机动目标跟踪的自适应卡尔曼滤波算法实现

为真实反映目标机动范围与强度的变化,引入了机动目标的“当前”统计模型,提出了一种基于该模型的自适应卡尔曼滤波算法．仿真结果表明,能有效改善在机动目标跟踪中传统的卡尔曼滤波可能出现的发散情况,提高了跟踪的准确性和稳定性．     

基于转换坐标卡尔曼滤波算法的目标跟踪

在三维空间中推导转换坐标卡尔曼滤波算法.先设一传感器位于坐标原点,导出目标测量方程及三维传感器测量误差方差.再假设目标相对于传感器的斜距、俯仰角及方位角在一定位置,根据公式求得三者关系,然后将传感器对目标的测量值转换到直角坐标系,得到传感器的斜距误差俯仰角误差和方位角误差均相互独立,均值为零.最后经转换,得到测量和真实值间的误差.仿真表明,该算法收敛迅速,精度较高,具有良好的跟踪性能.     

改进的卡尔曼滤波与均值漂移目标跟踪算法

为了实现更加理想的运动目标跟踪,提出了改进的卡尔曼滤波与均值漂移目标跟踪算法。该算法采用粒子滤波与Kalman滤波相结合实现非线性滤波,首先利用粒子滤波对运动目标的状态变量进行估计,然后对目标估计状态进行卡尔曼滤波,解决观测方程为非线性的问题。最后利用Mean-shift算法进一步聚类粒子,使抽样的粒子集更符合实际的目标概率模型,从而增加有效粒子数目,减少粒子退化。经过预测迭代,从而达到对运动目标运行轨迹的修正,并采用仿真实验进行算法性能测试。结果表明,相对于其他算法或者是传统算法,在相同的条件下该算法不仅提高了目标跟踪的精度,并且降低了计算复杂度,实时性较好。     

基于卡尔曼滤波和DDQN算法的无人机机动目标跟踪

为使无人机能够自主、准确地预测目标状态,进而对敌方机动目标进行跟踪,基于卡尔曼滤波和深度强化学习DDQN算法提出了一种在线决策算法。通过构建无人机机动目标跟踪模型和马尔科夫决策过程框架,结合卡尔曼滤波对目标状态进行了准确预测和更新;然后整合无人机自身状态作为神经网络输入,利用DDQN算法进行针对性训练,实现了无人机对机动目标的自主跟踪控制。仿真实验证明,相较于经典DQN算法,基于DDQN算法训练后的无人机,在跟踪任务中能够对目标保持更长的有效跟踪时间、跟踪距离更近,并保持更稳定的飞行状态,最终实现对机动目标的高效跟踪。     

基于混合卡尔曼滤波的磁偶极子目标跟踪

针对经典粒子滤波(PF)对磁偶极子跟踪高维模型估计时存在的"维数灾"问题,提出一种基于混合卡尔曼滤波(MKF)的方法进行求解。该方法通过导出磁偶极子跟踪的条件线性高斯模型,利用混合卡尔曼滤波算法,将状态变量分离为线性部分和非线性部分;利用卡尔曼滤波和粒子滤波进行耦合处理,克服了经典粒子滤波直接用于磁偶极子跟踪出现的精度不高和滤波发散问题。通过仿真实验将该方法与基于PF的磁偶极子目标跟踪方法进行了对比,结果表明算法精度较高,且性能稳定。     

再入弹道目标跟踪的球面单纯形-径向容积卡尔曼滤波算法

提出一种再入弹道目标跟踪的球面单纯形-径向容积卡尔曼滤波算法(Spherical Simplex Radial Cubature Kalman Filter,SSRCKF),有效提高了地基雷达对再入段弹道目标的实时跟踪精度。首先,在测站坐标系下建立了再入弹道目标的非线性动力学方程和量测方程,利用四阶龙格-库塔方法得到适用于滤波计算的离散形式,具有比传统欧拉法更高的离散精度;然后,利用Spherical Simplex-Radial准则逼近非线性函数的高斯加权积分,基于贝叶斯滤波框架得到SSRCKF算法,具有比CKF更高非线性滤波精度。对再入弹道目标跟踪仿真实验中,相比于CKF算法,SSRCKF算法的定位精度提高约4.5m,定速精度提高约0.06m/s。     

基于相关和卡尔曼滤波的组合跟踪算法

针对现有单一或组合跟踪算法对于复杂背景条件下高速红外目标跟踪稳定性较差的问题,提出了基于相关和卡尔曼滤波的组合跟踪算法。该算法改进了相关跟踪算法的模板设计,并将其计算的目标位置作为卡尔曼滤波观测量输入来修正和预测目标航迹。在多种复杂背景条件下的反复测试验证表明,该算法有较好的鲁棒性,实现了对目标的稳定跟踪,满足光电系统对高速红外目标跟踪稳定性的高要求。     

状态自适应无迹卡尔曼滤波算法及其在水下机动目标跟踪中的应用

为了满足水下对抗对机动目标实时跟踪和目标航速、航向准确估计的要求,针对观测量为距离和方位的机动目标跟踪,对传统无迹卡尔曼滤波（UKF）跟踪算法进行了改善。提出根据UKF算法预测值和观测值残差的概率分布自适应调整目标状态噪声方法,使得UKF跟踪算法能够根据目标运动状态及时调整状态方程,在目标机动时减小对预测值的依赖,在目标非机动时增大对预测值的依赖。这种在线实时估计系统噪声状态的跟踪方法更加适用于机动目标的跟踪。数值仿真结果表明：该算法不仅在目标机动时具有良好的跟踪效果,而且在目标非机动时具有准确的估计性能。通过声纳信息综合处理系统验证了状态自适应UKF跟踪算法的性能。     

基于均值偏移和卡尔曼滤波的目标跟踪方法

分析了Mean—shift难以有效地跟踪复杂背景下灰度运动目标的主要缺陷,提出了结合Mean-shift和卡尔曼滤波器的目标跟踪方法。该方法利用卡尔曼滤波器预测目标在当前时刻的起始位置,然后Mean-shift在该位置的邻域内寻找目标所处位置。同时。采用Bhattacharyya系数度量“目标模型”和“候选模型”相似程度．确定“候选模型”是否更换为“目标模型”,避免目标模型过度更新。以地物为背景的飞机目标图像序列试验结果表明该方法较原Mean-shift方法可明显提高阻挡情况下的目标跟踪稳定性。     

基于卡尔曼滤波的无源雷达目标跟踪分析

提出了一种基于卡尔曼滤波的无源雷达目标跟踪方法.利用无源雷达所测得的运动目标的二维不全信息, 根据卡尔曼滤波迭代估算出目标的位置.简要对无源雷达组网中的信息转换和航迹融合问题进行了讨论.对目标的仿真结果表明, 该算法具有良好的跟踪性能.     

基于扩展卡尔曼滤波算法的双模制导仿真研究

传统仿真方法利用目标运动参数的真实值来实现制导律时不能反映导弹真实工作过程。将扩展卡尔曼滤波算法应用于制导回路中,分别采用雷达单模及雷达/红外双模测量信息对目标运动参数进行估计,进而利用广义比例导引律形成制导指令,使导弹飞向目标。仿真结果表明,利用目标参数估计值形成制导指令能够引导导弹准确命中目标,然而导弹的法向加速度在弹道初始段及末段存在较大的抖动,反映了寻的导弹在末制导阶段的真实工作状态,对于制导律的优化等方面具有一定的工程参考价值。     

基于无迹卡尔曼滤波的单站混合定位跟踪算法

针对移动台的单站跟踪问题,以"到达时间和与到达时间差(TSOA/TDOA)"新型混合定位技术作为基础,提出一种基于"到达时间和与到达时间差"混合被动单站定位模型的无迹卡尔曼滤波跟踪算法。该算法以观测到的有噪信息为基础,引入"到达时间和与到达时间差"观测模式,使用受随机加速影响的匀速运动状态作为跟踪算法的状态模型,将无迹卡尔曼滤波(UKF)算法应用在移动台的定位跟踪上,实现了对移动台的位移和速度的同步跟踪。仿真结果表明:无迹卡尔曼滤波算法应用移动台跟踪系统是有效的;与扩展卡尔曼滤波相比,其跟踪算法的滤波精度、稳定性更优。     

机动目标跟踪算法研究

文中以二维TWS目标指示雷达为背景,对其跟踪算法进行了深入研究,设计出了实时性及通用性较好的跟踪算法.提出了极坐标系下的修正卡尔曼滤波器,并对伪加速度的影响进行了补偿,对机动加速度及其方差进行了自适应控制.     

舰船目标跟踪算法研究

针对海上舰船单目标机动的位置和速度跟踪问题,在极坐标系中建立数学模型,并对舰船目标的几种运动方式分别进行研究,提出机动辨识和实时跟踪的卡尔曼滤波算法。仿真结果标明,该算法对舰船在各种战术机动情况下都能实时跟踪,为攻击目标提供可靠信息。     

基于遗传优化的模糊交互式多模型目标跟踪算法

针对交互式多模型方法存在模型覆盖面不足和子模型间恶性竞争的问题,设计了一种基于遗传算法和模糊推理的智能优化模糊交互式多模型方法,该方法通过对模型集的自主寻优,能够实现任意时刻在最优模型集下的跟踪,通过建模仿真,在与传统的交互式多模型的比较中发现,使用该模型后目标跟踪误差显著减小,该算法具有较高精度及稳定性。     

一种基于圆阵测量的扩展卡尔曼滤波算法

为提高被动声定位系统的定位精度,本文提出了一种基于圆阵测量的扩展卡尔曼滤波算法,该算法首先对时延测量值进行预处理,以预处理直接作为卡尔曼滤波器测量方程的输入量,并利用台劳级数对非线性测量方程进行线性化。数值计算和仿真结果表明,该算法是较好的滤波、跟踪效果。     

基于扩展卡尔曼滤波的全球导航卫星系统矢量跟踪建模与仿真

针对现有公开资料缺乏对全球导航卫星系统（GNSS）矢量跟踪算法具体滤波跟踪控制过程的详细分析,建立了矢量延迟/频率锁定环（VDFLL）跟踪模型并对模型线性化过程进行推导。重点分析了矢量VDFLL跟踪算法时序逻辑控制问题,同时针对VDFLL无法实现对载波相位锁定等问题,提出了一种串联式锁相环（PLL）电文解调模型。建立了以软件接收机为平台的矢量VDFLL模型,并进行了半实物仿真验证。仿真结果表明,所建矢量VDFLL控制模型不仅正确地实现对接收机状态信息的最优估计,同时具有良好的动态跟踪性能。     

机动目标自适应跟踪算法研究

为了克服“当前”统计模型自适应跟踪算法（CAF）跟踪匀速运动目标误差较大和跟踪加速机动目标速度与加速度估计误差和动态时延较大的缺陷,通过分析研究CAF算法,采用截断正态分布表征目标的机动加速度特性,考虑风速和加速度估计均值的影响,对机动加速度与方差自适应关系修正,自适应补偿过程噪声协方差矩阵,提出了一种改进的机动目标自适应跟踪算法。理论分析与仿真结果表明,该算法能够准确描述目标的各种机动情况,具有良好的跟踪性能和实际应用价值。