自适应交互多模型跟踪算法的模型集设计

自适应交互多模型算法（AIMM）是标准交互多模型算法（IMM）的一种改进。但AIMM遇到了新的问题，包括如何选择自适应模型集的结构，如何从基于旧模型集的滤波器中继承各种数据。本文分析了这些问题，并给出了AIMM中模型集和模型转移概率的设计方法。仿真结果表明，改进的AIMM算法比普通的AIMM算法的跟踪性能有明显的提高。     

用于非线性机动目标跟踪的新型IMM算法

针对在非线性机动目标跟踪中存在的滤波器易发散、机动检测有延迟等问题,把Unscented Kalman Filter(UKF)引进到交互多模型算法(IMM)中,设计了交互多模型UKF滤波器。并利用目标运动模型集概率的相对变化率设计了自适应交互多模型UKF滤波器,最后进行了计算机仿真。蒙特卡罗仿真结果表明,两种滤波算法都具备UKF滤波器精度高、稳定性好、不易发散的优点,同时不需了解目标机动的先验信息,适合于实际应用;并且自适应交互多模型UKF滤波器具有更好的跟踪效果。     

基于中心差分的机动辐射源单站被动跟踪算法

针对机动辐射源的单站被动跟踪问题,结合中心差分滤波(central difference filter)方法,该文提出了一种基于中心差分的交互多模型(IMM)机动目标跟踪算法,无需计算基于EKF(Extended Kalman Filter)方法所需的Jacobian矩阵,易于实现。将传统IMM算法中协方差的传递改造为平方根滤波形式,数值稳定性更好。将该算法应用到联合利用径向加速度和角度信息的单站定位系统,与基于EKF的IMM算法和基于UT(Unscented Transformation)的IMM算法仿真比较表明,该文算法和基于UT的IMM算法性能相当,比基于EKF的算法具有更高的跟踪精度。     

导引模型在FTC自适应IMM-UKF目标跟踪算法中的应用

在应用IMM算法时, 根据战术导弹这种特殊的应用对象, 以两种常用导引律为例, 推导出导引运动模型作为交互模型集;使用不敏卡尔曼滤波器(UKF)实现了IMM-UKF算法, 并根据导引模型的特点引入了弹道收敛因子(FTC)自适应调节IMM算法中的模型转移概率。仿真实验结果表明, 这种基于目标导引运动模型的跟踪算法很好地实现了目标跟踪任务, 并且有效地分辨出了目标机动的运动模型。     

基于概率相关性的AIMM跟踪算法

为解决传统自适应交互式多模型(AIMM)算法计算量普遍过大而不适应于实际工程应用的问题,提出了基于概率相关性的自适应的交互多模型算法(PR-AIMM),该方法在由CA、CV和基于圆周运动的转弯(TR)模型3个基本模型组成的模型集上,利用模型后验概率最近时间相关性自适应地调整马尔可夫转移矩阵的参数,能对空中大部分机动目标进行有效的跟踪,有效地解决在实际工程应用中机动目标跟踪问题.最后运用仿真试验对上述算法进行了合理性和有效性验证,并在实际工程应用中达到了满意的效果.     

变维自适应交互式多模型跟踪算法

针对传统的交互式多模型(IMM)算法通常采用相同维数的模型进行滤波,存在较大的模型误差以及当前统计模型(CS)中的参数需要合理设定的问题,提出一种变维自适应交互式多模型(AIMM)跟踪算法。该算法首先利用维数变换,将不同维数的模型转换为统一的维数进行交互滤波,使之适用于一般的机动目标,减少模型跟踪误差;然后通过引入由残差信息定义的调整因子对CS模型中的参数自适应调整,提高模型与实际运动模式的匹配程度;最后将参数调整后的CS模型反馈到变维IMM算法中,来改善跟踪性能。仿真实验表明,与传统变维IMM算法相比,文中所提算法在有效跟踪机动目标的同时,提高了目标的跟踪精度。     

基于UKF的马尔可夫参数自适应IFIMM算法

给出了一种基于不敏卡尔曼滤波(UKF)的马尔可夫参数自适应的新息滤波器交互式多模型算法,较好地解决了非线性条件下机动目标跟踪的问题,可获得比基于扩展卡尔曼滤波的交互式多模型(IMM)算法和基于UKF的IMM算法更好的稳定性和计算精度,还避免了复杂的Jacobi矩阵运算;该算法结合了马尔可夫参数自适应和新息滤波器技术,实现了马尔可夫转移矩阵的自适应和量测噪声的减小.最后,通过Monte Carlo仿真进一步验证了该方法的正确性和有效性.     

基于模型调整的自适应交互多模型算法

针对交互多模型算法的技术特点,利用量测中所包含的当前信息对目标模型集的自适应调整并对调整后的模型概率进行估计,实现了模型集的自适应交互多模型算法。介绍了这种算法的设计步骤和仿真方法。仿真结果表明了该算法比标准IMM算法具有更高精度的跟踪性能。     

基于改进自适应IMM-UKF算法的水下目标跟踪

针对现有自适应交互式多模型算法(AIMM)在水下目标跟踪过程中模型切换和跟踪精度上的不足,该文结合无迹卡尔曼滤波(UKF)算法,提出一种改进的AIMM-UKF算法。该算法在自适应修正马尔可夫转移概率矩阵的基础上,利用判定窗对其进行二次修正,实现匹配模型概率的快速增大和对非匹配模型的抑制。仿真结果表明,改进算法相比原有自适应算法,能更加充分地利用后验信息,拥有更好的模型切换速度,跟踪精度提升约24%。     

基于SRCDKF的交互式多模型算法

给出了一种基于平方根中心差分卡尔曼滤波的交互多模型(IMM)算法.该算法较好地解决了非线性条件下机动目标跟踪的问题,可获得比基于扩展卡尔曼滤波(EKF)的IMM算法更好的数值稳定性、计算精度和收敛速度,还避免了复杂的Jacobi矩阵运算.Monte Carlo仿真验证了该算法的可行性和有效性.