基于信息熵准则的认知雷达机动目标跟踪算法

针对复杂战场环境下机动目标跟踪难题，提出一种认知雷达目标跟踪算法.基于人类"感知-行动"循环思想，首先把目标径向距离、径向速度和方位等量测的克拉美罗下限近似为量测误差协方差，用信息熵描述目标跟踪的不确定性，然后以最小熵为准则建立了雷达接收端数据和发射端信号处理之间联系；为避免传统交互式多模型（Interacting Multiple Model，IMM）算法由于模型转移概率设置不合理所带来的跟踪精度下降问题，受人脑三阶段记忆机制启发，将"记忆"嵌入IMM算法，通过自适应调整模型转移概率，增强了优势模型的交互主导性，弱化了不匹配模型的不良竞争.仿真实验验证了算法的有效性.     

一种认知跟踪雷达LFM波形库建立方法

认知雷达是下一代雷达发展的方向之一。在对认知跟踪反馈环进行分析的基础上,提出了一种线性调频( LFM)信号波形库的建立方法。在应用交互多模型跟踪机动目标的背景下,通过所建的波形库对发射波形进行实时调用,达到减小跟踪误差的目的。研究了具有不同调频率参数与Fr-FT旋转角度组合的不同数量LFM信号波形库的建立,以最小化模型选择不确定性为目的推导波形选择准则,得到了不同的波形选择策略。仿真验证分析其跟踪精度可以看出,构建具有一定数量LFM波形的波形库可以提高认知跟踪雷达的性能。     

一种认知跟踪雷达LFM波形库建立方法

认知雷达是下一代雷达发展的方向之一。在对认知跟踪反馈环进行分析的基础上,提出了一种线性调频(LFM)信号波形库的建立方法。在应用交互多模型跟踪机动目标的背景下,通过所建的波形库对发射波形进行实时调用,达到减小跟踪误差的目的。研究了具有不同调频率参数与FrFT旋转角度组合的不同数量LFM信号波形库的建立,以最小化模型选择不确定性为目的推导波形选择准则,得到了不同的波形选择策略。仿真验证分析其跟踪精度可以看出,构建具有一定数量LFM波形的波形库可以提高认知跟踪雷达的性能。     

基于改进交互多模型的目标跟踪波形优化算法

针对传统的交互多模型滤波算法中存在模型概率固化导致跟踪精度不高的问题,提出了基于改进交互多模型滤波的目标跟踪波形优化算法。首先,通过联合前后两个时刻的模型概率对概率转移矩阵进行加权来改进交互多模型滤波;然后,基于帐篷映射以及高斯扰动对秃鹰搜索算法进行改进;最后,在多目标场景下根据最大互信息准则,利用改进的交互多模型滤波建立目标函数,使用改进的秃鹰搜索算法设计出最优发射波形。仿真结果表明,使用所提算法可显著降低跟踪误差。     

针对机动目标跟踪的雷达发射波形选择

该文首先在交互多模型(Interacting Multiple Model, IMM)算法的框架下,选择常速模型和自适应加速度模型作为状态模型,以应对实际中非合作目标的非机动与机动状态,并将此算法称为自适应IMM算法。然后针对机动目标跟踪时,雷达发射波形的选择需要兼顾测距测速性能与多普勒容忍性的问题,提出将V型调频(V-Linear Frequency Modulated, V-LFM)信号作为发射波形。通过分析多脉冲线性调频信号,V-LFM信号和M序列3种信号对目标距离和速度估计性能的克拉美罗下界(Cramer-Rao Lower Bound, CRLB)与多普勒容忍性表明,V-LFM信号可以在较少多普勒容忍性损失的情况下,有效提升对目标距离和速度的估计精度。仿真结果表明：发射多脉冲V-LFM信号并采用自适应IMM算法,可以明显提高雷达系统的跟踪性能。     

基于交互式多模型的机动目标跟踪算法

在军事和民用航空领域，可靠而精确地跟踪目标始终是目标跟踪系统设计的关键。但当目标处于强机动多模型的运动情况下时，在对目标进行状态估计时，单独采用一个模型会受到模型自身局限性的影响使得滤波精度不高，于是有必要采用多个模型描述机动目标的运动状态。基于此，采用交互式多模型滤波算法对目标进行跟踪。仿真结果表明，该算法对机动目标有很好的跟踪效果和较高的跟踪精度。     

基于IMMCKF的机动目标跟踪算法

针对非线性机动目标跟踪中滤波器易发散、跟踪精度低等问题,将容积卡尔曼滤波器(CKF)引入到交互式多模型算法(IMM)中,设计了交互式多模型容积卡尔曼滤波算法(IMMCKF)。该算法采用Markov过程描述多个目标模型间的切换,利用CKF滤波器对每个模型进行滤波,将各滤波器状态输出的概率加权融合作为IMMCKF的输出。仿真结果表明,与IMMUKF算法相比,IMMCKF算法跟踪精度更高,模型切换速度更快,计算量更小,该算法具有重要的工程应用价值。     

自行高炮射击指挥雷达的多机动目标跟踪软件

已经研制完成的自行高炮射击指挥雷达的多机动目标跟踪软件，采用了机动加速度突变型，回波动态分区和整体相关，多准则模糊决策关联，航迹的模糊起始以及可靠性设计等新技术，在实际应用中显示了优良的性能。     

基于EPF-IMM算法的高机动目标跟踪研究

融合粒子滤波与交互多模算法的优势,提出了一种基于进化粒子滤波的交互多模算法(EPF-IMM)。该算法将遗传进化思想引入到传统的粒子滤波,在粒子迭代中采用遗传算法中的编码、交叉、变异等算子实现粒子的自适应进化且隐含重采样,从而改进其粒子退化现象。然后利用粒子滤波信息,在交互多模型中进行更新运算。既解决了IMM算法对非线性、非高斯环境的适应性问题,又解决了PF的无关联对应模型问题。与标准IMM算法进行高机动目标跟踪性能比较,试验仿真结果表明,EPF-IMM算法的跟踪精度高。     

机动目标无源跟踪IMM-MKF算法

为提高运动多站对机动目标的无源跟踪性能,提出了一种新的基于交互式多模型-边缘化卡尔曼滤波(IMM-MKF)的机动目标跟踪算法。该算法将交互式多模型(IMM)结构和边缘化卡尔曼滤波(MKF)结合,利用MKF算法对每个模型进行滤波,对滤波结果进行交互作用来得到跟踪结果。以只测角机动目标跟踪为例对所提算法进行仿真分析,仿真结果表明,相对于采用扩展卡尔曼滤波(EKF)、不敏卡尔曼滤波(UKF)及容积卡尔曼滤波(CKF)算法的典型交互式多模型算法,所提算法具有更好的跟踪性能。     

基于波形调度的机动目标跟踪算法

针对机动目标的跟踪问题,提出一种结合自适应匀速（Constant Acceleration,CA）模型和波形调度的平方根容积卡尔曼滤波（Square-Root Cubature Kalman Filter,SCKF）算法.在CA模型的基础上,通过构建Jerk分量与速度、加速度的近似关系,使得状态过程噪声与滤波器输出的状态协方差矩阵相联系,以实现模型的自适应调整.另外,利用分数阶傅里叶变换（Fractional Fourier Transform,FrFT）旋转发射波形的模糊函数,使得量测误差椭圆与滤波算法中的状态预测误差椭圆正交,得到最优的发射波形,以从数据处理和信号处理两方面共同提升系统的跟踪性能.仿真结果表明,相比于基于改进当前统计（current statistical,CS）模型的无迹卡尔曼滤波（Unscented Kalman Filter,UKF）算法、基于CS模型的SCKF算法、基于CA模型的SCKF算法和交互式多模型（IMM）SCKF算法,所提算法结构简单且跟踪精度更高.     

机动目标跟踪的一种模糊算法

研究了模糊交互多模型算法（FIMM）和基于当前统计模型（CS）的自适应滤波算法,提出了一种基于当前统计模型的模糊交互多模型算法（CSFIMM）。该算法克服了模糊交互多模型算法精度较低和当前统计模型自适应滤波器方差调整有限的缺点。通过仿真,对所提出的算法和交互多模型（IMM）算法以及FIMM算法在估计精度和计算量两个方面进行了比较。     

用于机动目标跟踪的多模型算法进展

对多模型算法的发展过程进行了简单的回顾和评述,通过分析固定结构多模型算法的局限性,得出变结构多模型算法的使用时机。     

基于两点式数据关联算法的多机动目标跟踪

本文首先分析了两点式概率数据关联算法,在此基础上将其与交互式多模型算法结合起来提出了一种用于跟踪多机动目标的新算法.由于充分利用了两点式数据关联算法在关联精度和计算量上的优越性,所提出的新算法无论在跟踪精度方面,还是计算量上都有很大的改善.理论分析与仿真结果验证了该算法优于传统的交互式多模型联合数据关联算法.     

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.     

基于IMM-RDCKF的机动目标跟踪算法

针对机动目标跟踪问题,提出了一种IMM-RDCKF算法。首先充分利用量测方程中只有部分状态变量是非线性的特点,对于非线性的量测方程采用降维滤波方法,可以在保障跟踪精度条件下减小计算量。其次,对IMM算法中的转移概率矩阵进行实时估计,提高了模型匹配概率。再次,滤波过程中由于误差累积可能导致协方差矩阵失去正定性,对算法进行了优化,确保了滤波过程中协方差矩阵的正定性,提高了算法稳定性。Monte-Carlo仿真结果表明,与CKF算法相比,该算法的跟踪精度有明显的提高,计算效率提高了一倍。     

适于无源阵列跟踪机动目标的IMM-PF算法

针对无源阵列对机动目标跟踪效果较差的问题,在融合交互式多模型和粒子滤波方法的基础上,提出了一种基于粒子滤波的交互多模型(IMM-PF)算法.该算法采用多模型结构以跟踪目标的任意机动;各模型采用粒子滤波算法,以处理非线性、非高斯问题.各模型中相对固定数目的粒子群经过相互交互、粒子滤波后再进行重抽样以减少滤波退化现象.与典型的交互式多模型算法(IMM-KF)进行了比较,计算机仿真结果证实了新算法的正确性和有效性.     

基于多普勒雷达组网的机动目标跟踪

非轨道飞行器跟踪需要大型的跟踪网,跟踪设备包括大型测距、测速雷达,光学经纬仪等,系统庞大,建设、维护成本高。多普勒雷达测量精度高,结构简单,易于小型化,成本较低,但一直只是被作为跟踪网的测速辅助设备,还没有被单独用来组建跟踪网。文中针对非轨道飞行器,提出了采用多台多普勒雷达构建高精度、低成本的飞行器跟踪网的思路和算法。跟踪算法采用"当前"统计模型和自适应Kalman滤波。仿真结果表明,采用多台多普勒雷达构建高精度、低成本的机动目标跟踪网是可行的。