机动目标跟踪的一种变维交互改进算法

为了满足工程需要,结合变维卡尔曼滤波器和α－β算法的优点,提出了一种卡 尔曼和α－β变维交互替代目标跟踪算法。通过加入机动检测器监视机动,在目标发生 机动时,采用高阶维数模型和卡尔曼滤波器;机动消失后,退回到低阶维数模型和α－β 滤波器,从而实现了对机动和非机动目标的自适应跟踪,克服了因转弯机动引起的误差突 跳,并显著地减少了计算量。通过Monte Carlo 仿真进一步验证了改进算法的合理性和实 用性。     

基于Kalman滤波的机动目标跟踪方法研究

飞行器的机动性大,在运动过程中随时会出现转弯、跃升俯冲等现象。雷达跟踪系统能否对这种机动进行有效捕获,成为检验其可靠性的关键。在传统Kalman滤波方法基础上,对目标的运动状态进行检测,一旦检测到机动,滤波器就进行不同维数的转换,使跟踪结果快速收敛,从而实现对机动小目标的精确跟踪。仿真结果证明该方法正确有效,计算简便。     

机动检测算法比较及一种快速变维滤波

研究了几种机动检测算法在实际计算中的性能，并在此基础上实现了一种快速变维自适应滤波算法，该算法在简捷性，实时性和计算量方面优于变维性，其计算精度与变维法基本相当，但优于输入估计法。     

基于姿态角辅助非线性滤波算法的机动目标跟踪

基于扩展卡尔曼滤波思想,本文提出了一种融合姿态角信息的非线性滤波算法.通过分析目标二维和三维运动特征与姿态角的关系,以姿态角和速度模值为控制项,建立状态方程和量测方程,对目标的位置状态进行估计,实现了姿态角信息和位置信息的有效融合.姿态角在不同随机噪声条件下的仿真实验结果验证了算法的准确性和实时性.     

基于变维卡尔曼滤波的塔康距离跟踪算法

为提高跟踪精度,在塔康系统距离测量中,可采用 Kalman 和α-β算法对距离测量值进行滤波。要确保处理精度,采用 Kalman 滤波器,状态变量取的会比较多,而α-β算法是一种常增益滤波器,会出现发散情况。针对两种滤波器的不足,提出了变维 Kalman 滤波的塔康距离跟踪算法,该算法建立距离测量的非机动模型和机动模型,通过距离滤波在机动和非机动两种模型间的自适应切换,完成塔康距离实时跟踪。应用 Monte Carlo 方法仿真表明：该算法可实现塔康距离的实时跟踪,而且距离测量准确度有了一定提高。     

基于自适应滤波的头部姿态跟踪方法研究

针对视觉式头部定位系统存在着噪声统计特性掌握不充分的问题,设计了一种新的基于自适应滤波的头部姿态跟踪方法,其综合了视觉测量算法和自适应滤波算法。在获取n对2D/3D(图像点/空间点)匹配对的基础上,先利用正交迭代算法(OI)解算头部姿态,然后应用自适应滤波器估计精度更高的头部姿态,最后针对带有时变噪声且噪声统计特性掌握不充分的测量值,应用头部姿态跟踪方法进行了仿真测试,结果显示该方法的测量精度有很大提高,并且验证了所设计的头部姿态跟踪方法是合理且有效的。     

粒子滤波在机动目标纯方位跟踪中的应用

文章将多模粒子滤波算法用于机动目标纯方位跟踪，通过估计模型的概率而不是寻找最优算法去进行局部线性化和表征非高斯后验密度，从而减小了近似误差。在仿真研究中，与IMM—EKF的比较验证了多模粒子滤波处理机动目标纯方位跟踪问题的优越性。     

基于变步长增益调整的机动目标跟踪新算法

针对Singer模型的缺陷和“当前”统计模型存在的对弱机动目标跟踪能力较差的缺陷进行了改进,设计了一种新的加速度自适应模型;利用该模型设计出新的机动目标跟踪滤波算法,该算法对机动目标跟踪的综合性能有了较大的提高。在此基础上,为了减少滤波增益矩阵的计算量,使算法易于微机工程化实现,提出对滤波增益矩阵进行变步长调整的新方法,即通过在线检测算法确定何时有必要进行滤波增益的调整,而不需要每一步都计算增益矩阵,从而较多地降低了滤波算法的计算量。通过以上两个方面的改进,不仅提高了机动目标跟踪的精度,而且提高了目标跟踪的快速性和实时性。仿真验证表明该算法有良好的跟踪性能,而且计算量小,易于微机工程化实现。     

一种改进的机动目标跟踪算法

针对传统Singer滤波算法,跟踪机动目标精度较低、收敛较慢的问题,提出了一种改进的Singer算法,该算法根据新息的衰减记忆平均值和加速度滤波值,实时调整过程噪声协方差矩阵,改变滤波增益,减小了位置的均方根误差,并提高了速度和加速度的滤波精度,通过Matlab仿真,证明了该算法的可行性。     

变维自适应交互式多模型跟踪算法

针对传统的交互式多模型(IMM)算法通常采用相同维数的模型进行滤波,存在较大的模型误差以及当前统计模型(CS)中的参数需要合理设定的问题,提出一种变维自适应交互式多模型(AIMM)跟踪算法。该算法首先利用维数变换,将不同维数的模型转换为统一的维数进行交互滤波,使之适用于一般的机动目标,减少模型跟踪误差;然后通过引入由残差信息定义的调整因子对CS模型中的参数自适应调整,提高模型与实际运动模式的匹配程度;最后将参数调整后的CS模型反馈到变维IMM算法中,来改善跟踪性能。仿真实验表明,与传统变维IMM算法相比,文中所提算法在有效跟踪机动目标的同时,提高了目标的跟踪精度。     

一种改进的机动目标跟踪算法研究

为了克服＂当前＂统计模型下的卡尔曼滤波算法在跟踪匀速目标时误差较大的缺陷,文章分析了造成此缺陷的原因,通过改进基于截断正态分布下的加速度方差模型,提高了对非机动目标的跟踪精度,仿真结果表明,该算法能够准确描述各种机动情况。     

一种改进自适应机动目标跟踪算法

针对“当前”统计模型下的卡尔曼滤波算法在跟踪匀速目标时误差较大的缺陷和强跟踪滤波器对非机动部分跟踪精度不理想的缺陷。通过改进基于截断正态分布下的加速度方差模型,提高了对非机动目标的跟踪精度;对卡尔曼滤波算法中预测误差协方差及渐消因子的计算作出修正,改进机动部分和非机动部分的精度;将目前常用的估计协方差的计算公式采用Joseph公式,增强数值的稳定性和算法的鲁棒性。仿真和实践结果表明该算法具有良好的性能。     

交互式多模型机动目标跟踪方法的仿真

分析和研究利用CV模型和CA模型交互、CV模型和Singer模型交互、CV模型和“当前”统计模型交互分别对单机动目标进行跟踪。通过大量的计算机模拟仿真，比较了不同的模型组合在各种参数情况下的滤波性能，并且比较其和卡尔曼滤波（Singer模型）性能的优劣性，得出了一些有意义的结论。     

基于高斯-艾肯特滤波的机动目标跟踪算法

针对交互式多模型(IMM)算法切换滤波模型缓慢、跟踪精度低甚至发散的问题,提出了在机动目标跟踪中使用的高斯-艾肯特滤波算法。首先,该算法确定观测模型和滤波模型集,分别构造量测方程组和滤波方程组,形成总体观测矩阵;然后,针对跟踪目标的非合作机动,提出使用卡方检验来检验滤波效果,并通过滤波控制算法实时调整滤波内存长度,使用高斯-艾肯特滤波对机动目标跟踪具有很强的灵活性,实现自适应跟踪;最后,在目标跟踪仿真中与三种改进模型集的卡尔曼滤波IMM算法进行对比验证,对两类算法进行了复杂度分析。仿真结果证明了高斯-艾肯特滤波算法的有效性,在无先验信息条件下拥有更高的跟踪精度。     

基于EPF-IMM算法的高机动目标跟踪研究

融合粒子滤波与交互多模算法的优势,提出了一种基于进化粒子滤波的交互多模算法(EPF-IMM)。该算法将遗传进化思想引入到传统的粒子滤波,在粒子迭代中采用遗传算法中的编码、交叉、变异等算子实现粒子的自适应进化且隐含重采样,从而改进其粒子退化现象。然后利用粒子滤波信息,在交互多模型中进行更新运算。既解决了IMM算法对非线性、非高斯环境的适应性问题,又解决了PF的无关联对应模型问题。与标准IMM算法进行高机动目标跟踪性能比较,试验仿真结果表明,EPF-IMM算法的跟踪精度高。     

变拓扑非完全连通网络中的分布式机动目标跟踪算法研究

完全分布式的机动目标跟踪是传感器网络等应用中亟待解决的关键问题。本文针对变拓扑非完全连通网络,提出一种基于网络共识的多模型信息滤波器( Consensus based Multiple Model Information Filter, C-MMIF)。 C-MMIF基于标准IMM框架,保证了估计最优性;并通过构造目标运动模式概率和状态估计的信息滤波形式,使节点间运算相互独立。同时,每个独立节点仅需与其相邻节点通讯,利用平均网络共识分布式优化算法对自身信息状态进行更新,实现节点间对目标运动模式及状态的一致估计。最后在无人机与地面传感器网络协同对地机动目标跟踪场景下进行算法仿真验证,结果证明该方法可以在无融合处理中心且网络拓扑变化情况下,使各节点实现对机动目标的一致有效跟踪。     

用雷达情报处理系统快速实现机动目标跟踪

如何快速实现对机动目标的自适应跟踪，是雷达情报处理系统中必须解决的问题之一，为提高滤波自适应能力，使之既能适应对机动目标跟踪宽带滤波，又能提高窄带平稳滤波时的精度，提出了对测量噪声方差和过程噪声方差进行调节的方法，并进行大量的仿真实验，确定了调整系数的函数关系。目前此算法已经广泛应用于雷达情报指挥自动化系统。     

基于角速度修正的变结构多模型目标跟踪算法

为提高强机动目标的跟踪精度,提出一种基于角速度估计值自适应修正的变结构多模型算法。将角速度估计应用于基于有向图切换的变结构多模型目标跟踪算法。通过引入改进的角速度估计方法,提高了角速度的估计精度。在有向图切换的基础上,实时估计角速度,并根据角速度估计值修正有向图,增强了变结构多模型目标跟踪算法的机动适应性。仿真结果表明,该方法在对强机动目标的跟踪性能上有明显提高。