被动声探测系统机动当前模型的卡尔曼滤波跟踪算法研究

采用机动“当前”模型对被动声探测目标进行了建模，并提出了采用Kalman滤波算法作为目标跟踪的主要算法，给出了仿真算法的详细设计流程。从仿真分析可以看出，采用机动当前模型的Kalman滤波算法可以有效地满足声探测系统的跟踪要求。     

基于机动单元库的TSO-GRU-Ada机动轨迹预测

机动轨迹预测是自主空战中的一个重要组成部分。针对无人战斗机机动轨迹预测精度低且时耗过长的问题,提出一种基于机动单元库的自适应集成三角优化门控循环神经网络预测方法。建立无人战斗机3自由度模型,解决轨迹数据来源问题;通过4种轨迹特征,将轨迹分为平面机动、空间左转弯机动和空间右转弯机动三类,构建21种基本机动单元;介绍门控循环神经网络,为避免网络梯度优化陷入局部最优,引入三角搜索优化算法更新网络内部权值和偏置。为提高预测精度,采用自适应增强算法构建强预测器;通过实验选取预测器最优参数,在不同机动单元情况下进行预测,预测精度较高且均能满足时耗要求;为检验在机动轨迹上的预测性能,从空战训练测量仪中选取一段轨迹,与5种不同预测模型进行对比。研究结果表明,所提模型的预测精度最佳。     

一种基于ARMA新息模型的机动目标跟踪算法

针对一般机动目标跟踪算法的复杂性和计算量大的缺点,提出了一种基于ARMA新息模型的改进稳态Kalman滤波算法.该算法选取极坐标系为跟踪坐标系,将反映径向加速度和机动角加速度的控制输入量引入到目标距离和方位的状态描述模型中,其计算量远远小于一般跟踪算法.仿真试验结果表明该算法满足机动目标跟踪的精度要求,可应用于机动目标的快速跟踪.     

一种实时的机动目标多模型跟踪算法

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。     

基于视频的装甲车和飞机检测跟踪及轨迹预测算法

针对当前视频目标跟踪算法跟踪多目标容易跟丢的问题,以视频中的装甲车、飞机为研究对象,研究一种改进跟踪学习检测(TLD)的视频多目标检测跟踪算法.对于跟丢的目标,利用Kalman滤波算法的预测功能跟踪视频中典型目标的轨迹,并采用Kalman滤波算法跟踪的轨迹来弥补TLD算法丢失的部分,从而获得视频中典型目标的完整轨迹,以...     

基于消隐记忆SCKF的交互式多模型算法

针对交互式多模型算法(Interacting Multiple Model,IMM)在机动目标跟踪时,因模型不准确导致的滤波误差增大问题,提出了基于消隐记忆平方根容积卡尔曼滤波(Memory Attenuation Square Root Kalman Filter,MASCKF)的交互式多模型算法(IMM-MASCKF)。该算法在模型滤波中引入消隐记忆滤波理论,通过消隐记忆因子增大新息在滤波中的比重,改善了滤波器对目标机动的动态性能,提高了滤波精度。仿真结果表明,该算法可以实现对机动目标的有效跟踪,且与常规交互式多模型算法相比减小了滤波误差。     

战场运动目标参数估计与预测

建立了战场等加速运动目标和机动目标运动状态Kalman滤波预测模型.仿真结果表明,跟踪和预测算法能对目标距离、速度、加速度等运动参数进行有效的跟踪和预测,且估计误差小,为远程寻的导弹射击准备与中制导提供了可靠依据.     

基于CS-Jerk模型的改进机动目标跟踪算法

文中通过对CS-Jerk模型中的参数以及卡尔曼滤波的分析,提出了一种改进的CS-Jerk模型目标跟踪算法。该算法根据量测新息及其变化率,通过模糊推理机制自适应的调整"当前"统计Jerk模型的机动频率,接着利用强跟踪滤波器对运动模型进行滤波来弥补卡尔曼滤波器的不足。仿真结果表明,提出的改进CS-Jerk模型目标跟踪算法显著提高了原CS-Jerk模型在不同机动模式下对高机动目标的跟踪精度,验证了算法的合理性和可行性。     

弹道导弹再入段跟踪制导算法研究

首先针对弹道导弹再入大气层后的弹道轨迹进行仿真建模。为解决当前目标跟踪算法中机动模型与再入类目标实际运动不匹配的问题,采用了基于弹道模型的目标跟踪算法。获得滤波结果中来袭导弹目标的每一时刻位置及速度信息后,利用比例导引制导方法,可以实现对来袭目标和拦截弹理想弹道轨迹的三维数据仿真。仿真结果表明,算法可以对导弹目标进行稳定的跟踪,对拦截弹进行精确的制导。     

基于改进 Mean Shift 的运动目标跟踪算法

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。     

基于卡尔曼滤波的交互式多模型GPS定位方法研究

针对GPS定位中,由于模型单一而不能适应环境影响或机动过程变化的问题,提出将交互式多模型算法引入到定位方法中。文中详细阐述了基于卡尔曼(Kalman)滤波的交互式多模型(IMMKF)算法原理及其在GPS定位中的应用。根据静态单点定位实测数据的试验分析,验证了变噪声模型的IMMKF能很好地适应环境噪声的变化;进一步通过动...     

机动频率自适应的机动目标模糊跟踪算法

分析了基于＂当前＂统计模型的跟踪算法中,机动频率对滤波算法的影响.提出一种模糊自适应跟踪算法,该算法根据量测新息及其变化率通过模糊推理机制调整＂当前＂统计模型中的机动频率,以适应不同的目标机动模式.针对直角坐标系下量测模型为非线性方程,采用转换坐标卡尔曼滤波对目标状态进行估计.仿真结果表明：该算法无论跟踪机动目标还是非机动目标,其精度都要优于常规的基于＂当前＂统计模型的跟踪算法.     

状态信息和轨道信息下的非合作目标精密跟踪技术

针对随机脉冲推力控制下的空间机动目标跟踪问题,提出一种基于状态信息和轨道信息的实时跟踪算法。该算法通过基于机动推力a-β动力学模型和改进当前统计模型的并行计算滤波器,完成空间非合作目标高精度实时跟踪。同时,利用直观的轨道信息,完成机动检测,采取重置滤波参数的方式获得更快的收敛速度和稳健性。仿真实验表明该算法可有效检测机动,实现了对非合作目标机动目标的轨道确定,具有一定的工程实用性。     

机动目标跟踪的多传感器分层加权融合算法

针对应用并行,Bar Shalom-Campo等融合算法实现多传感器对机动目标的融合跟踪时,经典的交互多模型(IMM)无法提供目标运动模型这个先验信息的问题,提出一种机动目标跟踪的多传感器分层加权融合算法,该算法通过分层加权得到多种融合算法所需的目标运动模型信息,最后使用扩展卡尔曼滤波器(EKF)对状态预测和量测进行融合估计,实现了多传感器对机动目标的融合跟踪。仿真实验表明,和单传感器相比,所提算法显著提升了机动目标的跟踪精度。     

基于期望系统噪声模型的自适应机动目标跟踪

对于机动目标跟踪问题,由于目标机动能力的增强,使建立的目标模型与目标的实际运动失配。为解决这个问题,需建立大量模型来逼近真实模式。但这使计算量增大,而且性能不一定能提高。本文提出基于期望系统噪声模型的自适应交互式多模型(IMM)算法。该算法自适应调整部分系统噪声模型,使之接近符合实际的系统噪声模型。对目标机动运动的Monte-Carlo仿真结果表明,本算法对机动目标的跟踪精度比标准IMM算法有较大改进,且计算量适中。     

间瞄寻的导弹末段最优制导建模与仿真

为了研究机动目标对制导精度的影响,将目标机动统计特性描述为目标加速度的微分是有色噪声序列并建立了相应的系统状态模型,比统计独立的白噪声序列具有更大的目标机动模式覆盖范围。采用Kalman滤波算法对系统状态模型进行求解,从而实现最优制导回路的闭合。仿真结果表明,与传统的导引律相比,该方案在不改变导弹硬件的前提下,提高了导...     

机动目标自适应跟踪算法研究

为了克服“当前”统计模型自适应跟踪算法（CAF）跟踪匀速运动目标误差较大和跟踪加速机动目标速度与加速度估计误差和动态时延较大的缺陷,通过分析研究CAF算法,采用截断正态分布表征目标的机动加速度特性,考虑风速和加速度估计均值的影响,对机动加速度与方差自适应关系修正,自适应补偿过程噪声协方差矩阵,提出了一种改进的机动目标自适应跟踪算法。理论分析与仿真结果表明,该算法能够准确描述目标的各种机动情况,具有良好的跟踪性能和实际应用价值。     

一种改进的机动目标跟踪算法

针对“当前”统计模型算法中加速度极限值预先设定对算法造成的不利影响,提出了一种改进的机动目标跟踪算法,即位置偏差估计自适应算法．该算法利用位置预测估计与位置估计之间的偏差对噪声方差进行自适应调整,从而避免了加速度极限值的预先设定问题,提高了机动目标的跟踪性能．仿真结果也表明了该算法的良好跟踪性能．     

基于卡尔曼滤波和DDQN算法的无人机机动目标跟踪

为使无人机能够自主、准确地预测目标状态,进而对敌方机动目标进行跟踪,基于卡尔曼滤波和深度强化学习DDQN算法提出了一种在线决策算法。通过构建无人机机动目标跟踪模型和马尔科夫决策过程框架,结合卡尔曼滤波对目标状态进行了准确预测和更新;然后整合无人机自身状态作为神经网络输入,利用DDQN算法进行针对性训练,实现了无人机对机动目标的自主跟踪控制。仿真实验证明,相较于经典DQN算法,基于DDQN算法训练后的无人机,在跟踪任务中能够对目标保持更长的有效跟踪时间、跟踪距离更近,并保持更稳定的飞行状态,最终实现对机动目标的高效跟踪。     

基于"当前"统计模型的模糊自适应跟踪算法

基本的机动目标“当前”统计模型及其自适应卡尔曼滤波算法虽能对强机动目标进行很好的跟踪,但是在跟踪弱机动目标时却存在较大的误差。针对这一问题,新算法中引入一种非线性模糊隶属度函数来自适应地调整目标加速度上下限,并从理论上分析了新算法对于弱机动目标跟踪的有效性。通过计算机仿真验证了新算法相对于基本“当前”统计模型及其自适应跟踪算法的明显优势。