混合坐标系下的自适应α-β滤波器

针对雷达目标观测和数据处理在不同的坐标系下完成,本文提出了一种混合坐标系下的自适应α-β滤波算法来跟踪机动目标。该算法以自适应α-β滤波器为基础,直角坐标系和球坐标系下的算法相结合,克服了这两种坐标系下滤波算法的不足,对机动目标有很好的跟踪效果。仿真表明该算法的跟踪性能优于单一坐标系下的自适应α-β滤波器,尤其适用于TWS雷达多机动目标跟踪情况。     

球坐标系中水下目标跟踪的研究

研究了球坐标系中的目标跟踪,提出了一种基于球坐标系的水下目标运动模型,指出了机动目标运动模型中均值和方差的取值,在此基础上,导出了基于球坐标系的自适应卡尔曼滤波跟踪算法,给出了Monte Carlo仿真实验的结果。结果表明:在球坐标系中,该模型对水下目标的径向距离、方位角、俯仰角及其速度和加速度具有良好的跟踪性能,无须进行目标的机动检测,跟踪算法所需计算量小。     

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.     

改进的当前统计模型及自适应跟踪算法

对于机动目标跟踪问题,在当前统计（CS）模型的基础上,提出了一种新的机动目标自适应跟踪算法。通过引入强跟踪滤波器（STF）的渐消因子,增强了模型对目标突发机动的自适应跟踪能力,同时针对模型对目标加速度极限值的依赖性这一缺点,引入一种利用位置估计值与加速度的函数关系自适应调整加速度方差的方法,提高了对弱机动和非机动目标的跟踪能力。仿真结果表明,该算法与标准的当前统计模型滤波算法相比具有较高的跟踪精度。     

一种新的机动目标跟踪滤波的模型方法

本文提出了一种新的机动目标跟踪滤波的模型方法。它将目标的机动加速度作为一状态变量引入模型而直接进行估计,并通过卡尔曼滤波器的残差来检测目标机动与否。一旦检测出目标机动,马上重新启动卡尔曼滤波器以适应机动加速度的跳变。新的自适应滤波方法在这种情况下实现了最佳滤波。计算机仿真结果表明,在计算量远少于Moose方法计算量的情况下,本文方法的滤波精度与Moose方法的滤波精度相当。     

仅有角度量测的红外机动目标跟踪

针对红外机动目标跟踪仅有角度量测的特点,引入了基于修正球坐标系的扩展Kalman 滤波器,并对目标状态模型及其线性化方程进行了推导,建立了扩展Kalman 滤波方程 组。     

机动目标自适应跟踪滤波器设计

采用非零均值相关加速度模型建立火控系统中的Kalman滤波器。通过对残差滤波,建立了新的机动检測器,并由此对机动加速度方差进行调整,从而实现对机动目标的自适应跟踪。文中引入了瞄准线直角坐标系,使Kalman滤波器解耦以减小计算量。仿真的结果表明,所提出的滤波器对机动目标有良好的跟踪性能。     

基于增量学习神经模糊网络的机动目标跟踪

本文提出了基于增量学习神经模糊网络机动目标跟踪模型.当被跟踪目标发生机动时,该模型立刻检测到机动并对卡尔曼滤波器的自适应系统协方差进行精确估计,系统得到及时、正确的补偿.增量学习神经模糊网络能够随着环境变化,自动调整、找到最优的网络结构及参数,当发生机动时,总是能产生接近真实机动值的估计输出,从而提高跟踪性能及避免错误跟踪.仿真结果表明,该模型比传统的机动目标跟踪模型有更好的跟踪性能,并且该模型能动态的适应环境的变化,使系统更加实时,精确的跟踪机动目标.     

基于SCKF算法的空间机动目标跟踪研究

针对空间机动目标快速跟踪问题,建立了考虑J2项摄动和目标在线机动的系统状态模型和天基仅测角观测模型,通过对比研究采用了一种平方根容积卡尔曼滤波方法进行目标跟踪。针对空间目标共面机动和异面机动等不同机动方式,研究了SCKF算法在不同机动方式下的跟踪性能。仿真结果表明,在机动能力相同的情况下,轨道面内的机动较轨道异面机动更容易使滤波器发散;通过4种机动方式比较研究,SCKF滤波器对轨道坐标系中横向机动最为敏感,而沿探测器与目标的视线方向机动最易被再次稳定跟踪。     

机动中心坐标系中的目标跟踪

飞机目标一般沿着圆周路径作机动飞行,因而出现了以圆周运动为基础的跟踪滤波器。本文介绍一种新型坐标系,从而可用一个简单的卡尔曼滤波器跟踪作圆周机动的目标。这种新型坐标系是一个定位于机动中心的极坐标系,导出了以斜距、角度和角速度为状态矢量的跟踪滤波器。与当目标作圆周转弯时以恒定的 x-y 加速度为基础的跟踪方法相比,该算法确使性能得到提高。     

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。     

基于标签多伯努利滤波器的机动小目标检测前跟踪

标签多伯努利(LMB)滤波器在传统多伯努利滤波器基础上引入标签空间,能够实现真正意义上的多目标轨迹级滤波.文章对红外小目标的运动和量测进行建模,将标签多伯努利应用到红外小目标检测前跟踪领域.在此基础上,为了实现对运动模型时变目标的检测前跟踪,将交互式多模型(IMM)与LMB检测前跟踪算法相结合,提出IMM-LMB检测前跟踪算法.此外,给出了该算法的序贯蒙特卡罗实现.仿真结果表明,所提算法能够从输入的原始图像中直接实现轨迹级多目标检测和跟踪,且能够在线更新多模型概率,更好的适应多机动目标场景.     

交互式多模型算法在直升机跟踪中的应用

基于直升机目标的运动特点,运用交互式多模型(IMM)算法对直升机目标进行跟踪滤波。对IMM算法作了详细的数学描述,介绍了直升机目标的跟踪流程和IMM算法的具体实现方法。结果证明,IMM算法能够很好地预测出直升机的运动趋势,并能应对机动情况。     

Tracking highly maneuverable targets with unknown behavior

Tracking of highly maneuvering targets with unknown behavior is a difficult problem in sequential state estimation. The performance of predictive-model-based Bayesian state estimators deteriorates quickly when their models are no longer accurate or their process noise is large. A data-driven approach to tracking, the segmenting track identifier (STI), is presented as an algorithm that operates well in environments where the measurement system is well understood but target motion is either or both highly unpredictable or poorly characterized. The STI achieves improved state estimates by the least-squares fitting of a motion model to a segment of data that has been partitioned from the total track such that it represents a single maneuver. Real-world STI tracking performance is demonstrated using sonar data collected from free-swimming fish, where the STI is shown to be effective at tracking highly maneuvering targets while relatively insensitive to its tuning parameters. Additionally, an extension of the STI to allow its use in the most common multiple target and cluttered environment data association frameworks is presented, and an STI-based joint probabilistic data association filter (STIJPDAF) is derived as a specific example. The STIJPDAF is shown by simulation to be effective at tracking a single fish in clutter and through empirical results from video data to be effective at simultaneously tracking multiple free-swimming fish.     

基于当前模型自适应改进的航迹跟踪算法

在航迹跟踪过程中,目标发生转弯、变加速等强机动行为,会导致传统"当前"统计模型的跟踪精度变差,通过提取残差新息序列和测量方差序列中的信息,分别在"当前"统计模型中添加机动频率、最大加速度自适应修正因子,以及在卡尔曼滤波框架中增加协方差自适应因子,改善了该算法对强机动目标跟踪的适应能力。通过改进,该算法即保持了对一般机动目标良好的跟踪特性,又提高了对强机动目标的跟踪性能。通过使用蒙特卡洛模拟仿真验证了改进算法的有效性。     

基于机动检测的参数自适应跟踪算法

在机动目标跟踪中,传统当前统计模型卡尔曼滤波算法对弱/无机动目标跟踪精度不高,对突发机动跟踪精度显著下降,且跟踪性能受限于先验参数.针对上述问题,本文提出一种基于机动检测的参数自适应机动目标跟踪算法,算法利用新息的概率分布特性构建双阈值检测门限,依据检测结果进行参数自适应调整.首先,利用加速度预测误差方差信息,自适应调...     

Stochastic Differential Equations for Modeling of High Maneuvering Target Tracking

In this paper, we propose a new adaptive single model to track a maneuvering target with abrupt accelerations. We utilize the stochastic differential equation to model acceleration of a maneuvering target with stochastic volatility (SV). We assume the generalized autoregressive conditional heteroscedasticity (GARCH) process as the model for the tracking procedure of the SV. In the proposed scheme, to track a high maneuvering target, we modify the Kalman filtering by introducing a new GARCH model for estimating SV. The proposed tracking algorithm operates in both the non‐maneuvering and maneuvering modes, and, unlike the traditional decision‐based model, the maneuver detection procedure is eliminated. Furthermore, we stress that the improved performance using the GARCH acceleration model is due to properties inherent in GARCH modeling itself that comply with maneuvering target trajectory. Moreover, the computational complexity of this model is more efficient than that of traditional methods. Finally, the effectiveness and capabilities of our proposed strategy are demonstrated and validated through Monte Carlo simulation studies.     

机动弱小目标动态规划检测前跟踪方法

针对基于动态规划的检测前跟踪方法难以有效检测和跟踪机动弱小目标的问题,本文提出了一种基于目标状态加权的动态规划检测前跟踪改进方法。该方法利用目标运动状态帧间的相关性特点,对状态转移集进行扩展,并根据当前状态与前一时刻各状态相关性的大小,对状态的能量积累值进行加权,使能量更好的沿航迹方向进行积累。理论分析和仿真结果表明,与传统的动态规划检测前跟踪方法相比,新方法提高了机动弱小目标的检测和跟踪性能      

基于多模粒子滤波的机动弱目标检测前跟踪

检测前跟踪技术是低信噪比环境下目标检测与跟踪的有效方法。该文针对目标作复杂运动的情况,提出了机动弱目标检测前跟踪的多模粒子滤波算法。该算法在目标状态矢量中增加了表示目标存在与否以及目标运动模型的变量,采用粒子滤波实现了包含两个离散变量的混合滤波过程。仿真试验表明,该算法在经典跟踪方法难以发挥作用的低信噪比条件下,能够有效实现机动目标的检测与跟踪。