基于量测转换IMM的多普勒雷达机动目标跟踪

多普勒雷达目标跟踪中,如何有效解决系统量测与目标状态之间的非线性并实现机动目标跟踪,是亟待解决的问题.本文提出一种基于量测转换交互多模型（Interactive Multiple Model,IMM）的目标跟踪算法,其以IMM为框架,并结合静态融合滤波器处理多普勒量测的结构,解决多普勒雷达机动目标跟踪问题.仿真结果表明了所提出算法的有效性.     

一种改进的多普勒雷达跟踪算法

多普勒雷达能够获得目标位置量测的同时,还能获得多普勒量测,即目标径向速度.为解决多普勒雷达量测处理算法过程复杂、计算量大的问题,本文提出一种用不敏卡尔曼滤波处理多普勒量测的改进方法对多普勒雷达量测直接在混合坐标系下进行非线性滤波,实现过程简单,计算量小.仿真结果表明该算法能够达到序贯扩展卡尔曼滤波和序贯不敏卡尔曼滤波算法的状态估计精度,并且明显改善估计的一致性.     

一种改进的机载多普勒雷达目标跟踪算法

针对传统的基于多普勒雷达量测转换的目标跟踪算法只适用于静止雷达的问题,将该算法推广至机载多普勒雷达。在每个递推周期里,首先将机载导航数据转换到东北天坐标系中;然后,将距离量测转换成东北天系下的位置伪量测,由此完成对目标的位置滤波;最后,联合目标位置滤波值及多普勒量测对目标进行运动状态滤波,由此得到目标的位置最终估计值。仿真实验结果表明,改进后算法的跟踪精度优于传统的多普勒雷达目标跟踪算法。     

球坐标系下多普勒雷达目标跟踪滤波器

将仅仅考虑位置量测的三维去偏一致转换量测卡尔曼滤波算法进行推广,以解决包含多普勒量测且斜距和多普勒的量测误差相关的雷达目标跟踪问题。首先利用斜距和多普勒量测的乘积构造伪量测,以减小多普勒量测和目标运动状态之间的强非线性程度;然后利用嵌套条件方法得到了转换量测误差前两阶矩的一致性估计;最后根据转换量测是目标运动状态二次函数的特性,用二阶EKF最优地实现了非线性跟踪滤波。Monte-Carlo仿真结果表明采用新算法可以明显改善跟踪滤波器的性能。     

基于压缩感知的PD雷达序贯扩展卡尔曼滤波跟踪方法

提出一种新的基于压缩感知(Compressive Sensing, CS)处理的序贯扩展卡尔曼滤波(Sequential Extended Kalman Filter, SEKF)方法,以用于脉冲多普勒(Pulse Doppler, PD)雷达机动目标跟踪。利用目标在时延多普勒平面内的稀疏特点建立稀疏量测模型,然后通过压缩采样匹配重构方法获得目标的多普勒量测值,并用SEKF方法进行滤波更新,以改善目标状态的估计性能。在滤波过程中,应用CS处理可改善目标多普勒估计精度,而应用SEKF则可通过加入伪量测减小多普勒量测和目标运动状态之间的非线性误差。仿真实验结果表明,本文所提出的方法和传统的SEKF方法以及已有基于压缩感知的跟踪方法相比对机动目标有更好的跟踪性能。      

用于认知雷达的目标跟踪滤波算法研究

认知雷达是下一代雷达发展的方向之一,在介绍了认知雷达的基础上,对其应用中跟踪滤波部分的实现算法进行了分析,比较了无迹卡尔曼、容积卡尔曼、平方根容积卡尔曼3种滤波算法,对容积卡尔曼和平方根容积卡尔曼的滤波算法进行了详细介绍,重点应用3种算法对线性运动、高斯噪声环境中的目标进行了仿真验证,由仿真结果分析讨论得出适用于认知雷达的跟踪滤波算法.     

基于SCKF算法的空间机动目标跟踪研究

针对空间机动目标快速跟踪问题,建立了考虑J2项摄动和目标在线机动的系统状态模型和天基仅测角观测模型,通过对比研究采用了一种平方根容积卡尔曼滤波方法进行目标跟踪。针对空间目标共面机动和异面机动等不同机动方式,研究了SCKF算法在不同机动方式下的跟踪性能。仿真结果表明,在机动能力相同的情况下,轨道面内的机动较轨道异面机动更容易使滤波器发散;通过4种机动方式比较研究,SCKF滤波器对轨道坐标系中横向机动最为敏感,而沿探测器与目标的视线方向机动最易被再次稳定跟踪。     

视线坐标系带多普勒观测的雷达目标跟踪

雷达观测量与目标状态呈非线性关系,使目标跟踪成为非线性滤波问题,目标状态估计精度与跟踪滤波算法复杂度成了一对不可调和的矛盾。提出了在视线坐标系中建立观测方程,将笛卡尔坐标系中的目标运动方程转换到视线坐标系中,使得雷达观测量尤其是多普勒速度观测与目标状态呈线性关系,并推导得到了该坐标系下的卡尔曼滤波算法,比较了与标准卡尔曼滤波算法的不同。仿真结果表明,该算法不仅能改善跟踪滤波效果,还明显降低了算法复杂度,节省了运算时间。     

基于序贯蒙特卡罗滤波的MIMO快时变信道跟踪

高数据传输速率以及终端的高速移动,导致无线通信信道具有时间选择性与频率选择性两个特征.本文主要研究了基于训练序列的多输入多输出（MIMO）时变频率选择性衰落信道的估计与跟踪问题.首先,根据时变无线信道的动态性,将信道冲击响应近似看作一个低阶的自回归矢量过程（AR）,以便于进行时变信道的跟踪.接着在此模型的基础上,利用序贯蒙特卡罗滤波对MIMO通信系统中的双选择性信道进行了跟踪;跟踪过程中需要与信号检测交替进行,即在状态变量的预测和新息修正的中间要进行一次码元的检测,所采用的方法是极大似然序列检测,最后与扩展卡尔曼滤波作了比较.仿真结果表明,在信道噪声是非高斯的情形下,序贯蒙特卡罗滤波的跟踪性能更优越于扩展卡尔曼滤波.     

鲁棒的高斯和容积卡尔曼滤波红外目标跟踪算法

为提高恶劣测量环境下单站红外搜索与跟踪系统的跟踪性能,提出了一种鲁棒的高斯和容积卡尔曼滤波算法.首先,为改善滤波初值模糊问题,在容积卡尔曼滤波框架下将滤波器分为若干不同初值的子滤波器,利用似然函数逐步减小初值偏差较大的子滤波器权值;其次构建非线性程度判别量,在高非线性情况下将预测密度沿最大特征向量方向进行分割,提高滤波精度;最后利用等价权函数改善新息协方差,减小异常误差对滤波准确性和稳定性造成的影响.实验结果表明,不存在异常误差时,所提算法跟踪结果优于传统算法;存在异常误差时,传统滤波方法的精度明显降低,而所提算法依然能够得到准确可靠的跟踪结果.     

基于容积卡尔曼滤波的异质多传感器融合算法

针对机动目标跟踪系统建模中的非线性问题,提出一种基于容积卡尔曼滤波(CKF)的雷达与红外传感器融合算法。考虑到被估计系统对目标跟踪算法实时性与精度的要求,在容积滤波框架下构建了集中式量测融合(CMF)和分布式状态融合(DSF)两种结构形式。CMF结构采用最优加权方法,首先对雷达和红外两种异类传感器的方位角度量测信息进行融合,并将其与融合后的雷达径向距量测构建新的量测数据,进而通过CKF算法对机动目标进行跟踪。DSF结构则首先对雷达量测中径向距信息进行加权融合,并将融合结果作为红外传感器的虚拟径向距量测,以实现红外量测的扩维处理,进而对每组量测数据应用CKF进行分布式并行加权融合,获得目标运动状态的最终估计。仿真场景中,对两种融合方法的性能进行比较,理论分析与仿真实验验证了算法的可行性与有效性。     

五阶容积卡尔曼滤波算法及其应用

容积卡尔曼滤波(CKF)是一种新型的非线性滤波方法,可获得优于扩展卡尔曼滤波(EKF)和无迹卡尔曼滤波(UKF)的滤波精度和滤波效率.但是,传统的CKF基于三阶容积准则而提出,因此滤波精度受到限制,为进一步提高CKF滤波性能,文中将容积准则由三阶扩展到五阶,采用两种不同容积点集选择方案,提出一种新型的五阶CKF算法.该算法可有效改善传统CKF在精度方面的理论局限,并有效改善一般五阶CKF计算量大的问题.机动目标跟踪仿真结果表明了新方法的有效性和可行性.     

基于Kalman滤波器运动目标跟踪的火灾监测方法

针对目前通常采用的火焰信息特征检测方法无法有效排除环境变化产生的干扰,特别是光线变化易引发实时火灾监控出现误检的问题,提出了一种基于Kalman滤波器运动跟踪算法的火焰检测方法,同时利用颜色、圆形度等特征和信息进一步确认火灾。不同干扰条件下的测试结果表明,利用文中提出的算法进行火灾识别判断,具有响应时间短,抗干扰性强等优点,可满足实际使用需求。     

一种基于预测值量测转换的卡尔曼滤波跟踪算法

在雷达目标跟踪中,系统量测信息通常在球坐标系下获得。为了采用经典卡尔曼滤波算法实现有效目标跟踪,通常采用量测转换方法将非线性量测信息转换到直角坐标系中。针对传统量测转换方法基于量测值计算转换误差统计特性而导致的估计结果有偏问题,提出了一种基于预测值的量测转换方法,并将其与卡尔曼滤波算法相结合,获得了一种基于预测值量测转换的卡尔曼滤波跟踪算法。仿真结果表明,与现有的基于量测转换的卡尔曼滤波算法相比,该算法能在不提高运算量的情况下有效改善目标跟踪效果,跟踪精度提升约20%。     

一种快速的多目标跟踪非线性滤波算法

多机动目标跟踪问题是目前目标跟踪领域的一个重要研究方向,而数据关联与跟踪维持是多目标跟踪的核心部分。利用支持向量机在分类识别方面的优势,研究了基于支持向量机的数据关联方法。在此基础上,采用交互式多模型算法和无味卡尔曼滤波相结合的方法研究了多机动目标的跟踪问题。在该方法中,目标的运动状态和方位误差由选定的采样点来近似,在每个更新过程中,采样点随着状态方程传播并随非线性测量方程变换,得到目标的运动状态和方位误差的均值,避免了对非线性方程的线性化,至少给出最佳估计的二阶近似。与传统的扩展卡尔曼(EKF)方法进行了仿真比较,仿真结果表明了该算法的有效性。     

Practical development of the second-order extended Kalman filter for very long range radar tracking

This paper improves the second-order extended Kalman filter (SOF) by accounting the correlation of the first and second-order terms (FSOT) in the measurement Taylor approximation—a matrix assumed to be zero in the conventional SOF. The goal is to achieve consistent estimation results for very long range radar tracking, whereas this correlation term becomes non-negligible. Remarkably, the range element of the correlation term is so significant that it is several times larger than the range variance of the second-order term (SOT) and four orders of magnitude larger than the variance of the range measurement. In the absence of a closed form expression, the correlation of interest is approximated by scaling the variance of SOT using a design parameter. Improved performance of the new method is shown in simulated tests when the parameter is tuned up using the off-line Monte-Carlo averaging. The proposed SOF can process measurements in either the range-direction-sine (r-u-v) coordinates or the spherical (r-a-e) coordinates.     

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.     

基于粒子滤波的空-地目标跟踪算法

针对空-地目标跟踪中目标大幅度变速运动而引 起的跟踪失败问题,基于Kristan等人提出的双步(TS)动态模型框架,对空-地目标跟 踪中目标运动特点进行分析与建模,改进TS模型中 的保守模型以适应加速运动,提出适于描述大幅度变速运动的加速度双步(TSA)动态模型作 为粒子滤波(PF)跟踪算法的动态模 型,实现对粒子状态的精确预测,进而达到使用较少粒子即可对目标鲁棒跟踪的目的。对空 -地目标跟踪的测试视频进行测 试,结果表明,本文算法可对大幅度变速运动目标稳定跟踪,正确跟踪率为92%,对目标 尺寸约为25pixel×30pixel时的处理帧率为29frame/s。本文算法具有较好的鲁棒性与实时性。