基于改进粒子滤波的机动目标自适应跟踪算法

在粒子滤波的基础上融合扩展卡尔曼滤波算法,融合后的算法在计算提议概率密度分布时,充分考虑当前时刻的量测,使粒子的分布更加接近状态的后验概率分布.将此改进粒子滤波算法在"当前"统计模型框架下进行机动目标自适应跟踪.仿真实验验证了该种方法对机动目标的良好自适应跟踪性能.     

基于改进“当前”统计模型的非线性机动目标跟踪算法

＂当前＂统计模型算法对目标加速度极限值及机动频率的依赖性这一缺点,导致该算法在跟踪弱机动目标及高机动目标时,跟踪性能会明显恶化.本文在当前统计（CS）模型的基础上,通过加权一个以残差方差的迹为参数的活化函数,对加速度方差和机动频率进行自适应处理,实现了对＂当前＂统计模型的改进;同时,采用UKF（unscented Kalman filter）对非线性目标进行跟踪滤波,构造出基于改进＂当前＂统计模型的非线性机动目标跟踪算法,仿真结果表明,改进的＂当前＂统计模型不仅保留了＂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,而且对弱机动目标跟踪也具有更优越的性能,大大扩大了机动跟踪范围.     

方差自适应机动目标跟踪算法研究

针对机动目标弱机动时不能自适应调整,从而对弱机动目标跟踪精度不高的缺点,提出了一种改进的方差自适应机动目标跟踪算法。新算法将机动目标的运动状态分为弱机动状态和强机动状态,并通过新息平方的统计量和当前加速度估值进行机动自适应检测,能够根据目标当前的机动特性自适应调整过程噪声协方差矩阵,使运动模型与机动目标的当前运动状态相匹配,在保持对强机动目标跟踪性能的同时,实现了对弱机动目标更为精确的跟踪。仿真结果表明,改进算法对弱机动目标的跟踪性能明显优于当前统计模型。     

基于"当前"统计模型的模糊自适应机动目标跟踪算法

结合"当前"统计模型在目标跟踪方面的优越性,提出了基于"当前"统计模型的模糊自适应机动目标跟踪算法,将模糊控制理论应用到"当前"统计模型跟踪算法中,避免了原方法加速度极限值需提前设定和方差调整有限的问题,改为加速度的估计值由其在三角隶属函数中的权重来确定.仿真结果表明该算法提高了对非机动和弱机动目标的跟踪精度,因而具有良好的跟踪性能.     

基于当前统计模型的自适应强跟踪算法

由于模型参数不能自适应调整和卡尔曼滤波器固有的特点,传统的当前统计模型算法跟踪突发强机动目标时性能显著下降.本文通过采用机动检测方法并借鉴强跟踪滤波器的思想,提出了一种改进的自适应强跟踪算法.利用量测残差的统计距离将目标机动划分为不同的状态,相应调整模型参数和滤波器增益,提高机动模型和系统模式的匹配程度,增强了系统对强机动目标的跟踪能力并保持对一般机动目标良好的跟踪性能.     

基于改进“当前”统计模型的转弯机动跟踪算法

针对转弯机动目标跟踪,提出一种改进的“当前”统计模型对角速度进行估计．该模型在当前统计（CS）模型的基础上,通过加权一个以新息方差之迹为参数的活化函数,对加速度方差和机动频率进行自适应处理,经滤波获得目标速度方向角．然后,将角度滤波获得的方向角度、角速度、角加速度作为曲线模型的输入,实时跟踪机动状态．新模型可准确估计目标的角速度,算法可显著提高转弯机动目标的跟踪精度,仿真实验验证了算法的有效性．     

机动目标跟踪的机动频率自适应算法

为了更好地跟踪机动目标 ,提出了一种机动目标跟踪的改进方法 .利用目标的跟踪残差 ,求取跟踪滤波器的理论残差方差值 ,再根据统计的残差方差 ,建立了残差的假设检验阀值 .并对其算法进行了具体的推导 ,得出自适应选择机动频率的原则 ,使机动频率与目标的当前状态更接近 .对“当前”模型和改进后的模型进行了仿真 ,仿真结果表明该方法具有更小的跟踪误差 ,是可行和有效的     

基于神经网络的机动目标自适应跟踪算法

非机动或弱机动目标的跟踪精度和稳定性问题一直困绕着人们,根据机动目标“当前”统计模型和均值与方差自适应滤波算法,建设性地提出了基于神经网络的机动目标自适应跟踪算法,并以仿真实验给予了验证。     

“当前”半马尔科夫模型及自适应跟踪算法

通过分析基于"当前"统计模型的自适应卡尔曼滤波算法的不足之处,在"当前"统计模型的基础上引入空气阻力系数和非零加速度,提出了"当前"半马尔可夫统机动模型,从而更符合机动目标运动的实际情况;基于此模型提出了改进的自适应卡尔曼滤波算法。仿真结果表明,改进的"当前"半马尔可夫卡尔曼滤波算法收敛速度更快,跟踪误差更小。     

基于改进当前统计模型的自适应无源跟踪算法

针对无源跟踪中,标准当前统计模型无法自适应调整加速度极限值的缺点,设计了一种修正系数来通过机动目标的当前加速度自适应调整模型的加速度极限值,同时利用模糊控制的方法对修正系数的取值进行实时调整,实现了对当前统计模型的改进。最后结合容积卡尔曼滤波算法构造基于改进当前统计模型的自适应无源跟踪算法。仿真结果表明,相比基于标准当前统计模型的自适应跟踪算法,新算法对非机动目标、弱机动目标以及强机动目标都有更好的跟踪效果。     

改进的CS-UKF加速度方差自适应跟踪算法

针对基于当前统计模型的状态噪声协方差阵中的加速度方差调整方法对一般机动目标、非机动目标跟踪精度差的问题,研究其改进方法;在建立机动目标当前统计模型离散状态方程和雷达导引头离散观测方程的基础上;利用雷达导引头测量信息和位置预测值之间的扰动对加速度方差进行调整,提出了改进的加速度方差自适应调整无迹卡尔曼滤波跟踪算法;数字仿真验证了该算法对非机动目标、一般机动目标以及高机动目标均具有良好的跟踪效果。     

Adaptive Maneuvering Frequency Method of Current Statistical Model

Current statistical model (CSM) has a good performance in maneuvering target tracking. However, the fixed maneuvering frequency will deteriorate the tracking results, such as a serious dynamic delay, a slowly converging speedy and a limited precision when using Kalman filter (KF) algorithm. In this study, a new current statistical model and a new Kalman filter are proposed to improve the performance of maneuvering target tracking. The new model which employs innovation dominated subjection function to adaptively adjust maneuvering frequency has a better performance in step maneuvering target tracking, while a fluctuant phenomenon appears. As far as this problem is concerned, a new adaptive fading Kalman filter is proposed as well. In the new Kalman filter, the prediction values are amended in time by setting judgment and amendment rules, so that tracking precision and fluctuant phenomenon of the new current statistical model are improved. The results of simulation indicate the effectiveness of the new algorithm and the practical guiding significance.      

最大加速度未知的“当前”统计模型机动目标跟踪

分析了“当前”统计模型机动目标跟踪算法的性能对目标机动加速度最大值的依赖性,但是由于在实际中目标机动加速度的最大值往往是未知或不能准确已知的,所以为了克服“当前”统计模型的这一不足之处,采用协方差匹配和多级白噪声自适应滤波算法的思想,提出了一种“当前”统计模型在最大加速度未知情况下的机动目标跟踪新算法。对三种典型的机动目标运动形式进行了Monte-Carlo仿真研究,结果表明新算法对于解决机动目标跟踪问题非常有效。     

基于不同运动模型的IMMPDA算法仿真

在现有的机动目标跟踪算法中,其中的概率数据关联（PDA）算法和交互式多模型（IMM）算法最具代表性。而在此基础上发展而来的IMMPDA算法是解决杂波环境下单机动目标跟踪问题比较有效的方法。通过对分别基于CA模型、Singer模型和“当前”统计模型的交互式多模型概率数据关联（IMMPDA）算法进行仿真,对其优缺点进行对比分析。仿真结果显示IMMPDA算法在高机动目标跟踪中具有巨大优势,不同的：运动模型基于IMMPDA都较好地实现了对高速高机动目标的滤波跟踪。     

一种双机动频率自适应算法研究

基于当前统计模型,研究机动目标跟踪过程中机动频率的自适应调整方法,使其值更加符合目标的实际机动状况。根据机动频率在噪声方差及状态转移矩阵中对增益的影响不同,设计一种双机动频率自适应算法。仿真表明,该自适应算法能快速跟踪加速度跳跃的机动目标,跟踪机动目标位置精度上有较大的改进。     

基于自适应卡尔曼滤波的机动目标跟踪算法

在机动目标跟踪过程中,由于目标运动的不确定性,雷达系统接收的数据存在噪声,使预置目标运动模型通常很难得到较高的跟踪精度。为此,以自适应卡尔曼滤波为基础,将直角坐标系和球坐标系相结合,提出了一种混合坐标系下的自适应卡尔曼滤波算法。算法避免了两个坐标系变换引起的噪声统计规律变化问题,并针对目标发生大机动运动的情况,自适应的调整动态模型中机动目标运动参数。蒙特卡洛仿真结果表明,改进算法的收敛速度和对状态的估计精度均得到优化,并对机动目标具有较好的跟踪性能。     

CMAC网络在机动目标跟踪中的应用

采用“当前”统计模型的机动目标跟踪算法，常常会遇到当系统参数固定时，如果目标以较小的加速度机动时，系统方差较大、跟踪精度低的问题。为了解决这一问题，该文首先对目标的机动性能提出了一种简单但合理有效的量化方法，在此基础上，根据目标当前的机动性能，通过利用CMAC(小脑模型连接控制器)网络对系统参数进行调整来提高跟踪精度。最后从理论上说明了该算法中使用的CMAC网络一定收敛，从而保证了网络训练结果的可靠性。仿真结果证明了该算法的有效性。     

CS模型下的IMM算法在目标跟踪中的应用

针对视觉伺服机器人对机动目标的跟踪问题,将当前统计模型（CS）引入IMM算法,与匀速模型（CV）组成模型集。在Matlab上对当前统计IMM算法和基本IMM算法进行仿真比较,结果表明当前统计IMMS算法跟踪机动目标的性能好于基本IMM算法,具有很好的收敛性和稳定性,提高了视觉伺服机器人对目标跟踪的准确性和快速性。     

基于粒子滤波的模型自适应机动目标跟踪算法

针对当前机动目标跟踪领域中多模型算法存在的问题,提出一种基于粒子滤波的模型自适应机动目标跟踪算法.首先,依据前一时刻每个粒子采用的模型状态和模型间的状态转移概率,实现对当前时刻模型的采样;然后,将采样模型用于对当前粒子的预测,并根据当前时刻得到的量测数据实现对预测粒子权值的度量;最后,通过重采样策略和概率最大化原则完成对模型的合理选择和状态的有效估计.仿真实验验证了该算法的有效性.