基于强跟踪容积卡尔曼滤波的单站无源跟踪算法北大核心CSCD

系统模型和滤波算法是机动目标单站无源定位跟踪要解决的核心问题。文中采用截断正态概率模型和一种新型的滤波算法--容积卡尔曼滤波,对机动目标进行单站无源定位跟踪。针对目标突发机动的情况,借鉴强跟踪滤波器的思想,在滤波过程中引入时变渐消因子,提出了一种强跟踪容积卡尔曼滤波算法(Strong Tracking Cubature Kalman Filter,STCKF)。该算法利用容积数值积分原则直接计算非线性随机函数的均值和方差,实现简单,估计精度高,并通过渐消因子自适应在线调节增益矩阵,增强了系统对突发机动的跟踪能力。结合空频域单站无源定位模型进行仿真实验表明,STCKF算法在对一般机动目标进行跟踪时,性能与CKF算法相当,并优于传统的EKF算法。当目标突变大机动时,STCKF算法的滤波性能要高于EKF以及CKF算法。     

一种多传感器目标跟踪中的简单切换方法

本文基于一种快速卡尔曼滤波的跟踪算法,利用已经确定的传感器布局信息,预先计算出不同空间位置上不同传感器组合的GDOP因子,并根据GDOP建立了多传感器的切换准则.从而可以在目标航迹的不同阶段上,选取最优GDOP的传感器组合,用尽可能少的传感器对机动目标进行精确跟踪.仿真结果表明该方法不仅降低了算法的计算量,而且仍然能够保持良好的跟踪性能.     

多模型粒子滤波在机动目标跟踪中的应用

针对在非线性机动目标跟踪中存在的滤波器易发散,跟踪误差大等问题,在双机协同跟踪的基础上,提出了利用交互式多模型粒子滤波(IMMPF)对空中机动目标进行跟踪的算法。该算法将粒子滤波和交互多模型有效结合,基本解决了非线性机动目标跟踪中存在的问题。通过仿真表明,与扩展卡尔曼滤波(EKF)和交互式模型扩展卡尔曼滤波(IMMEKF)相比,IMMPF能够降低跟踪误差,提高收敛速度,且有很强的鲁棒性。     

基于UKF算法的双机协同无源跟踪

针对单机对目标被动定位跟踪不具有完全可观测性,建立了双机协同探测定位跟踪模型,利用双机探测到的目标方位角和俯仰角,结合非线性滤波算法估计出目标的位置和速度参数。为解决传统的非线性滤波误差比较大、容易发散的问题,引入无迹卡尔曼滤波(UKF)算法。仿真实验表明,与扩展卡尔曼滤波相比较,UKF能更好地解决量测方程的非线性问题,滤波效果更好。     

基于Q学习的双机协同探测路径规划方法

建立双机协同被动探测的任务模型, 运用模糊理论对问题状态空间进行泛化, 针对不同的探测阶段给出了目标转移函数的不同形式, 通过合理定义动作空间和奖励函数将问题描述为Markov决策过程。给出了双机协同被动雷达探测的模糊Q学习算法, 并对算法进行仿真, 仿真结果表明, 该方法能够有效控制双机的飞行路径, 实现对机动及非机动目标的有效探测。     

基于观测站机动的机载单站无源定位跟踪研究

运动单站对运动辐射源在利用相位差变化率进行跟踪时,需要满足更严格的可观测性要求,只有当观测站载机比目标具有至少高一次的已知机动运动才可能实现可观测性.针对目标匀速直线运动的情况,提出观测器加减速直线和匀速圆周两种机动运动方式,并通过非线性滤波算法对目标定位跟踪.给出了两种观测器机动情况下EKF和UKF的滤波结果,计算机仿真表明,两种情况都可以对目标进行定位跟踪,且与EKF算法相比较,UKF算法实现简单,在运算量不增加的同时有更好的定位与跟踪性能.     

多IRST自适应协同定位技术研究

为解决传统单红外搜索与跟踪(IRST)系统观测度不足,无法提供目标全维态势信息的问题,提出了基于几何精度因子(GDOP)的多IRST自适应协同定位技术。其核心思想为对多IRST进行双机组合配对,依据配对组合的GDOP值构造面向定位精度的信息类函数,进而确定联邦滤波信息分配系数,最后基于自适应联邦滤波算法解决双IRST配对组合局部估计的全局信息融合问题,得到目标的精确位置信息。通过仿真结果证明,所提算法定位精度高、可靠性强,同时,可保证全局定位结果的精确性及稳定性。     

双被动雷达交会跟踪的精度分析与跟踪算法

多平台的被动传感器交会(融合)跟踪系统的功能就是将呈网状分布的多被动传感器测量到的目标的角度量测信息进行融合,以得出目标的运动状态.本文基于无偏估计的Cramer-Rao 不等式,分析了运动平台上的双被动雷达交会跟踪目标时不同通信带宽情况下的估计精度问题,并且建立了对机动目标交会跟踪的扩展卡尔曼滤波(EKF)跟踪算法.     

基于RHC-PSO的双机协同探测跟踪行为决策

针对现代空战双机编队协同探测的复杂性, 以双机协同探测一架敌机为背景, 基于滚动时域控制思想对搜索跟踪阶段战斗机机动决策及雷达行为决策进行研究。首先建立雷达的探测模型, 重点研究双机协同探测态势及全向雷达反射面积(RCS)动态特性; 其次建立了战斗机协同搜索跟踪行为决策模型, 重点分析了协同探测控制函数的建立, 以及基于粒子群算法的探测行为决策模型; 最后进行了仿真验证。仿真结果表明, 该方法可以有效提高我方战斗机协同探测能力。     

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。     

非高斯噪声情况下多平台机动目标被动跟踪新方法

针对仅有角度测量信息条件下,被动传感器融合目标跟踪问题,提出了扩维UKF滤波算法;并对经典IMM进行改进提出变维IMM算法,利用不同维数模型之间的交互式融合解决对机动目标的跟踪问题;进一步考虑实际情况中往往存在的测量噪声为非高斯情况,引入自适应滤波方法。最终提出变维交互式多模型自适应抗差扩维无迹滤波方法（VDIMM-AAUKF）,成功实现了被动多传感器在高斯和非高斯噪声情况下对机动目标跟踪。仿真实验结果表明该算法跟踪精度高、稳定性好,具有较好的实际应用价值。     

空基多平台对空中机动目标的被动跟踪定位算法

针对空中机动目标的被动定位跟踪问题,提出了一种先用静态估计理论对空中目标进行最小二乘估计,再采用基于“当前”统计模型的自适应滤波算法进行滤波处理的方法,取得了比最小二乘估计与卡尔曼滤波相结合的算法更好的效果。仿真结果表明,在跟踪非机动目标时,该算法和最小二乘估计与卡尔曼滤波结合的办法相当;在跟踪机动目标时,该算法的误差明显小于原算法。     

面向目标跟踪的机载组网雷达辐射参数与航迹规划联合优化算法

该文针对机载组网雷达,在单目标跟踪场景下,研究了雷达辐射参数与航迹规划联合优化问题。首先,推导了包含各雷达辐射功率、驻留时间、发射信号高斯脉冲长度和信号带宽等射频辐射参数以及各载机速度、朝向角等平台运动参数的贝叶斯克拉默-拉奥下界(BCRLB)表达式,以此作为表征目标跟踪精度的衡量指标;推导了含有各雷达辐射功率、驻留时间等射频辐射参数以及各载机速度、朝向角等平台运动参数的机载组网雷达被截获概率,以此作为表征机载组网雷达射频隐身性能的衡量指标。在此基础上,建立了面向目标跟踪的机载组网雷达辐射参数与航迹规划联合优化模型,以最小化机载组网雷达的目标估计误差BCRLB为优化目标,以满足给定的系统射频资源、载机机动能力和预先设定的被截获概率阈值为约束条件,对各载机飞行速度、朝向角以及各机载雷达辐射功率、驻留时间、发射信号高斯脉冲长度和信号带宽进行联合优化设计,以提升机载组网雷达的目标跟踪精度。最后,针对上述优化问题,结合粒子群算法,采用5步分解迭代算法进行求解。仿真结果表明,与现有算法相比,所提算法能够在满足一定射频隐身性能要求的条件下,有效提升机载组网雷达的目标跟踪精度。      

被动传感器阵列中基于粒子滤波的目标跟踪

针对被动传感器阵列中的机动目标跟踪问题,该文提出了一种基于多模Rao-Blackwellized粒子滤波的机动目标跟踪新方法。算法首先基于Rao-Blackwellization理论将机动目标跟踪问题划分为模型选择和目标跟踪两个子问题;采用多模Rao-Blackwellized粒子滤波对目标运动模型进行选择,扩展Kalman滤波对目标进行更新,有效降低了抽样粒子状态维数,节省了计算时间;最后,建立了被动传感器阵列的非线性观测模型。实验结果表明,提出方法可以有效地对目标模型进行选择,算法的跟踪性能及稳定性要好于交互多模型(IMM)方法。     

红外与激光主/被动联合跟踪算法

针对单站红外被动式跟踪存在不可观测性问题，提出红外与激光主／被动单目标联合跟踪方法。该方法首先针对三维空间任意机动目标的跟踪问题，将参考文献[1]给出的一维机动目标“当前”统计模型推广到三维情况，得到三维情况下跟踪任意机动目标的状态方程和跟踪系统的非线性量测方程。然后对红外探测器测量的角度信息和激光测得的距离信息进行融合，得到正确的测量值。最后提出扩展的自适应卡尔曼滤波算法并进行了仿真研究。仿真表明；方案可行，可同时对目标三个空间坐标轴的位置、速度、加速度进行估计。     

杂波环境下被动多传感器机动目标跟踪新算法

针对杂波环境被动传感器机动目标跟踪问题,该文研究了一种基于粒子滤波的被动多传感器机动目标跟踪新算法。 在该算法中,首先推导了杂波环境下粒子滤波的似然函数表达式。其次将粒子滤波与交互多模型(IMM)相结合,用IMM方法实现模型的切换,以适应目标的机动变化。用粒子滤波实现对观测方程的非线性处理。最后,建立了被动多传感器的非线性观测模型,避免了目标的不可观测性,并且算法还能够处理非高斯噪声情况。仿真实验结果表明,提出的算法能够有效地对被动机动目标跟踪,且性能优于交互多模型概率数据关联滤波器(IMM-PDAF)。     

三维机动辐射源的单站无源跟踪方法

针对单站无源定位中对于机动辐射源利用角度及其变化率能否定位的问题，引入雷达对机动目标跟踪的多级噪声自适应(ANL)法和交互多模(IMM)方法，以及机动目标运动模型如Singer模型、匀加速模型等，研究并提出了两种对机动辐射源利用角度及其变化率进行单站无源跟踪方法。通过计算机数字仿真表明，在满足定位可观测条件的前提下，对机动辐射源仅仅利用角度及其变化率是可以定位的，其中IMM方法具有比较优秀的性能。     

红外与激光主/被动联合跟踪算法

文中针对单站红外被动式跟踪存在可观测性问题,提出红外与激光主／被动单目标联合跟踪方法。该方法首先针对三维空间任意机动目标的跟踪问题,将参考文献[1]给出的一维机动目标“当前”统计模型推广到三维情况,得到三维情况下跟踪任意机动目标的状态方程和跟踪系统的非线性测量方程,然后对红外探测器测量的角度信息和激光测得的距离信息进行融合对准,得到正确的测量值。最后,提出扩展的自适应卡曼滤波算法并进行了仿真研究。仿真研究表明方案可行,可同时对三维空间目标的位置、速度、加速度进行估计。     

Bearings-only maneuvering target tracking based on fuzzy clustering in a cluttered environment

This paper proposes a novel bearings-only maneuvering target tracking algorithm based on maximum entropy fuzzy clustering in a cluttered environment. In the proposed algorithm, the interacting multiple model (IMM) approach is used to solve the maneuvering problem of target, and the false alarms generated by clutter are accommodated through a probabilistic data association filter (PDAF). To reduce the computational load, the association probability is substituted by fuzzy membership degree provided by a modified version of fuzzy clustering algorithm based on maximum entropy principle, and the “maximum validation distance” is also defined based on the discrimination factor, which enables the algorithm eliminate invalid measurements. Moreover, to avoid the unobservability problem of passive target tracking, a nonlinear measurement model of multiple passive sensors is formulated. Finally, simulation results show that the proposed algorithm has advantages over the conventional IMM-PDAF algorithm in terms of simplicity and efficiency.     

角速度估计自适应的IMM三维目标跟踪算法

为了解决三维空间内的机动目标跟踪问题,提出一种基于常速模型和带约束常速率协同转弯模型(CSCT模型)的交互式多模型算法;同时为了解决目标的机动不确定性问题,针对CSCT模型提出一种类似卡尔曼滤波的方法实时精确地估计目标转弯角速度。综合考虑目标角速度的估计值和估计方差,提高目标跟踪的收敛速度,尽可能地减小滤波角速度与机动目标真实角速度之间的误差,最终明显提高了目标跟踪精度。Monte-Carlo 200次仿真结果表明了该算法在性能上有明显提升,对三维机动目标跟踪效果显著,并证实了该方法的实用性。