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.     

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.     

助推段弹道导弹的主动跟踪

助推 弹道导弹的主动跟踪是一个非常具有挑战性的问题。由于机载激光（ＡＢＬ）要利用这一技术， ＡＢＬ是对主动跟踪感兴趣的几种定向能武器计划之一。针对这一技术挑战，菲利津实验室已开始一项计划，以证实大气中远水平距离上的主动跟踪的可行性，这一计划包含两个独立的阶段。第一阶段是利用林肯实验室可定标距离上的静止靶研究湍动的大气中的跟踪。     

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.     

基于UKF的主动段弹道跟踪算法

利用预警卫星视线(LOS)测量对弹道导弹目标的跟踪问题是空间预警系统的关键技术.提出了基于弹体旋转的主动段动力学运动方程,解析表达了导弹推力加速度值和导弹在重力作用下姿态的变化特性.引入一种新的滤波估计算法UKF,通过特别选取一些样点,给出随机变量经过非线性变化后的均值和方差,得到滤波器基于非线性方程的更新,避免了非线性方程的线性化.通过Monte-Carlo仿真,与其它算法比较,说明该算法具有更好的适应能力,跟踪性能更好,适用于空间预警系统.     

弹道导弹主动段天基红外跟踪方法综述

针对主动段弹道导弹的天基红外跟踪问题,介绍了弹道导弹主动段飞行特点以及弹道导弹跟踪中存在的难点,对当前主动段建模、相关跟踪算法进行了阐述,最后对跟踪方法进行了总结。     

弹道导弹主动段样条滤波算法

对弹道导弹主动段进行跟踪是弹道导弹主动段防御中极其重要的任务,它是制导拦截的基础。针对传统方法在弹道导弹主动段跟踪能力不足,建立了弹道导弹主动段样条滤波算法。该滤波算法首先用样条函数建立了主动段运动模型,其次在此基础上将运动状态进行了解耦,建立了状态方程,最后基于解耦模型,应用Kalman滤波进行了状态估计,并且在估计中设计了模型更新方法,使算法具有很好的机动跟踪性能。仿真实验证明,该跟踪算法估计精度高于其它算法。     

机动目标跟踪的自适应卡尔曼滤波算法实现

为真实反映目标机动范围与强度的变化,引入了机动目标的“当前”统计模型,提出了一种基于该模型的自适应卡尔曼滤波算法．仿真结果表明,能有效改善在机动目标跟踪中传统的卡尔曼滤波可能出现的发散情况,提高了跟踪的准确性和稳定性．     

基于模糊推理的自适应交互多模型目标跟踪算法

提出了一种模糊自适应IMM算法（FAIMM）,通过模糊逻辑,根据加速度估计值,自适应地摒弃概率较小的模型,仅选取整个模型集合中最能反映目标“当前”机动的一个模型子集进行运算,从而减少了模型数目;同时采用模糊方法计算模型概率,从而降低了算法的计算量;进一步,通过二级模糊推理,根据模型参考加速度ui的大小自适应地选择适当的最大机动加速度amax和a-max,使系统具有一定的方差调整能力,从而提高了跟踪精度。仿真结果表明,较之于标准IMM算法．FAIMM算法在机动目标跟踪精度、跟踪的平稳性以及收敛速度等方面都有所改善。     

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。     

基于在线修正弹道模板的主动段弹道跟踪方法

为了提高在线跟踪主动段弹道导弹的精度,提出了基于在线修正的弹道模板方法,详细构建了空气动力、推力、重力、科氏力、牵连惯性力等的动力学模型,结合不敏卡尔曼滤波和粒子滤波算法,对弹道模板参数进行在线校正及对导弹目标进行实时跟踪。在仿真过程中,基于加加速度模型和当前统计模型构建了交互多模型算法,并将该算法结合不敏卡尔曼滤波和粒子滤波算法与在线修正的弹道模板方法进行比较分析。仿真结果表明,该方法能够对弹道模板参数进行准确估计并能获得比交互多模型算法更高的跟踪精度。     

被动声探测系统机动当前模型的卡尔曼滤波跟踪算法研究

采用机动“当前”模型对被动声探测目标进行了建模，并提出了采用Kalman滤波算法作为目标跟踪的主要算法，给出了仿真算法的详细设计流程。从仿真分析可以看出，采用机动当前模型的Kalman滤波算法可以有效地满足声探测系统的跟踪要求。     

一种"全面"的自适应机动目标跟踪算法

基于截断正态概率密度模型建立修正的截断正态概率密度模型。利用该模型并结合速度估计自适应模型提出一种“全面”自适应机动目标跟踪算法(OAF)．此算法能够避免机动加速度最大值的预先设定,自适应调节目标跟踪算法中的机动频率。进一步运用神经网络方法,将机动频率与过程噪声方差进行融合,通过在线调节神经网络权值获得融合后的系统方差输出,降低现有算法因系统参数调整不当带来的精度损失。理论分析及仿真结果表明,与单纯的速度自适应模型算法相比,该算法跟踪机动目标和非机动目标时精度分别提高49. 61%和48.34%．     

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。     

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。     

基于转换量测的水下目标跟踪

针对水下目标跟踪的实际应用情况，提出了基于转换量测误差统计分析的去偏转换量测和基于修正转换量测误差的无偏转换量测方法；给出了基于转换量测的球坐标一直角坐标下目标跟踪算法，并进行了性能仿真。结果表明：这两种跟踪方法都具有很高的跟踪精度和稳定性；基于修正转换量测的跟踪算法对角度量测误差的不同分布有较强的适应性，在角度量测误差较大的情况下，该算法的性能要优于基于误差统计分析的跟踪算法。