基于α-β-γ固定增益滤波器的机动目标跟踪方法研究

为提高电子战中对机动目标的跟踪能力,提出了基于α-β-γ固定增益滤波器的动目标跟踪技术,分析了固定增益滤波器原理和组成,阐述了α-β-γ滤波器的原理,介绍了一种固定增益滤波器跟踪方法,最后通过仿真证实了该技术跟踪强、弱机动目标的性能,并可在噪声干扰情况下获得较小的期望残差.     

一种机动目标跟踪的自适应α-β滤波算法

α-β滤波器是一种在雷达数据处理中常用的跟踪滤波器,其中系数的选择是决定滤波器性能优劣的关键。在充分理解α-β滤波器算法的实质的基础上,利用一双曲函数的简单性质,提出了一种具有工程实践意义的适用于机动目标跟踪的α-β算法,该算法结构简单、运算量小、易于工程实现。文中介绍了其基本原理,给出了其理论根据,并对算法进行了仿真,在仿真中与其他工程中常用的算法相比较,仿真结果验证了算法对机动目标跟踪的有效性。     

混合坐标系下的自适应α-β滤波器

针对雷达目标观测和数据处理在不同的坐标系下完成,本文提出了一种混合坐标系下的自适应α-β滤波算法来跟踪机动目标。该算法以自适应α-β滤波器为基础,直角坐标系和球坐标系下的算法相结合,克服了这两种坐标系下滤波算法的不足,对机动目标有很好的跟踪效果。仿真表明该算法的跟踪性能优于单一坐标系下的自适应α-β滤波器,尤其适用于TWS雷达多机动目标跟踪情况。     

机动目标跟踪α-jerk模型

本文针对jerk模型中人为设定参数α值的不合理性,对机动时间常数的倒数α进行建模,提出新的α-jerk模型,并给出相应的α-jerk滤波算法。该模型在估计目标状态的同时,能够实时估计参数α的值。仿真结果表明α-jerk模型比jerk模型收敛速度更快,状态估计更精确。     

机动目标自适应跟踪滤波器设计

采用非零均值相关加速度模型建立火控系统中的Kalman滤波器。通过对残差滤波,建立了新的机动检測器,并由此对机动加速度方差进行调整,从而实现对机动目标的自适应跟踪。文中引入了瞄准线直角坐标系,使Kalman滤波器解耦以减小计算量。仿真的结果表明,所提出的滤波器对机动目标有良好的跟踪性能。     

基于变系数α-β-γ滤波的目标跟踪仿真研究

针对目标跟踪中联合数据关联算法计算量大,随目标数目增多呈几何增长而导致跟踪效率低下的问题,主要介绍了顺序数据关联快速算法（MSFAFDA）,建立了基于变系数α-β-γ滤波和顺序数据关联快速算法的模型,并进行了模拟战场实际目标的仿真试验。仿真结果表明该算法能较好的跟踪目标,其跟踪精度符合要求,提高了跟踪实时性。     

多种跟踪算法对机动目标跟踪的应用研究

通过建立目标运动模型,对多种跟踪滤波器进行了分析仿真。仿真结果表明,混合状态估计交互式多模型算法（IMM）对机动目标跟踪效果比其它类型的滤波器好得多,并且确定了在航迹滤波与机动跟踪方面综合表现性能较高的IMMVCVA跟踪算法。通过外场实际数据验证,表明该算法对现实环境中的目标稳定跟踪具有重要的意义。     

强跟踪自适应滤波器实现机动目标的精确跟踪

机动目标状态估计中的一个主要问题是:目标运动的突变性导致状态噪声无法进行统计预测.传统的EKF将噪声看成是高斯白噪声有着本质上的不足,因而无法实现稳定的跟踪.引入Sage-Husa滤波算法对有色噪声进行在线的估计,一定程度上弥补了目标运动模型不够合理的缺憾.在此基础上,从系统容错设计基本原理出发,用归一化残差功率法实时地检测可能出现的数值发散现象,一旦检测到发散,印通过一种改进的强跟踪自适应滤波器进行抑制,有效地提升了滤波的健硕性,实现了稳定跟踪.最后,针对高机动目标的运动特性,仿真验证采用变维滤波模型,用EKF对目标的简单机动进行跟踪,只有目标运动突变时才采用本文提出的算法,以提升计算的实时性.仿真结果表明此算法对高机动目标的跟踪是有效的.     

低空反导机动目标跟踪技术研究

低空飞行的巡航导弹目标是防空系统的重要威胁，由于巡航导弹在接近攻击对象时按预先设定的指令发生机动，如果因导弹机动而导致防空系统丢失目标，将产生极其严重的后果。本文将交互多模滤波算法引入到低空反导机动目标跟踪，探讨了交互多模跟踪算法在跟踪不同机动幅度目标的性能。     

基于标签多伯努利滤波器的机动小目标检测前跟踪

标签多伯努利(LMB)滤波器在传统多伯努利滤波器基础上引入标签空间,能够实现真正意义上的多目标轨迹级滤波.文章对红外小目标的运动和量测进行建模,将标签多伯努利应用到红外小目标检测前跟踪领域.在此基础上,为了实现对运动模型时变目标的检测前跟踪,将交互式多模型(IMM)与LMB检测前跟踪算法相结合,提出IMM-LMB检测前跟踪算法.此外,给出了该算法的序贯蒙特卡罗实现.仿真结果表明,所提算法能够从输入的原始图像中直接实现轨迹级多目标检测和跟踪,且能够在线更新多模型概率,更好的适应多机动目标场景.     

机载雷达对地动目标跟踪研究

雷达对目标的跟踪过程中,往往利用α-β滤波器对目标航迹进行滤波以得到更高的跟踪精度。试验发现机载雷达对地动目标跟踪的过程中,若目标突然发生运动状态的改变如加/减速等,则滤波误差容易发散。工程上往往利用衰减记忆滤波器来维持滤波器的稳定性,但对于匀速运动目标,随跟踪步数的累积该滤波器跟踪精度无法得到持续改善。本文提出一种结合利用α-β滤波器和衰减记忆滤波器的目标跟踪算法,使其兼顾跟踪精度和滤波稳定性。通过仿真试验证明了该滤波方法的有效性。     

一种改进的α-β滤波算法

针对传统α-β滤波算法不够有效跟踪机动目标的问题,详细分析了其内在原因,提出一种改进的α-β滤波算法.该算法不需要假定目标的机动模型,而是将目标的机动加速度作为滤波状态直接估计出来,将估计加速度作为输入控制量引入到传统α-β滤波器的状态估计方程中进行机动目标的跟踪.然后将它与传统α-β滤波算法进行比较,证明了新的算法不仅具有传统算法计算量小的优点,而且还可以对机动目标进行实时跟踪.仿真结果表明,新算法在综合性能上明显优于传统算法.     

基于卡尔曼滤波的机动与非机动目标的定位跟踪

目标跟踪理论在国防、商用等领域都具有重要价值,并且是实现智能交通系统的基础。针对智能交通系统中需要对特定的运动目标进行跟踪和监测的要求,利用卡尔曼滤波算法对目标进行跟踪并对其下一时间的运动位置、运动方向、速度等信息进行预先估算以达到及时监测的目的。通过分别对机动目标和非机动目标的仿真试验,得出了卡尔曼滤波算法可以对运动的目标实现实时跟踪,且非机动目标的跟踪效果要优于机动目标的结论。     

使用高斯混合滤波器的机动目标跟踪

实际目标跟踪过程中,被跟踪目标的状态与类型都是不确定的。使用运动学传感器与属性传感器分别获取的目标状态量测信息与特征量测信息,给出了目标状态与类型不确定性的联合状态类型概率密度函数表示,并推导了线性高斯假设下的系统模型为高斯混合模型。根据这一性质,引入高斯混合滤波器,实现了机动目标的有效跟踪。在仿真分析中,通过对比3种算法的跟踪结果,进一步验证了使用高斯混合滤波器在机动目标跟踪过程中的有效性。     

机动目标跟踪的新算法

机动目标通常不是做恒定的运动,其运动状态会随时间的变化而变化.这就使描述系统运动的状态方程是非线性的,而且系统参数会不断变化.传统的推广卡尔曼滤波适用于定系统定参数的情况,如果运用到机动目标跟踪上会导致误差增大甚至滤波发散.基于此,将强跟踪滤波运用到机动目标跟踪上.强跟踪滤波在卡尔曼滤波的基础上引入了多重渐消因子,使强跟踪滤波具有极强的跟踪能力和较好地鲁棒性,因此可以很好地解决变系统变参数的问题.通过仿真,将强跟踪滤波与UT-BLUE滤波方法和EKF滤波方法进行比较,结果表明了该滤波方法的有效性和优越性.