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。     

基于去相关无偏量测转换的机动目标跟踪

针对雷达非线性量测信息下的机动目标跟踪问题,提出了一种基于去相关无偏量测转换的跟踪算法。该算法以交互多模型算法为基础,利用多个并行的滤波模型覆盖目标可能的运动模式,其中各个子滤波器均采用去相关无偏量测转换方法解决系统量测与目标运动状态之间的非线性问题。该量测转换方法同时也克服了量测转换固有的缺陷。蒙特卡罗仿真结果表明,相对于传统的量测处理算法,采用基于去相关无偏量测转换的跟踪算法能获得更高的目标跟踪精度。     

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%。     

引入斜距和高程预测的BLUE跟踪方法

最佳线性无偏估计（BLUE:Best Linear Unbiased Estimation）算法用于目标跟踪时,受斜距、高程参量间的“共线”效应影响,对近程目标估计误差会增大甚至发散。针对此问题,在量测转换模型中引入斜距、高程预测,构建斜距、高程参量有偏估计,抑制“共线”效应。基于非线性参数误差最小准则推导斜距、高程估计的权值和偏置,建立基于非线性观测和状态预测融合估计的量测转换模型。基于该模型的BLUE算法能更精确的捕捉转换量测误差特性,以较小计算代价获得性能提升,数值仿真鲁棒性好,有很好应用前景。      

基于量测预测联合估计的单站只测角跟踪

提出用于单站只测角系统的修正最佳线性无偏估计(BLUE)滤波器。针对BLUE 滤波器用于雷达目标跟踪时需要完备的非线性观测集合来构建转换量测及单站只测角系统只提供方位观测,无法直接应用普通BLUE滤波器跟踪目标的问题,构造了基于目标状态预测的预测斜距,并在分析预测斜距误差统计特性后,用斜距预测和方位观测组成转换量测,推导出可应用于单站只测角系统的BLUE滤波模型。所提改进算法在性能和运算量上有明显优势,有很好的应用潜力。     

量测转换卡尔曼滤波在塔康导航中的应用

塔康导航系统是一种无线电测角测距系统,结合高程数据可以确定目标的三维位置。由于塔康导航的量测误差较大,导致其对目标位置的估计精度不高。为解决此问题,用基于量测转换的滤波跟踪技术实现非线性量测下的状态估计。针对塔康导航系统量测值的特点,首先在斜距值与高度所在平面内推导出量测转换的误差统计特性,并将其推广到三维空间,进而推导出塔康导航系统中的量测转换模型。基于所推导模型的卡尔曼滤波器用于塔康导航系统中的目标跟踪,取得良好的效果。与经典滤波算法的性能对比表明,由于严格基于量测值推导量测转换误差的统计特性,算法在滤波误差、置信度和计算量上优于其它算法,可在不同量测噪声水平下稳健滤波,有较好的全面性和鲁棒性。      

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.     

带多普勒量测的序贯SCKF雷达目标跟踪算法

为提高非线性观测条件下雷达目标的跟踪性能,将序贯处理方法引入均方根容积卡尔曼滤波( SCKF),提出一种带多普勒量测的序贯均方根容积卡尔曼滤波( SSCKF-D)雷达目标跟踪算法,该算法通过建立伪量测去除径向距离和径向速度量测误差方差之间的相关性。基于SCKF算法,按照量测精确度的高低顺序对方位角、俯仰角、径向距离和伪量测序贯处理。 Monte Carlo仿真表明,与SCKF和带多普勒量测的均方根容积卡尔曼滤波( SCKF-D)算法相比,SSCKF-D算法跟踪精度更高,较后者提高20%以上,收敛速度更快,更适用于空间目标跟踪。     

基于转换量测高斯化的三坐标雷达跟踪算法

最佳线性无偏估计（BLUE,Best Linear Unbiased Estimation）滤波用于雷达目标跟踪时,有计算量小,置信度高等优点.但是当互斜距测量误差较大时,BLUE滤波会产生非高斯转换量测,导致跟踪精度降低.为解决此问题,对其量测转换模型进行修正：通过引入方位预测,减小方位误差三角函数的非线性影响,得到准高斯分布的转换量测.分析视线坐标系下BLUE滤波的性能,推导引入方位预测的条件,给出改进算法工作流程.推导三坐标雷达下的滤波模型参数,提出转换量测高斯化水平的评估指标并仿真证明：改进算法的转换量测更逼近高斯分布,因此跟踪性能更好,而计算量只有轻微增加.本算法思想同样适用于其他非线性误差较大的场合,对解决类似问题有借鉴意义.     

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.     

极坐标系下可处理多普勒量测的BLUE跟踪算法

事实已表明包含目标速度信息的多普勒量测具有有效提高目标状态估计精度的潜力.该文在直角坐标系下提出两种可使用转换多普勒量测(即距离量测与多普勒量测的乘积)的滤波器,一种借助了构造的多普勒伪状态,另一种没有借助多普勒伪状态.从理论上讲,它们都是在最佳线性无偏估计准则下的最优线性无偏滤波器,并且避免了量测转换方法的根本缺陷.通过将近似处理后的两种新型最优线性滤波器与目前几种流行的方法进行仿真比较,验证了所提出的滤波器的优越性.     

一种量测转换的移动外辐射源多站协同跟踪算法

针对移动外辐射源跟踪问题,提出一种融合到达角(Angle of Arrival,AOA)与到达时间差(Time Difference of Arrival,TDOA)观测量的量测转换Kalman滤波(Converted Measurement Kalman Filter,CMKF)算法。首先,采用了一种考虑了传感器位置偏差影响的无源定位算法作为转换非线性的AOA与TDOA观测量至笛卡尔坐标系下观测量的方法,并证明了当AOA与TDOA的测量噪声以及传感器位置偏差都服从高斯分布且噪声强度不大时,该量测转换方法的位置转换误差能达到克拉美罗(Cramér-Rao Lower Bound,CRLB)界;其次,在量测转换的基础上构建了关于移动外辐射源的线性状态空间模型,将非线性的目标跟踪问题转化为线性滤波问题,并最终使用标准Kalman滤波器实时跟踪移动外辐射源位置。仿真结果不仅验证了量测转换精度与理论分析结论吻合,还表明了所提CMKF算法的跟踪精度同时优于扩展Kalman滤波器、无迹滤波器以及粒子滤波器。     

可处理多普勒量测的最佳线性无偏估计算法

基于目标位置量测的一些量测转换方法已被广泛使用在目标跟踪应用中,使得卡尔曼滤波器得以在直角坐标系中应用。但是,这些量测转换方法有一些会导致估计性能恶化的根本缺陷。事实上,除了位置量测外,理论计算和实践已经证明,包含目标速度信息的多普勒量测具有有效提高目标状态估计精度的潜力。该文在直角坐标系下提出一种可使用转换多普勒量测(即距离量测与多普勒量测的乘积)的滤波器。从理论上讲,它是在最佳线性无偏估计准则下的最优线性无偏滤波器,并且避免了量测转换方法的根本缺陷。通过将近似处理后的新型最优线性滤波器与目前4种流行的方法进行仿真比较,验证了所提出的滤波器的优越性。     

集中式BLUE滤波器在组网雷达中的应用

为解决组网雷达对目标跟踪中的量测非线性问题,提出基于最佳线性无偏估计器(BLUE)准则的融合滤波方法。建立以融合中心为原点的组网雷达对目标定位的量测方程,推导出极坐标系与球坐标系下跟踪目标的BLUE滤波模型。理论分析表明,集中式BLUE滤波架构在估计单个雷达量测转换误差统计特性的同时,还估计出雷达间量测转换误差的统计特性。因此,跟踪精度和置信度较分布式BLUE滤波方法有显著提高,计算量较其他算法也有明显优势。不同场景下的仿真分析证明:该方法在不同状态噪声水平下的表现优异,是一种很有竞争力的跟踪算法。