基于消隐记忆SCKF的交互式多模型算法

针对交互式多模型算法(Interacting Multiple Model,IMM)在机动目标跟踪时,因模型不准确导致的滤波误差增大问题,提出了基于消隐记忆平方根容积卡尔曼滤波(Memory Attenuation Square Root Kalman Filter,MASCKF)的交互式多模型算法(IMM-MASCKF)。该算法在模型滤波中引入消隐记忆滤波理论,通过消隐记忆因子增大新息在滤波中的比重,改善了滤波器对目标机动的动态性能,提高了滤波精度。仿真结果表明,该算法可以实现对机动目标的有效跟踪,且与常规交互式多模型算法相比减小了滤波误差。     

一种基于ARMA新息模型的机动目标跟踪算法

针对一般机动目标跟踪算法的复杂性和计算量大的缺点,提出了一种基于ARMA新息模型的改进稳态Kalman滤波算法.该算法选取极坐标系为跟踪坐标系,将反映径向加速度和机动角加速度的控制输入量引入到目标距离和方位的状态描述模型中,其计算量远远小于一般跟踪算法.仿真试验结果表明该算法满足机动目标跟踪的精度要求,可应用于机动目标的快速跟踪.     

一种实时的机动目标多模型跟踪算法

提出了一种实时的机动目标多模型跟踪算法。该算法包含两个并行的Kalman滤波器,分别为匀速Kalman滤波器和匀加速Kalman滤波器。定义了“滤波运动模型偏离度”作为模型切换的判据,在线实现了两个Kalman滤波器的自动切换,使总输出结果最大程度的符合实际运动模型。通过可调过程噪声的自适应方法,抑制了滤波发散,避免了在模型切换时误差跳变过大。仿真测试结果表明,该算法跟踪精度高,计算量小,因此适合在自行高炮的目标跟踪中使用。     

机动频率模糊自适应目标跟踪算法研究

在分析"当前"统计模型及自适应滤波技术基础上,提出了一种机动频率模糊自适应目标跟踪(FAMF)算法.通过模糊控制方法,在线调节"当前"统计模型的机动频率参数,使模型对不同的目标机动模式有更强的自适应能力.在想定初始条件下,对FAMF算法进行Monte Carlo仿真对比实验,结果表明:FAMF算法运行稳定,适应能力强,有效的提高了"当前"统计模型的跟踪性能,便于实际应用.     

机动目标的跟踪滤波处理

目标机动跟踪数据实时处理采用“当前统计模型”,呵及时获得目标运动参数,但根据大量仿真试验,发现效果并不理想。针对该问题,采用改进算法对大机动的目标进行跟踪滤波处理,通过仿真运算,得到了较好的仿真效果。     

机动频率自适应的机动目标模糊跟踪算法

分析了基于＂当前＂统计模型的跟踪算法中,机动频率对滤波算法的影响.提出一种模糊自适应跟踪算法,该算法根据量测新息及其变化率通过模糊推理机制调整＂当前＂统计模型中的机动频率,以适应不同的目标机动模式.针对直角坐标系下量测模型为非线性方程,采用转换坐标卡尔曼滤波对目标状态进行估计.仿真结果表明：该算法无论跟踪机动目标还是非机动目标,其精度都要优于常规的基于＂当前＂统计模型的跟踪算法.     

GPS/CAPS双模定位解算的Kalman滤波算法

利用改进的自适应Kalman滤波算法实现GPS／CAPS双模卫星导航定位解算。首先,利用描述机动载体运动的“当前”统计模型建立GPS／CAPS双模定位的Kalman滤波模型,在此基础上结合Sage—Husa自适应滤波算法建立离散的自适应扩展Kalman滤波方程。然后,对该自适应滤波算法进行改进,当经收敛性判据判断滤波呈发散趋势时．切换至强跟踪Kalman滤波算法．既保证了滤波器的可靠收敛又保证了定位的精度和效率。最后的仿真结果表明．该算法县有效可行的．     

弹道导弹再入段跟踪制导算法研究

首先针对弹道导弹再入大气层后的弹道轨迹进行仿真建模。为解决当前目标跟踪算法中机动模型与再入类目标实际运动不匹配的问题,采用了基于弹道模型的目标跟踪算法。获得滤波结果中来袭导弹目标的每一时刻位置及速度信息后,利用比例导引制导方法,可以实现对来袭目标和拦截弹理想弹道轨迹的三维数据仿真。仿真结果表明,算法可以对导弹目标进行稳定的跟踪,对拦截弹进行精确的制导。     

基于"当前"统计模型的模糊自适应跟踪算法

基本的机动目标“当前”统计模型及其自适应卡尔曼滤波算法虽能对强机动目标进行很好的跟踪,但是在跟踪弱机动目标时却存在较大的误差。针对这一问题,新算法中引入一种非线性模糊隶属度函数来自适应地调整目标加速度上下限,并从理论上分析了新算法对于弱机动目标跟踪的有效性。通过计算机仿真验证了新算法相对于基本“当前”统计模型及其自适应跟踪算法的明显优势。     

基于交互式多模型的水下机动目标跟踪

为了解决水下机动目标跟踪的实时性和可靠性问题,在交互式多模型(IMM)的框架下对水下机动目标跟踪进行了分析,建立了目标运动方程和观测方程。交互式多模型滤波算法的选择直接影响到跟踪的精度,在跟踪滤波方面,针对交互式多模型滤波过程中观测方程非线性对滤波性能的影响,分别将扩展卡尔曼滤波(EKF)和无迹卡尔曼滤波(UKF)2种滤波算法与交互式多模型算法相结合。仿真结果表明,交互式多模型算法与UKF算法结合的滤波精度更高,能够更有效、可靠地达到跟踪机动目标的目的。     

捷联成像导引头相关跟踪算法研究

捷联式成像导引头的光学探测基准随弹体姿态运动而动态变化,其目标图像的运动形式呈现复杂的非线性时变特性,传统扩展卡尔曼滤波(EKF)方法难以有效地针对目标运动模型进行波门设置及视线估计。为此,本文首先建立了以目标机动在惯性成像坐标系内的投影为输入,弹体姿态信息作为时变参数的目标帧间运动模型,并在此基础上提出了一种新的相关跟踪算法。该算法通过应用中心差分卡尔曼滤波( CDKF)理论有效解决了成像跟踪中的波门设置问题,提高了目标位置的估值精度,同时提出一种改进的变尺寸模板更新策略,抑制了目标图像的形变和模板漂移对匹配精度的影响,进一岁提高了系统的跟踪的精度,并通过仿真验证了算法的良好跟踪性能。     

基于复合控制的雷达导引头伺服系统设计

为了提高雷达位置伺服系统的跟踪能力,以目标信息滤波为基础,设计了雷达导引头伺服控制系统。运用经典控制理论,设计了导引头稳定控制回路;运用角度卡尔曼滤波及多普勒跟踪回路的修正信息,通过引入机动目标的当前统计模型,估计出天线转动的控制指令,实现了角度跟踪的前馈控制。经6DOF仿真环境验证,该方法不仅能够消除目标加速度的稳态误差,同时能够改善导引头的角跟踪精度。     

基于人机交互的免锚检测和跟踪系统设计

为提高越野环境中目标检测和跟踪的准确率和效率,提出一种基于人机交互的免锚检测和跟踪系统。该系统由检测系统、指挥系统和目标跟踪系统组成。检测系统,在基于点的点云特征提取框架的基础上,设计一种免锚的目标检测网络结构;指挥系统通过相机实时获取环境态势信息,人机交互地在检测网络输出的目标序列中选择跟踪目标;跟踪系统利用检测网络输出的目标序列的外观模型和指挥系统下发的跟踪目标外观模型进行匹配来确定跟踪目标,再基于卡尔曼滤波算法进行目标运动估计。基于越野场景的实车数据进行了验证。验证结果表明：基于人机交互的免锚检测和跟踪算法在不增加算法时间的同时实现了超91%的准确率,能够满足无人驾驶车辆在越野场景的使用要求。     

不完全量测下航迹辨识系统中滤波方差的期望收敛性问题

目标跟踪航迹辨识系统常常出现信号丢失现象,这时递推误差协方差阵(ECM)是一个随机过程;针对探测率小于1的不完全量测,给出了估计误差协方差系统统计稳定性的条件和稳态Kalman滤波的线性矩阵不等式(LMI)计算法。对给定滤波方差约束指标,设计一种新的滤波器,使得模型容许的噪声强度尽可能的大。在目标跟踪中,它的工程意义是在选定探测器性能指标下,设计出能适应目标机动范围较大的滤波器。最后利用航迹辨识系统的数值算例对研究结果给出了说明。     

多级火箭主动段实时自适应跟踪算法

多级火箭主动段跟踪主要采用基于当前统计模型的解耦卡尔曼滤波方法,当前统计模型的机动参数不能自适应变化时,在级间分离段会出现滤波突跳问题.针对于此,文中提出模型参数自适应计算方法,同时,采用容积卡尔曼滤波方法替换传统的解耦卡尔曼滤波方法.通过对某次火箭飞行实测数据分析,该算法能有效抑制滤波突跳问题,算法的稳定性及收敛性与传统方案相比有较为明显的改善,适用于多级火箭主动段跟踪.     

闪烁噪声下目标跟踪的改进粒子滤波算法

针对目标跟踪系统具有强非线性非高斯的特点,提出了一种强跟踪粒子滤波(STUPF)算法.该算法将无迹卡尔曼滤波器(UKF)与强跟踪滤波器(STF)相结合作为粒子滤波提议分布,具有在线调节滤波增益阵,提高滤波器跟踪突变状态的能力.在给出闪烁噪声统计模型的基础上,将STUPF应用在几种典型目标运动模型跟踪系统中,并同UKF和...     

基于时间序列方法的自校正滤波器设计

文中设计了一种新的基于ARMA模型自校正卡尔曼滤波器，从而避免了经典卡尔曼滤波器需要精确知道系统的模型参数和噪声统计特性的缺点。仿真结果表明，在未知部分模型参数和噪声统计特性的情况下，自校正卡尔曼滤波器的滤波性能．非常接近稳态最优卡尔曼滤波器。且计算过程简单．并可以在线建模．适用于部分慢时变系统。     

雷达导引头最优控制问题研究

建立雷达导引头角跟踪控制数学模型,运用最优控制理论推导天线控制指令;基于机动目标当前统计模型,运用卡尔曼滤波及多普勒跟踪速度修正信息,估计出天线最优控制状态量;经仿真验证,设计方法不仅能够改善制导律输入精度,同时能够提高雷达导引头的响应性能.     

目标跟踪中两种非线性滤波算法的对比研究

在处理目标跟踪等动态系统实时估计问题中,通常采用EKF作为状态估计方法提高估计精度.由于EKF进行非线性估计存在一些缺陷,将系统进行线性化近似存在估计误差,从而影响目标跟踪的精度.为了获得更高的估计精度,介绍了两种新的非线性滤波算法,即unscented卡尔曼滤波算法和粒子滤波算法.分析了UKF和PF算法的原理和算法实现,对两种算法的适应性进行了比较.通过目标跟踪仿真实验,表明粒子滤波算法估计精度比UKF算法高,但是计算量却相对较大.     

基于UKF的目标状态与系统偏差的联合估计算法

研究了三维系统偏差条件下的扩维目标跟踪问题,提出了一种基于不敏卡尔曼滤波器（UKF）的系统偏差和目标状态的联合估计算法（ASUKF）.Monte-Carlo仿真结果表明,ASUKF算法较好地避免了扩展卡尔曼滤波器的模型线性化误差易导致滤波发散的问题,能更加有效地对目标状态和系统偏差进行实时联合估计.