基于期望模型的自适应IMM算法

针对固定结构交互式多模型算法在强机动目标跟踪过程中适应性不强的缺点,借鉴增加期望模型的变结构思想,提出了一种模型集自适应的交互式模型算法.根据滤波过程中获得的模型后验概率和模型似然函数,利用极大似然准则调整模型集中的部分模型,引导模型集向着更优的方向进化.蒙特卡罗仿真结果表明该算法比标准IMM算法适应性更强,跟踪精度更高,具有较高的工程应用价值.     

一种三维机动目标跟踪的改进IMM算法

以三维机动目标跟踪为背景,提出一种参数自适应交互式多模型跟踪算法。该算法采用当前量测信息实时地修正马尔可夫转移概率矩阵,有效地降低了人为因素的影响。由于三维CV（匀速运动）和CA（匀加速运动）模型状态变量维数不一致,从而导致使用IMM算法时数据不能直接交互融合。针对这一缺点,对CV模型进行了改进。Matlab仿真表明,使用改进后的CV模型并结合参数自适应IMM算法比使用常规的IMM算法跟踪效果更好,并具有很好的实用性。     

基于改进交互式多模型算法的ADS-B航迹滤波方法研究

针对广播式自动相关监视(ADS-B)航迹跟踪精度低以及目标跟踪模型与目标运动模型匹配效率低的问题,结合自适应算法对经典交互多模型(IMM)算法的运动模型集进行改进。将经典交互模型(IMM)运动模型集中的匀加速运动(CA)模型,改进为"当前"统计模型(CS)和修正转弯(MCT)模型。利用改进的模型集对目标当前位置、速度和加速度进行滤波估计。并对模型转移概率进行修正,提高IMM算法的自适应能力,实现快速目标跟踪。利用模拟航迹数据及实际设备接收的实测数据对算法进行验证。结果表明:运动模型集改进后的IMM算法滤波结果优于经典IMM算法,跟踪结果稳定,改进的算法可适应复杂的目标航迹实时跟踪。     

基于改进自适应IMM-UKF算法的水下目标跟踪

针对现有自适应交互式多模型算法(AIMM)在水下目标跟踪过程中模型切换和跟踪精度上的不足,该文结合无迹卡尔曼滤波(UKF)算法,提出一种改进的AIMM-UKF算法。该算法在自适应修正马尔可夫转移概率矩阵的基础上,利用判定窗对其进行二次修正,实现匹配模型概率的快速增大和对非匹配模型的抑制。仿真结果表明,改进算法相比原有自适应算法,能更加充分地利用后验信息,拥有更好的模型切换速度,跟踪精度提升约24%。     

区间量测下自适应交互多模型箱粒子滤波机动目标跟踪

针对现有交互多模型箱粒子滤波(Interacting Multiple Model Box Particle Filter,IMMBPF)算法在区间量测目标跟踪过程中模型切换和跟踪精度方面的不足,结合自适应交互多模型算法,提出了一种自适应交互多模型箱粒子滤波(Adaptive IMMBPF,AIMMBPF)算法。该算法利用模型似然后验信息构建修正因子,并结合阈值对马尔可夫转移概率矩阵进行自适应修正,使得匹配模型的概率快速增大,并且可以减小非匹配模型的影响,即使在目标运动模型先验信息不足或者不准确情况下,也能对模型转移概率进行自适应更新。对于量测常受到未知分布和偏差的区间误差所影响而呈现区间形式的问题,将箱粒子代替普通粒子,拟合后验概率密度从而进行滤波。仿真结果表明,相比于原有算法,该算法在区间量测机动目标跟踪的应用中,拥有更优的模型匹配度和目标跟踪精度。     

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.     

模型参数自适应的低复杂度ATPM-VSIMM算法

在机动目标跟踪中,针对交互式多模型算法使用固定模型集和固定转移概率矩阵导致跟踪精度下降的问题,提出模型参数自适应更新的低复杂度ATPM-VSIMM算法。所提算法根据系统新息变化情况来判断目标是否出现机动,从而调整模型集的状态噪声,实现模型集的自适应更新;然后,根据模型后验概率变化情况和模型间的相互切换关系,准确地计算出转移概率矩阵,从而提高系统运动模型和目标运动轨迹的匹配程度,保证跟踪系统具有滤波精度高和响应速度快的优点。从模型后验概率初值、转移概率矩阵初值和状态噪声三方面验证了所提算法的有效性。仿真结果表明,ATPM-VSIMM算法的空间位置跟踪精度比现有算法提高了8%左右。     

基于容积卡尔曼滤波的自适应IMM算法

在目标跟踪中,针对无迹卡尔曼滤波在高维状态下容易出现滤波精度下降甚至发散的问题,提出了一种自适应交互式多模型容积卡尔曼滤波算法。首先,将容积卡尔曼滤波引入到交互式多模型算法中,提高了算法在高维非线性情况下的滤波精度。然后,结合马尔科夫参数自适应思想,在模型概率更新阶段,利用后验信息修正马尔科夫概率转移矩阵,增大匹配模型的转移概率,进一步提高模型之间的切换速度。最后,在目标跟踪仿真中利用"当前"统计模型对算法进行验证,实验结果证明了算法的有效性。     

改进的马尔可夫参数自适应IMM算法

针对机动目标跟踪问题,首先推导了马尔可夫参数自适应IFIMM算法自适应调节模型切换矩阵的必要条件,进一步分析了马尔可夫矩阵修正IMM跟踪算法的适用局限性.通过重新定义模型误差压缩率之比,提出了一种改进的马尔可夫参数自适应IMM算法,并阐述了误差压缩率之比的特性.最后进行了仿真实验并指出了马尔可夫自适应IMM算法的适用范围.     

基于模糊逻辑的改进自适应IMM跟踪算法

交互式多模型算法（IMM）和基于模糊控制的交互多模型算法（FIMM）是实际中常用的目标跟踪算法,然而其模型集合固定,当需要大量模型覆盖目标机动时,会导致计算量激增,且过多模型可能带来不必要的模型竞争,降低跟踪性能。针对这一缺陷,提出了一种基于模糊控制的改进自适应IMM算法（FAIMM）,采用一种模型概率的非线性映射处理方法实时筛选模型子集,剔除无用模型,增加有用模型的权重,并通过模糊推理机制自动调整过程噪声水平,使得算法对不同的目标机动模式具有更强的自适应能力。仿真结果表明,提出的算法跟踪性能优于IMM算法以及FIMM算法,能够更好地匹配目标的机动模式。      

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。     

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。     

基于波形自适应的认知雷达机动目标跟踪算法

从认知雷达的角度出发,综合考虑跟踪模型和波形选择,提出一种能够适应目标运动状态急剧变化的波形自适应机动目标跟踪算法。首先,将匀速运动模型和当前统计模型作为交互式多模型(IMM)的模型集,并结合贝叶斯理论提出一种时变转移概率的自适应IMM算法。然后,结合量测误差椭圆与目标状态预测误差椭圆正交理论,研究了基于基带脉冲波形模糊函数旋转的波形库实现方法并给出了波形自适应选择跟踪算法的具体步骤。仿真实验表明,所提算法能够适应目标不同加速度机动,雷达系统跟踪性能得到了较大幅度提升。     

改进的交互式当前统计模型算法

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,而当前统计模型(CSM)是一种模型自适应的方法.因此,利用CSM为IMM提供模型,提出一种改进的交互式当前统计模型算法.仿真结果表明,该算法能有效地提高机动目标跟踪精度.     

自适应转弯模型的机动目标跟踪算法

给出了一种利用白适应转弯速率模型的IMM跟踪算法，可以用于机动目标的跟踪中。每一步通过交互输出的速度和加速度的估计值来计算转弯速率，它的大小等于加速度和速度的比值。本文中对提出的白适应算法和其他两种IMM算法进行了比较。     

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.     

一种基于IMM的自适应跟踪数据率算法

针对交互式多模型(IMM),提出一种自适应跟踪数据率的算法.该算法利用IMM模型更新概率对各模型产生的采样间隔时间进行混合估计,产生系统的自适应采样间隔时间.在保证跟踪精度的基础上,有效地降低了跟踪采样次数.仿真结果表明了方法的有效性.     

ECEF坐标系弹道导弹跟踪研究

针对单模型跟踪算法无法实现对弹道导弹连续精确跟踪的问题,提出了一种地心地固坐标系下弹道导弹全阶段连续跟踪的交互式多模型(IMM)算法。根据导弹不同飞行阶段的受力情况建立IMM算法的两个滤波模型集:助推段采用恒轴向力模型,中段、再入段采用被动段跟踪模型,两个模型都利用滤波精度高、数值稳定性较好的求容积卡尔曼滤波算法进行滤波。针对该IMM算法在混合估计过程中引入偏差的问题,采用无偏混合的方法,以两种典型的跟踪场景进行仿真校验,实验结果验证了该文算法的优越性。