一种机动目标动态规划检测前跟踪算法

针对传统动态规划检测前跟踪(Dynamic Programming Track-Before-Detect,DP-TBD)算法检测强机动目标时性能较差的问题,本文利用目标状态转移矩阵先验信息改进了传统DP-TBD算法,使得目标状态转移步长随状态的变化自适应调整,以此来避免在检测转弯运动目标时传统动态规划算法由于转移步长不变而造成的转移步长与目标速度失配的问题。仿真结果显示,在检测转弯运动目标时所提算法的检测性能和跟踪性能都比传统算法有所提高。通过对改进的DP-TBD、传统DP-TBD算法的仿真和比较,改进的DP-TBD算法跟踪强机动目标性能得到了显著提升,并具有工程应用价值。     

一种基于二阶Markov目标状态模型的多帧关联动态规划检测前跟踪算法

传统的动态规划检测前跟踪(Dynamic Programming Track-Before-Detect,DP-TBD)算法在每一阶段的数据关联中,仅用当前帧的观测数据与前一帧的指标函数进行关联积累,对目标状态在连续相邻帧间的相关性以及目标运动特征的考虑不充分,这样在低信噪比时,容易发生目标关联错误,严重影响了DP-TBD算法的检测和跟踪性能。针对此问题,该文提出了一种基于二阶Markov目标状态模型的DP-TBD算法,该算法以目标状态的条件概率比最大为准则,采用二阶Markov模型描述目标状态的相关性,并根据目标运动特征给出了一种与目标转弯角度相关的状态转移概率模型。在此基础上,实现了多帧数据关联的DP-TBD算法。通过仿真实验与传统的DP-TBD算法进行了比较,验证了该算法的检测及跟踪性能。     

基于IMM—UKF的转弯机动目标跟踪

针对目标作转弯机动时产生运动模式的不确定性和运动模型的非线性问题,提出基于Unscented卡尔曼滤波器的交互多模型算法.该算法采用带有极坐标系速度的转弯模型和二维Singer模型作为模型集,将Unscented卡尔曼滤波取带传统的扩展卡尔曼滤波解决转弯模型的非线性,同时在模型交互时使用Unscented变换取代雅可比矩阵解决目标状态转换时的非线性.通过Monte-carlo仿真表明,与标准交互多模型方法相比,基于Unscented卡尔曼滤波器的跟踪算法具有很好的跟踪性能.     

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      

基于多特征融合的高机动多目标低截获概率跟踪技术

在多目标跟踪过程中,目标的高机动特性使得传统采用固定运动模型或交互式多模型的目标跟踪算法很难实时精确匹配目标运动模型,从而引起高机动目标的低跟踪精度问题。针对这一问题,本文提出一种基于目标运动状态模型自适应更新的高机动多目标跟踪算法。在多目标跟踪过程中,该算法采用多特征聚类融合算法进行目标运动模型估计,并根据各目标跟踪波动参数进行状态转移矩阵决策更新,同时利用联合概率数据关联实现多机动目标状态转移矩阵自适应更新的关联跟踪,从而解决了传统多目标跟踪算法因目标运动模型失配引起的低跟踪精度问题。在目标跟踪算法的传感器选择上,无源传感器不对外辐射能量,具有较好的低截获概率性能,但其跟踪精度有限,常不能满足多目标高跟踪精度的要求。雷达作为有源传感器,具有较高的跟踪精度。但由于雷达对外辐射信号,容易被防御方截获。针对这一问题,本文提出了一种无源传感器目标跟踪为主,有源雷达间歇跟踪为辅的多传感器协同管理目标跟踪算法。该算法通过对目标跟踪本征堆积误差的判断进行传感器的最优分配,并根据波动参数的大小进行状态转移矩阵决策更新。仿真结果验证了本文所提出的多传感器协同的高机动目标跟踪算法在满足高机动目标跟踪精...     

基于最小二乘拟合的机动目标运动补偿算法

在高频雷达探测中,目标机动通常会造成多普勒谱的展宽,严重影响了目标的探测与跟踪.针对该现象,文中推导了机动目标瞬时径向速度表达式,发现机动目标回波相位可以用时间的多项式描述,进而提出了基于最小二乘拟合的运动补偿算法.仿真处理和实验数据均验证了理论分析的结果,又表明在变速、转弯等机动情况下,该运动补偿算法都能有效地改善目标谱质量,提高雷达目标探测与跟踪性能.     

基于自适应状态转移集合的多帧积累检测DP-TBD算法北大核心CSCD

针对机动目标在多帧积累检测算法中存在的问题展开讨论与研究,提出了基于自适应状态转移集合的多帧积累检测与跟踪算法,并设计了相应的仿真实验验证算法的有效性。针对目标机动性较强时算法性能严重下降的问题,详细介绍相应的改进策略,使用当前统计模型提高对机动目标的适应能力。利用值函数积累过程中的目标预测路径实时估计目标的转移加速度并进行加速度约束,有效地减小目标状态的搜索空间。通过转移加速度在时间维上的相关性结合当前统计模型,自适应地调整目标状态转移集合的范围,进而减少目标搜索空间内的干扰信息,提高算法的检测精度与计算效率。利用不同机动目标场景,仿真结果证明所提改进算法具有更好的检测与跟踪性能。     

电视跟踪系统脱靶量动态滞后误差的修正

解决了电视跟踪系统脱靶量动态滞后误差修正中传统方法精度低、无法有效抑制随机误差的问题。分析指出目标在摄像机靶面上的成像点运动为机动,且认为机动加速度服从修正瑞利分布,采用了基于机动目标当前统计模型的自适应卡尔曼滤波算法进行误差修正。仿真结果表明,该算法较传统方法不但补偿精度高且极大抑制了随机误差。     

外辐射源雷达运动目标信号特性及检测方法研究

以调幅广播为信号源的短波外辐射源雷达系统需进行信号长时间积累以检测微弱目标信号,目标运动变化会导致多普勒频率展宽,传统积累检测方法检测性能下降,针对这一问题提出了基于运动补偿的积累检测方法。建立了动目标回波模型;介绍了基于多项式拟合积累检测算法原理;分别通过仿真数据和试验数据进行补偿,验证目标运动补偿前后信噪比得益;并利用计算机仿真建模方法验证了该积累检测算法的检测性能;在此基础上分析了补偿后的理论损失及搜索步长的参数获取,并评估了目标运动补偿方法的运算量。     

用于雷达弱小目标检测的改进TBD算法

针对基于动态规划的检测前跟踪算法存在的问题，提出了一种改进的动态规划算法。该方法的创新之处在于：在原来可能的状态转移的基础上又对后续状态进行了估计，因此可以减少目标强度起伏的影响。文中利用改进的动态规划与数学形态学相结合的检测前跟踪算法对雷达微弱目标进行检测。实测数据验证了该算法可以提高雷达回波中弱小目标的检测性能，且计算量较小，实际可行。     

提高雷达机动目标检测性能的二维频率域匹配方法

 增加目标信号的积累时间是提高雷达对微弱目标探测能力的主要方法.但是,对于高速运动目标,在长时间相参积累期间,目标回波信号容易产生距离徙动和多普勒走动,若不进行补偿,目标信号能量不能有效积累.传统基于keystone变换的方法仅适用于目标作匀速运动的情形,当目标作机动运动时,距离弯曲不能通过keystone变换进行校正.针对目标作匀加速运动,且高速目标存在多普勒模糊情况,本文提出一种二维匹配滤波新方法,该方法将脉冲压缩后的目标回波转换到距离-多普勒二维频率域,通过构造一补偿函数进行匹配滤波处理.该方法不需要知道目标运动速度参数,由目标径向速度引起的距离走动和径向加速度引起的距离弯曲均能得到很好的消除,另外,所提算法可以有效地利用快速傅里叶变换实现而无需进行插值操作,运算量小.仿真结果表明本文方法具有良好的高速机动目标积累检测性能.     

机动目标DOA跟踪粒子滤波算法

针对标准粒子滤波算法在机动目标波达方向(direction of arrival, DOA)随时间快速变化导致跟踪精度下降、实时性变差及多目标跟踪误差大等不足的问题,本文提出了一种改进粒子滤波(particle filter, PF)算法。该算法依据阵列信号处理模型和匀速(constant velocity,CV)模型,建立了机动目标跟踪的状态方程和观测方程作为状态空间模型,并在此基础上,借鉴多重信号分类(multiple signal classification,MUSIC)算法谱函数修改了粒子滤波的似然函数,实现了对目标方位的实时动态跟踪。仿真结果表明,与传统子空间类跟踪算法和标准粒子滤波算法相比,本文方法跟踪精度更高,收敛速度更快,抗噪能力及鲁棒性更强,对轨迹交叉的多目标跟踪性能也更优。      

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.     

Dynamic programming based adaptive step integration method for maneuvering fluctuating target detection

An adaptive long time integration method based on dynamic programming (DP) is proposed for the detection of high speed maneuvering fluctuating targets. The proposed method is aimed at detecting a target with an unpredictable range migration and fluctuating echoes by jointly applying three main ideas: the improved DP procedure that could search the maneuver position and velocity at each frame; the multi-pulse integration that could suppress the influence of fluctuation; and the adaptive step with fading factor that could allow the integration time to be suitable for each searching velocity. Compared with the existing methods, the target energy could be integrated along its trajectory using the proposed method without estimating the specific motion parameters, which makes the proposed method applicable to a target with arbitrary motion. Simulation results and performance comparisons show the superiority of the proposed method.     

机动目标跟踪时组网机会阵雷达功率分配算法

针对机动目标的高动态属性导致雷达系统不能精确地分配系统资源问题,本文提出了一种基于改进的当前统计模型的组网机会阵雷达功率分配算法。该算法通过改进的当前统计模型预测机动目标运动状态,采用预测的条件克拉美罗界作为功率分配时目标跟踪性能的衡量基准。针对目标信息的不确定性,引入随机变量表征目标RCS,建立基于机会约束规划的功率资源分配模型,并设计混合智能优化算法求解满足机会约束的最优功率分配。仿真结果表明,预测的条件克拉美罗界能够提供一个更加精确的跟踪性能衡量边界,该算法能够有效提高雷达系统资源利用率。     

一种无格点动态规划检测前跟踪算法研究

目标的多样化和环境的复杂化,对现代雷达的探测能力与航迹处理提出了更高的要求。随着雷达技术的迅速发展, 弱目标的检测与跟踪也受到了更为广泛的关注。检测前跟踪技术可以减少虚假航迹,提高微弱目标的检测和跟踪性能。为改善传统的基于动态规划的检测前跟踪算法计算复杂的缺点,提出了一种无格点DP-TBD改进算法,分析了适用模型, 给出了运动及量测模型。仿真实验表明,该算法具有较好的检测跟踪性能。     

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。     

基于Hankel矩阵分解的天波超视距雷达机动目标检测算法

机动目标检测是天波超视距雷达的研究重点之一。目前已有的算法在高信噪比条件时对单个机动目标的检测效果较好,但在低信噪比时对多个机动目标的检测性能有待提高。该文提出一种基于Hankel矩阵分解的机动目标检测算法,该算法将机动目标信号构造为Hankel矩阵的形式,通过矩阵分解将信号时频估计转化为线性主成分分析的凸优化问题,从而实现匀速与机动目标的分离以及多个目标的同时估计。仿真结果证明了该算法具有估计精度高,信噪比条件低,可以同时多目标检测等优点。     

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。