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。     

修正的当前统计模型及自适应跟踪算法

针对当前统计模型及其自适应算法对弱机动目标跟踪精度较低以及强机动发生时刻跟踪误差增大的缺陷,提出了一种修正的当前统计模型及自适应跟踪算法。一方面,利用指数函数对当前统计模型中加速度极值进行实时修正,从而提高了算法对弱机动目标的跟踪精度;另一方面,利用滤波残差调整预测协方差,同时对滤波结果发生较大偏差的上一时刻的滤波结果进行修正,从而提高了对强机动目标的适应能力。仿真结果表明,所提算法对弱机动目标和强机动目标都具有良好的跟踪性能。     

基于改进“当前”统计模型的目标跟踪算法

提出一种基于改进"当前"统计模型的目标自适应跟踪算法.针对"当前"统计模型自适应算法对机动加速度极限值有依赖,对弱机动目标跟踪精度不高的问题,采用一种简单的加速度方差自适应调整公式加以克服,在此基础上融合隶属函数对其进行加权改进.为克服算法中自相关时间常数难以选取问题,将不同自相关时间常数的"当前"统计模型在交互式多模型框架内进行交互.仿真结果表明,无论对于强机动目标还是弱机动目标,新算法都具有较好的跟踪效果.     

基于当前统计模型的强机动目标跟踪算法

当前统计模型算法将当前加速度均值作为输入控制项引入一步预测方程,实质上变为方差自适应变化的匀加速直线运动模型,虽然单位阶跃加速度输入的稳态误差为零,但对变加速度运动的机动目标跟踪效果变差。本文提出一种改进算法,在保留修正瑞利分布描述机动加速度统计特性的基础上,选择零均值时间相关模型,并与当前统计模型算法进行比较。仿真结果表明,本算法对变加速机动目标的跟踪性能明显优于当前统计模型算法。     

机动目标自适应高斯模型与跟踪算法

提出了一种描述机动目标运动状态的自适应高斯模型,在这种模型中,机动目标的加速度被认为是具有非零均值、时间相关的随机过程,并假定其概率密度函数服从高斯分布。指出了机动目标运动模型的均值和方差与目标机动加速度最佳当前估计值之间的关系,在此基础上,提出了相应的自适应卡尔曼滤波算法。仿真结果表明,该算法对机动目标在不同机动方式下的位置、速度和加速度均有良好的跟踪效果,且所需计算量小。     

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.     

强跟踪多模型估计器

本文提出了一种基于最小二乘估计的强跟踪滤波器(STF)单重渐消因子求解方法.从参数自适应与模型自适应有机结合的角度出发,将STF与交互式多模型算法(IMM)相结合,设计了强跟踪交互式多模型估计器(STMME).仿真表明:STMME在跟踪机动目标时,对速度,加速度的跟踪精度明显优于传统的IMM,在自适应估计领域有着较好的应用前景.     

改进的高机动Jerk模型跟踪算法

基于Jerk模型及当前统计模型提出了一种改进的高机动Jerk模型跟踪算法。在假设机动加速度变化率(即加加速度)为非零均值指数相关随机过程的基础上,引入了关于加加速度变化趋势的修正项,从而进一步提高了目标跟踪精度。最后,通过Matlab仿真实验证明了该模型跟踪算法的优越性和有效性。     

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...     

基于“当前”统计模型的模糊自适应跟踪算法

针对"当前"统计模型中目标机动频率和极限加速度值人为设定的不合理性,提出一种基于修正模型的模糊自适应算法(CS-MFA),对机动频率建模以便其估计更新,同时利用目标机动信息来实时调整过程噪声方差,提高系统在目标作非机动或者弱机动时的跟踪精度以及在强机动时的快速响应能力.最后,通过仿真验证了该算法的有效性.     

采用多速率多模型交互实现机动目标的全速率跟踪

多速率模型通过对原始测量结果和目标运动模型进行多分辨分解实现目标高精度跟踪.多模型交互方法则采用一个马尔科夫链控制多个模型交互实现机动目标跟踪.本文给出了一种采用多速率多模型交互方式实现机动目标全速率跟踪的方法,它通过交织多次滤波结果使得跟踪能同时保证高精度和全速率.仿真结果及分析说明了该方法较传统的全速率多模型交互算法获得了更好的跟踪效果.     

自适应输入统计模型

在“当前”统计模型的基础上,结合实时输入估计算法,提出了一种新的机动目标模型－自适应输入统计模型。大量仿真模拟表明,这种新的机动目标模型不仅具有良好的跟踪机动目标的能力,而且还极大地改善了非机动目标的跟踪性能,具有很好的应用价值。     

修正的“当前”统计模型自适应跟踪算法

＂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较好跟踪,但对弱机动目标存在较大跟踪误差。针对这一问题,在推导传统＂当前＂统计模型适用范围的基础上,提出一种修正的＂当前＂统计模型算法。该算法用正态分布来弥补修正瑞利分布的缺陷,同时利用模糊隶属度函数对系统方差做加权调整。仿真结果表明,新算法较传统算法不仅提高了对弱机动目标的跟踪精度,对强机动目标的跟踪精度也有较大程度的提高。     

复合K噪声下机动目标跟踪自适应UPF算法

针对复合K噪声下机动目标跟踪系统具有强非线性非高斯的特点,提出了一种自适应无迹粒子滤波(Adaptive Unscented Particle Filter,AUPF)算法.该算法建立在常加速模型及其改进滤波算法基础上,并将无迹卡尔曼滤波(Unscented Kalman Filter,UKF)与强跟踪滤波(Strong Tracking Filter,STF)算法相结合作为提议分布,提高了系统跟踪一般机动和阶跃机动的能力.在给出复合K噪声模型的基础上,利用AUPF算法对几种典型机动目标进行了计算机仿真,并同无迹粒子滤波(Unscented Particle Filter,UPF)算法进行了比较.仿真结果表明,复合K噪声下AUPF算法能更有效地对各种机动目标进行跟踪,具有较高的跟踪精度.     

自适应转移概率交互式多模型跟踪算法

针对标准的交互式多模型算法（Interacting Multiple Model,IMM）存在模型集设计困难和采用固定转移概率矩阵导致模型切换缓慢、跟踪精度下降的不足,提出一种自适应转移概率IMM算法.首先,提出了一种新的模型集设计方法,将强跟踪修正输入估计（Strong Tracking Modified Input Estimation,STMIE）模型和匀速运动（Constant Velocity,CV）模型作为IMM算法的模型集,利用STMIE算法对高机动目标的跟踪能力以及CV模型对非机动目标跟踪的高精度,实现对目标的全面自适应跟踪.其次,提出一种依据模型似然函数值对Markov转移概率进行实时修正的方法,增强匹配模型的作用,削弱不匹配模型的影响.仿真结果表明,依据模型似然函数修正转移概率的方法使IMM算法的模型切换速度和跟踪精度都得到提高,提出的IMM-STMIECV算法的跟踪精度高于IMM-CVCA、IMM-CVCACT以及IMM-CVCS算法.     

使用交互多模型算法的高速高机动目标跟踪

对机动目标进行跟踪一直是甚具挑战性的问题,特别是跟踪高速高机动目标在理论上和实践上都有较高的技术难度。现有各种算法在这个问题上均有各自的缺点和不足。该文在现有的运动机动模型和IMM算法的基础上,提出了使用多种机动模型交互的IMM算法进行高速高机动目标跟踪。不同机动模型之间的互补使这种算法克服了使用单一模型的一些问题。使用“当前”统计模型、二级滤波模型和CV模型进行交互是一种可行的高速高机动目标跟踪方案。为验证算法的有效性,进行了Monte Carlo仿真。仿真结果表明,该算法在性能和计算复杂度之间取得了较好的平衡,有很好的可实现性。     

基于改进“当前”统计模型的机动目标IMM跟踪算法

交互式多模型(IMM)算法是一种有效的机动目标跟踪算法,但其性能与模型的选择、个数以及参数有关。文中提出了一种基于改进的“当前”统计模型的交互式多模型算法,改进的“当前”统计模型提高了对机动目标的跟踪能力,而常速模型对匀速目标跟踪性能良好,IMM算法通过两种模型的交互作用可以实现对目标状态的自适应估计;同时,该算法结合了模型概率转移自适应技术,实现了对模型转移矩阵的在线估计,降低了人为因素。最后,通过Monte Carlo仿真进一步验证了该算法的有效性。     

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。