基于改进“当前”统计模型的非线性机动目标跟踪算法

＂当前＂统计模型算法对目标加速度极限值及机动频率的依赖性这一缺点,导致该算法在跟踪弱机动目标及高机动目标时,跟踪性能会明显恶化.本文在当前统计（CS）模型的基础上,通过加权一个以残差方差的迹为参数的活化函数,对加速度方差和机动频率进行自适应处理,实现了对＂当前＂统计模型的改进;同时,采用UKF（unscented Kalman filter）对非线性目标进行跟踪滤波,构造出基于改进＂当前＂统计模型的非线性机动目标跟踪算法,仿真结果表明,改进的＂当前＂统计模型不仅保留了＂当前＂统计模型跟踪算法对一般机动目标跟踪精度高的特点,而且对弱机动目标跟踪也具有更优越的性能,大大扩大了机动跟踪范围.     

基于"当前"统计模型的模糊自适应机动目标跟踪算法

结合"当前"统计模型在目标跟踪方面的优越性,提出了基于"当前"统计模型的模糊自适应机动目标跟踪算法,将模糊控制理论应用到"当前"统计模型跟踪算法中,避免了原方法加速度极限值需提前设定和方差调整有限的问题,改为加速度的估计值由其在三角隶属函数中的权重来确定.仿真结果表明该算法提高了对非机动和弱机动目标的跟踪精度,因而具有良好的跟踪性能.     

改进的CS-UKF加速度方差自适应跟踪算法

针对基于当前统计模型的状态噪声协方差阵中的加速度方差调整方法对一般机动目标、非机动目标跟踪精度差的问题,研究其改进方法;在建立机动目标当前统计模型离散状态方程和雷达导引头离散观测方程的基础上;利用雷达导引头测量信息和位置预测值之间的扰动对加速度方差进行调整,提出了改进的加速度方差自适应调整无迹卡尔曼滤波跟踪算法;数字仿真验证了该算法对非机动目标、一般机动目标以及高机动目标均具有良好的跟踪效果。     

方差自适应机动目标跟踪算法研究

针对机动目标弱机动时不能自适应调整,从而对弱机动目标跟踪精度不高的缺点,提出了一种改进的方差自适应机动目标跟踪算法。新算法将机动目标的运动状态分为弱机动状态和强机动状态,并通过新息平方的统计量和当前加速度估值进行机动自适应检测,能够根据目标当前的机动特性自适应调整过程噪声协方差矩阵,使运动模型与机动目标的当前运动状态相匹配,在保持对强机动目标跟踪性能的同时,实现了对弱机动目标更为精确的跟踪。仿真结果表明,改进算法对弱机动目标的跟踪性能明显优于当前统计模型。     

基于改进自适应滤波的异质传感器融合方法

针对“当前”统计模型中加速度极限值的预先设定问题，提出了一种基于位移预测协方差的改进机动目标跟踪算法。采用扩展卡尔曼滤波实现异质传感器融合。该算法避免了加速度极限值的预先设定对状态估计的不利影响，仿真结果表明，该算法提高了机动目标的跟踪精度。     

改进的机动目标当前统计模型自适应跟踪算法

针对机动目标当前统计模型自适应跟踪算法的加速度方差依赖于预先设定的加速度极值的问题,研究新的加速度方差调整方法。在机动目标当前统计模型的基础上,根据雷达实时观测信息,利用加速度扰动与位置变化量之间的物理关系,采用一种新的机动目标当前统计模型加速度方差自适应跟踪方法。仿真结果表明,新算法对高机动目标、一般机动目标均具有较高的跟踪精度,从而验证了新算法的正确性和有效性,对机动目标跟踪问题具有一定的实际应用价值。     

一种双机动频率自适应算法研究

基于当前统计模型,研究机动目标跟踪过程中机动频率的自适应调整方法,使其值更加符合目标的实际机动状况。根据机动频率在噪声方差及状态转移矩阵中对增益的影响不同,设计一种双机动频率自适应算法。仿真表明,该自适应算法能快速跟踪加速度跳跃的机动目标,跟踪机动目标位置精度上有较大的改进。     

一种改进的交互多模型算法

提出了一种对机动目标跟踪的交互多模型改进算法,将切向加速度均值自适应的当前统计模型与具有零均值一阶高斯-马尔可夫过程的非对称函数的法向加速度模型相结合的模型与常速模型进行交互。由于该算法对法向加速度精确建模,所以对机动目标的跟踪精度较高。仿真结果表明,该算法对机动目标的跟踪性能明显优于采用含有法向和切向加速度的加速度均值自适应的当前统计模型和常速模型进行交互的算法（IMM-CV/CS算法）。     

“当前”半马尔科夫模型及自适应跟踪算法

通过分析基于"当前"统计模型的自适应卡尔曼滤波算法的不足之处,在"当前"统计模型的基础上引入空气阻力系数和非零加速度,提出了"当前"半马尔可夫统机动模型,从而更符合机动目标运动的实际情况;基于此模型提出了改进的自适应卡尔曼滤波算法。仿真结果表明,改进的"当前"半马尔可夫卡尔曼滤波算法收敛速度更快,跟踪误差更小。     

一种参数自适应的“当前”统计Jerk模型

针对高度机动目标跟踪问题,通过理论分析指出了Jerk模型及其一些改进模型的不足,并借 鉴“当前”统计的思想,提出了一种参数自适应的Jerk模型（Adaptive parameter current statistic jerk model, APC-Jerk）。该模型通过新息向量的范数定义调整因子,以此 来对模型中的各参数进行自适应调整,增强了系统对突发机动的自适应跟踪能力,并对加速 度均值进行了修正,使之适合于一般运动形式。最后对本算法进行了仿真,结果表明,参数 自适应的“当前”统计Jerk模型较经典Jerk模型、“当前”统计Jerk模型及改进的“当前” 统计Jerk模型对强机动目标的跟踪精度有较大程度的提高。     

基于自适应卡尔曼滤波的机动目标跟踪算法

在机动目标跟踪过程中,由于目标运动的不确定性,雷达系统接收的数据存在噪声,使预置目标运动模型通常很难得到较高的跟踪精度。为此,以自适应卡尔曼滤波为基础,将直角坐标系和球坐标系相结合,提出了一种混合坐标系下的自适应卡尔曼滤波算法。算法避免了两个坐标系变换引起的噪声统计规律变化问题,并针对目标发生大机动运动的情况,自适应的调整动态模型中机动目标运动参数。蒙特卡洛仿真结果表明,改进算法的收敛速度和对状态的估计精度均得到优化,并对机动目标具有较好的跟踪性能。     

Probability hypothesis density filter based on strong tracking MIE for multiple maneuvering target tracking

Taking into account the difficulties of multiple maneuvering target tracking due to the unknown target number and the uncertain acceleration, a novel multiple maneuvering target tracking algorithm based on the Probability Hypothesis Density (PHD) filter and Modified Input Estimation (MIE) technique is proposed in this paper. First, the unknown acceleration vector is added to the target state to form a new augmented state vector. Then, strong tracking filter multiple fading factors are introduced to the MIE method which can adjust the prediction covariance and the corresponding filter gain at different rates in real time, so that the MIE method can adaptively track high maneuvering targets well. Finally, we combine this adaptive MIE method with the PHD filter, which can effectively track multiple maneuvering targets without much prior information. Simulation results show that the proposed algorithm has a higher tracking precision and a better real-time performance than the conventional maneuvering target tracking algorithms.     

一种改进的强机动目标跟踪方法

为提高目标在强机动情况下的跟踪精度,更好地实现目标跟踪,在当前统计模型和卡尔曼滤波算法的基础上提出改进的目标跟踪方法。分析了当前统计模型,归纳出在目标弱机动和强机动情况下的优点及不足。进行强机动检测,以此判断目标的机动水平;将渐消因子引入卡尔曼滤波器,减少陈旧数据的影响,充分体现当前机动状态;在算法中在线辨识各项参数,并根据机动水平自适应地调整。仿真结果表明,改进的方法在弱机动时保持了当前统计模型的跟踪性能,而在强机动时拥有更高的跟踪精度。     

高速高机动目标自适应IMM跟踪算法

针对目标运动过程中有转弯机动等复杂运动模式的高速高机动目标,设计了自适应两层IMM跟踪算法。该算法内层由改进的机动目标当前统计模型构成,把目标速度方向角作为伪测量值进行滤波,实时获得目标的角速度和角加速度;外层模型由常速模型和曲线模型构成,把内层模型得到的切向加速度和转弯角速度作为曲线模型参数,利用IMM算法进行滤波。仿真结果表明,该算法对高速高机动目标具有较高的跟踪精度,算法实现简单,具有一定的实际应用价值。     

知识辅助的多模型机动目标跟踪算法

多模型机动目标跟踪技术是一种先进的目标跟踪算法。由于目标类型越来越多、运动环境越来越复杂,仅使用位置量测进行目标跟踪变得越来越难以满足应用要求。除位置量测之外,引入目标和环境相关的知识,对多模型算法中的模型集、转移概率矩阵和模型概率这3个关键因素进行自适应调整,可以有效提高机动目标跟踪性能。本文对知识辅助多模型机动目标跟踪算法的原理和方法等进行了分析。按照知识作用的对象（模型集、转移概率矩阵和模型概率）和作用方式（智能法和非智能法）分别介绍了该类算法的原理及其特点,最后对该类算法下一步的研究方向和发展趋势进行了展望。     

最大加速度未知的“当前”统计模型机动目标跟踪

分析了“当前”统计模型机动目标跟踪算法的性能对目标机动加速度最大值的依赖性,但是由于在实际中目标机动加速度的最大值往往是未知或不能准确已知的,所以为了克服“当前”统计模型的这一不足之处,采用协方差匹配和多级白噪声自适应滤波算法的思想,提出了一种“当前”统计模型在最大加速度未知情况下的机动目标跟踪新算法。对三种典型的机动目标运动形式进行了Monte-Carlo仿真研究,结果表明新算法对于解决机动目标跟踪问题非常有效。     

Adaptive Maneuvering Frequency Method of Current Statistical Model

Current statistical model (CSM) has a good performance in maneuvering target tracking. However, the fixed maneuvering frequency will deteriorate the tracking results, such as a serious dynamic delay, a slowly converging speedy and a limited precision when using Kalman filter (KF) algorithm. In this study, a new current statistical model and a new Kalman filter are proposed to improve the performance of maneuvering target tracking. The new model which employs innovation dominated subjection function to adaptively adjust maneuvering frequency has a better performance in step maneuvering target tracking, while a fluctuant phenomenon appears. As far as this problem is concerned, a new adaptive fading Kalman filter is proposed as well. In the new Kalman filter, the prediction values are amended in time by setting judgment and amendment rules, so that tracking precision and fluctuant phenomenon of the new current statistical model are improved. The results of simulation indicate the effectiveness of the new algorithm and the practical guiding significance.      

基于当前统计模型的改进粒子滤波算法

基于“当前”统计模型,提出了双站无源被动跟踪的改进粒子滤波算法．该算法使用扩展卡尔曼滤波提议分布的粒子滤波,融合双站测量数据,包含了残差重抽样步骤以及马尔可夫链蒙特卡罗法等技巧．在双站测量的被动跟踪试验中,比较了各种滤波方式．仿真结果证实,该改进算法能有效跟踪高度机动的目标．