偏量测转换的跟踪算法能获得更高的目标跟踪精度。     

一种基于多传感器数据融合的目标跟踪算法

在制导与跟踪系统中．雷达和红外成像传感器所固有的优缺点,决定了其自身的局限性。为综合利用上述传感器信息,提高目标跟踪精度,提出了一种基于雷达和红外成像传感器数据融合的交互多模目标跟踪算法,算法首先对红外图像进行处理,然后基于上述处理结果．利用交互多模算法对雷达观测信息进行目标跟踪,最后采用分布式数据融合算法得到最终目标的跟踪结果。在有效提高跟踪精度的同时,减少了运算量。     

贪婪的量测划分机制下的多传感器多机动目标跟踪算法

针对低检测概率下多机动目标的跟踪问题,该文提出一种新的交互式多传感器多目标多伯努利滤波器(IMM-MS-MeMBer).在IMM-MS-MeMBer滤波器的预测阶段,该文利用当前的量测信息自适应地更新目标的模型概率,并利用更新后的模型概率对目标状态进行混合预测;在IMM-MS-MeMBer滤波器的更新阶段,使用贪婪的多...     

贪婪的量测划分机制下的多传感器多机动目标跟踪算法

针对低检测概率下多机动目标的跟踪问题,该文提出一种新的交互式多传感器多目标多伯努利滤波器(IMM-MS-MeMBer).在IMM-MS-MeMBer滤波器的预测阶段,该文利用当前的量测信息自适应地更新目标的模型概率,并利用更新后的模型概率对目标状态进行混合预测;在IMM-MS-MeMBer滤波器的更新阶段,使用贪婪的多传感器量测划分策略对多传感器量测进行划分,并利用得到的量测划分集合和IMM-MS-MeMBer滤波器对目标的后验概率密度进行更新;除此之外,IMM-MS-MeMBer滤波器能够利用目标的角度和多普勒量测信息同时实现多个机动目标的位置、速度估计.数值实验验证了该文所提IMM-MS-MeMBer滤波器的优越性能.     

一种新的机动目标跟踪的多模型算法

采用带渐消因子的当前统计模型与匀速运动模型进行交互,设计了一种新的机动目标跟踪的交互式多模型算法。当前统计模型具有对一般机动目标跟踪精度高的特点,通过渐消因子的引入增强了该模型对突发机动的自适应跟踪能力,同时通过与CV模型的交互保证了对非机动目标的跟踪性能。仿真结果表明,在跟踪一般机动目标时,其误差和当前统计模型与CV模型交互的IMM算法相当;在跟踪突发机动目标时,该文算法的误差明显小于当前统计模型与CV交互的IMM算法。     

一种多传感器融合的多维数据互联算法

多传感器融合的数据关联问题一直是目标跟踪领域的核心与难点之一.文中提出了一种多传感器融合的多维数据互联算法.首先进行多目标跟踪模式的判断,根据跟踪模式选取不同维数的数据互联算法,对现有的多维数据互联算法存在问题进行了分析和改进,给出了算法实现的伪代码.仿真与实验结果表明,该算法对弹道目标跟踪具有较好的效果,对复杂环境下的多目标也能进行稳定地跟踪.     

一种基于异步数据融合的传感器管理方法

针对多传感器系统存在观测数据过多,数据融合中心处理负担过重的问题,在引入一种基于传感器观测数据序贯处理的最优异步融合算法的基础上,提出一种基于目标协方差控制的传感器选择算法对异步观测数据进行优化组合,从而实现以最小的计算量达到所要求的目标状态估计精度。最后的仿真结果证明了该算法的有效性和可行性。     

一种基于UKF交互多模型算法

交互多模型采用模型软切换方式有效地解决了目标运动模式多样化的问题,是目前最具实用性的多模型机动目标跟踪算法。自从1988年提出该算法后,迅速在雷达机动目标跟踪与雷达组网技术中得到了广泛的应用。结合交互多模型算法和目前发展较为成熟的非线性估计算法———无味滤波算法,以高机动反舰导弹目标跟踪为应用背景,以基于匀速运动、匀加速运动、匀速转弯和“当前”统计模型这四种跟踪模型组成的模型集为基础,对交互多模型算法进行了仿真研究,证实了该算法的有效性。     

基于IMM-UKF的主/被动雷达融合算法

在主/被动雷达双传感器目标跟踪背景下,提出一种基于IMM-UKF滤波的加权数据融合算法。该算法采用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。与单一传感器进行仿真比较,结果表明该算法可以比任一单传感器滤波精度高,稳定性更好。     

基于全局状态估计的多传感器加权数据融合算法

自学习最小二乘加权数据融合算法已被广泛地应用于融合多传感器系统中的量测信息.但是,通过深入的理论分析和实验仿真发现,自学习最小二乘加权数据融合算法在进行双传感器数据融合时具有较差的融合精度,同时该算法还具有较差的抗干扰性及稳定性.基于以上研究结果,提出了一种基于全局状态估计的多传感器加权数据融合算法,采用卡尔曼滤波的状态估计特性及相关历史信息,使得状态的估计值能够充分逼近真实值,从而使得算法具有较高的融合精度及抗干扰性.最后,MonteCarlo仿真结果显示,相比于已有算法,提出的算法在融合精度及抗干扰性方面具有明显地提高.     

基于异构传感器的飞行目标测量数据融合

在飞行目标的靶场试验中,需要对其进行有效的检测、跟踪和精确地完成位置估计.在分析激光跟踪测量系统和红外搜索与跟踪系统的发展现状、工作原理、发展趋势的基础上,提出一种新的基于激光跟踪测量系统和红外搜索与跟踪系统异构传感器的融合模型,对飞行目标在靶场试验的过程中进行数据融合,从而得到更为精确的飞行位置数据.     

基于STF的"当前"统计模型及自适应跟踪算法

在"当前"统计模型(CS)的基础上,提出了一种新的机动目标自适应跟踪算法STF-CS.该算法通过引入强跟踪滤波器(STF)的渐消因子,实时调节滤波器增益,增强了系统对突发机动的自适应跟踪能力,同时保留了"当前"统计模型跟踪算法对一般机动目标跟踪精度高的特点.仿真结果表明,在跟踪一般机动目标时,其误差和"当前"统计模型算法相当;在跟踪突发机动目标时,本文算法的误差明显小于"当前"统计模型及自适应算法.     

一种新的基于粒子滤波的多模型跟踪算法

粒子滤波技术通过非参数化的蒙特卡罗模拟方法实现递推贝叶斯滤波,适用于非线性目标运动模型、非线性传感器测量模型和非高斯噪声的目标跟踪。但需已知目标和量测模型,而实际情况往往难以满足此条件。交互多模型算法(IMM)依据各模型对目标前一时刻状态估计的方差,确定各模型在当前时刻状态下存在的概率,利用各模型对目标状态估计的加权和,确定目标的状态。本文采用粒子滤波代替IMM算法中各模型的Kalman滤波,将粒子滤波与IMM的优点相结合。同时,采用UKF(UnscentedKalmanFilter)产生粒子,由于考虑了当前量测,使得粒子的分布更加接近后验概率分布,用较少的粒子就可以逼近目标的真实状态。仿真实验结果表明,本算法可用于标准IMM算法无法实现跟踪的复杂情形,而且使用的粒子数目仅是同类算法的二十分之一。     

局域跟踪的测速雷达网量测融合弹道解算

 组网测速雷达覆盖地域较广,火箭飞行初始段,只有局域雷达网捕获目标,没有足够速度量测,无法独立解算弹道.本文利用测速雷达精度较低的角度量测,以交会方法先获得初步的目标位置估计作为伪定位量测,利用无迹卡尔曼滤波(UKF)将其与高精度速度量测融合对弹道进行估计.蒙特卡罗仿真表明,该方法可以弥补角度量测的精度,获得满足精度要求的弹道估计.     

在非视距环境下基于数据融合的无线定位算法研究

在基于TDOA数据融合算法的基础上,给出了一种在非视距环境下改进型数据融合模型。该模型利用联合卡尔曼法消除偏差较大的测量值对后续估计值的影响,有效抑制了卡尔曼滤波的不收敛,降低了对可采用系数的限制,从而使可采用的系数进一步降低,更大程度地消除了非视距误差,提高定位精度。