高机动目标跟踪ATPM-IMM算法

在高机动目标跟踪中,针对标准交互式多模型算法使用固定的转移概率矩阵导致跟踪精度下降的问题,提出了一种转移概率矩阵具备自适应更新的高机动目标跟踪ATPM-IMM算法。所提算法对模型后验概率和转移概率矩阵的先验信息要求不高,既适用于高机动目标跟踪,也适用于弱机动目标跟踪。仿真结果表明,所提算法的滤波精度比现有算法提升了约11%。     

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。     

基于高斯-艾肯特滤波的机动目标跟踪算法

针对交互式多模型(IMM)算法切换滤波模型缓慢、跟踪精度低甚至发散的问题,提出了在机动目标跟踪中使用的高斯-艾肯特滤波算法。首先,该算法确定观测模型和滤波模型集,分别构造量测方程组和滤波方程组,形成总体观测矩阵;然后,针对跟踪目标的非合作机动,提出使用卡方检验来检验滤波效果,并通过滤波控制算法实时调整滤波内存长度,使用高斯-艾肯特滤波对机动目标跟踪具有很强的灵活性,实现自适应跟踪;最后,在目标跟踪仿真中与三种改进模型集的卡尔曼滤波IMM算法进行对比验证,对两类算法进行了复杂度分析。仿真结果证明了高斯-艾肯特滤波算法的有效性,在无先验信息条件下拥有更高的跟踪精度。     

一种用于搜索雷达的交互多模型跟踪滤波算法

跟踪滤波算法是雷达数据处理的重要组成部分。受搜索雷达采样数据率的限制,当目标机动时,滤波器跟踪严重滞后、跟踪精度差。针对该问题,提出了基于α-β滤波和α-β-γ滤波的交互多模型跟踪滤波算法。将目标的运动状态映射到目标的运动模型,根据运动模型构造相应的滤波器,多个滤波器并行工作,实时计算每个滤波器的残差,根据滤波的残差和先验知识选择适应目标当前运动状态的滤波器输出目标预测信息。仿真结果表明,该算法在目标机动与非机动情况下均能有效跟踪目标,具有较好的适应性与滤波精度。     

基于非线性滤波的自适应交互式多模型算法

研究了基于非线性条件下的自适应交互多模型算法,并将EKF及UKF引入自适应交互多模型算法(AIMM).交互多模型算法(IMM)是机动目标跟踪中比较有效的方法,然而传统IMM算法中的滤波参数完全是人为先验确定的,并没有利用当前时刻量测中的信息,文中给出基于后验概率的模型转移概率自适应交互多模型算法.最后通过一个仿真实例比较了AIMM中EKF方法与UKF方法及传统IMM方法的优劣,并分析了结论.     

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。     

基于改进CS模型的自适应概率数据关联算法

针对密集杂波环境下传统概率数据关联算法对突发机动目标跟踪性能下降问题,提出了一种基于采用渐消因子的改进"当前"统计模型的自适应概率数据关联算法。该算法改进了传统的"当前"统计模型中加速度方差的计算方式,并在滤波算法中采用了渐消因子,克服了传统卡尔曼滤波的3大缺陷,通过改变预测协方差来修正滤波增益,在保持跟踪精度的前提下,能自适应调整滤波器带宽,增强了系统对突发机动的跟踪能力。理论分析和仿真结果表明,该算法比采用强跟踪滤波器的概率数据关联算法更有效。     

多编队目标先后出现时的无先验信息跟踪方法

针对多编队机动目标先后出现时的跟踪问题,该文提出了一种基于交互式多模型高斯混合概率假设密度滤波(IMM-GM-PHD)算法的无先验信息跟踪方法。首先,在IMM-GM-PHD算法预测过程完成的基础上,引入密度检测机制,利用相关域为所有预测高斯分量挑选有效量测,结合密度聚类(DBSCAN)算法检测是否出现新编队目标。其次,在IMM-GM-PHD算法状态更新完成的基础上,利用更新高斯分量的组成情况完成模型概率的更新。最后,在状态估计优化过程中,结合编队目标的特点,加入相似度判别技术,利用杰森-香农(JS)散度度量高斯分量间的相似度,剔除没有相似分量的高斯分量,进一步优化估计结果。仿真结果表明,该文方法能够快速有效地跟踪非同时出现的多编队机动目标,具有较好的跟踪性能。     

一种实现多机动目标跟踪的JPDA-STF算法

联合概率数据关联(JPDA)算法在解决多目标跟踪时需要目标准确的动力学模型,动力学模型失配在多机动目标跟踪中时常发生,而作为有效的解决方法之一——强跟踪滤波(STF)是针对无杂波环境下的单机动目标设计的.为了提高杂波环境下多机动目标跟踪精度,提出一种联合概率数据关联强跟踪滤波(JPDA-STF)算法.该算法为了能够实现...     

一种具有自适应关联门的杂波中机动目标跟踪算法

针对杂波环境下的机动目标跟踪,该文提出一种基于自适应关联门的跟踪算法。该算法以传统交互多模型概率数据关联算法为基础,在关联门内无有效量测点迹时,假设目标在前一滤波时刻或是更早时刻以最大机动水平改变原运动模式,利用该假设条件下所获得的目标预测量测及当前真实预测量测,对用于确定关联门的新息协方差进行修正,使得关联门逐步适当扩大,以尽可能地包含目标真实量测点迹。仿真结果表明,自适应关联门跟踪算法能在不影响跟踪精度和算法运算量的情况下,有效降低机动目标的跟踪丢失概率。     

Recursive least-squares quadratic smoothing from measurements with packet dropouts

The least-squares quadratic filtering and fixed-point smoothing problems of discrete-time stochastic signals from observations with multiple packet dropouts are addressed. It is assumed that the packet dropouts occur randomly and the latest measurement received successfully is processed for the estimation in case that the current measurement is dropped-out. This situation is modelled by introducing in the observation model a sequence of Bernoulli random variables whose values - one or zero - indicate if the current measurement is received or dropped-out, respectively, and whose probability distributions are known. A recursive estimation algorithm is deduced without requiring full knowledge of the state-space model generating the signal process, but only information about the dropout probabilities and the moments of the signal and noise processes involved. Defining a suitable augmented observation model, the quadratic estimation problem is reduced to the linear estimation problem based on the augmented observations, which is solved by using an innovation approach.     

改进的“当前”统计模型变采样率目标跟踪算法

为满足实际雷达系统对高精度和高实时性的要求,提出了一种改进的"当前"统计模型变采样率机动目标跟踪算法。该算法针对"当前"统计模型必须预设加速度极值和机动频率的问题,提出一种加速度方差和机动频率在线同步自适应方法,建立改进的"当前"统计模型机动目标跟踪算法;针对在线自适应方法计算量大的问题,结合采样周期的大小与目标机动特性的关系,引入变采样率方法。仿真结果表明,与传统"当前"统计模型相比,改进的"当前"统计模型机动目标跟踪算法能显著提高对不同机动强度目标的跟踪精度;变采样率方法通过减少采样点数,节省了系统资源,提高了跟踪实时性;所提算法将两者结合,用传统的"当前"统计模型1.5~2倍的平均采样周期得到了更小的位置均方根误差,实现了用单模型方法同时改善跟踪精度和实时性的目的。     

改进的变维滤波实现运动目标姿态的跟踪

针对运动目标变维姿态滤波在姿态剧烈变化时滤波效果较差的问题,结合Jerk模型,提出一种改进的变维运动目标姿态滤波方法。该方法通过建立角加加速度滤波模型,结合变维姿态滤波中的角速度和角加速度模型,利用角度和角速度的新息残差,角加速度和角加加速度估计显著性检验的统计量,判定目标姿态的机动状态,调整跟踪模型,从而提高姿态跟踪精度。仿真表明,该方法在保持变维姿态滤波精度基础上,有效提高了姿态强机动情况下的跟踪精度。     

引入斜距和高程预测的BLUE跟踪方法

最佳线性无偏估计（BLUE:Best Linear Unbiased Estimation）算法用于目标跟踪时,受斜距、高程参量间的“共线”效应影响,对近程目标估计误差会增大甚至发散。针对此问题,在量测转换模型中引入斜距、高程预测,构建斜距、高程参量有偏估计,抑制“共线”效应。基于非线性参数误差最小准则推导斜距、高程估计的权值和偏置,建立基于非线性观测和状态预测融合估计的量测转换模型。基于该模型的BLUE算法能更精确的捕捉转换量测误差特性,以较小计算代价获得性能提升,数值仿真鲁棒性好,有很好应用前景。      

红外与激光主/被动联合跟踪算法

针对单站红外被动式跟踪存在不可观测性问题，提出红外与激光主／被动单目标联合跟踪方法。该方法首先针对三维空间任意机动目标的跟踪问题，将参考文献[1]给出的一维机动目标“当前”统计模型推广到三维情况，得到三维情况下跟踪任意机动目标的状态方程和跟踪系统的非线性量测方程。然后对红外探测器测量的角度信息和激光测得的距离信息进行融合，得到正确的测量值。最后提出扩展的自适应卡尔曼滤波算法并进行了仿真研究。仿真表明；方案可行，可同时对目标三个空间坐标轴的位置、速度、加速度进行估计。     

目标检测非线性问题研究

在目标检测滤波算法中，量测向量与滤波中所使用的状态向量是一对非线性关系，由于非线性误差的传播与积累，极有可能导致滤波结果的发散。针对这一问题，本文提出将UT(Unscented Transformation)变换的思想引入到Singer模型中，在保证滤波精度的基础上，解决了非线性滤波中滤波结果发散的问题。     

MIMU／GPS组合导航模糊自适应卡尔曼滤波研究

针对组合导航初始对准中存在模型误差时常规卡尔曼滤波容易发散的问题,提出了一种模糊自适应卡尔曼滤波算法。该算法采用模糊控制规则,根据新息的方差和均值变化自适应调整量测噪声权值矩阵。此算法运用于MIMU/GPS组合导航初始对准中,获得了较高的导航精度。仿真结果表明,该算法能够有效防止滤波发散,减少模型误差对滤波结果的影响,提高了滤波精度,实现了参数的在线调整。     

正则化粒子滤波在水下目标跟踪中的应用

针对传统卡尔曼滤波(KF)及扩展卡尔曼滤波(EKF)在非线性目标跟踪模型中,跟踪精度较差的问题,本文给出了一种基于正则化粒子滤波(RPF)的水下目标跟踪算法。文中在一种模拟水下目标跟踪环境的非线性动态模型中对所提出的算法进行了仿真试验,并将其跟踪性能与扩展卡尔曼滤波和标准粒子滤波算法(PF)进行了比较。仿真结果表明,PF算法比EKF算法滤波精度更高,RPF的跟踪性能优于PF和RPF,而且随着粒子数的增加,PF和RPF的跟踪性能也不断提高。     

测距成像一体化引信信息融合方法

为了提高防空导弹引信的起爆控制精度,即得到更为准确的起爆延迟时间,提出了一种基于粒子滤波的红外成像导引头以及激光测距仪测量数据的一体化信息融合方法。在对多模信息进行处理时,由于不同传感器的开机时间和采样频率的不同造成了两传感器的测量数据不在同一个时间基准上,所以,选择在典型弹目交会的环境下,针对激光测距仪的高频采样与红外导引头的低频采样,使用了一种基于线性插值法的量测数据的时间对准方法,从而将传感器测量所得数据应用到延迟时间模型的计算中去。在该模型的基础上,提出了一种基于粒子滤波的一体化传感器集中式数据滤波算法,并通过与传统扩展卡尔曼滤波算法的对比仿真实验得到:在该信息融合方法下,得到的探测角、方位角测量精度均有较大提高,起爆延迟时间的精度因此也得到了提高,从而验证了论文中所提数据融合方法的有效性。