水下目标的多速率交互多模型跟踪算法

为解决水下机动目标精密跟踪定位的实时性和可靠性问题,根据水下目标运动速度慢、机动性能弱的特点,该文利用小波变换技术实现了模式空间与测量空间的混合滤波,建立了水下机动目标多速率交互多模型跟踪定位算法,给出了多速率常速度和常加速度多模型滤波算法的统一表示形式。仿真试验的结果表明水下目标的多速率交互多模型跟踪算法具有较低的计算复杂度,能够改善水下目标跟踪的可靠性和实时性。     

采用多速率多模型交互实现机动目标的全速率跟踪

多速率模型通过对原始测量结果和目标运动模型进行多分辨分解实现目标高精度跟踪.多模型交互方法则采用一个马尔科夫链控制多个模型交互实现机动目标跟踪.本文给出了一种采用多速率多模型交互方式实现机动目标全速率跟踪的方法,它通过交织多次滤波结果使得跟踪能同时保证高精度和全速率.仿真结果及分析说明了该方法较传统的全速率多模型交互算法获得了更好的跟踪效果.     

一种多速率的交互式多模型粒子滤波算法

针对融合交互式多模型和粒子滤波,提出了一种采用多速率方法的交互式多模型粒子滤波(MRIMMPF)算法.该算法采用多模型结构来跟踪任意机动的目标,各模型采用粒子滤波,以处理非线性、非高斯问题.但是粒子滤波的问题是计算量过大,特别是应用到IMM算法时,多速率方法则可以在保证算法性能的同时解决此问题.仿真结果表明,MRIMMPF算法在性能上明显优于交互多模型粒子滤波(IMMPF)算法,具有较小的计算量.     

杂波环境下被动多传感器机动目标跟踪新算法

针对杂波环境被动传感器机动目标跟踪问题,该文研究了一种基于粒子滤波的被动多传感器机动目标跟踪新算法。 在该算法中,首先推导了杂波环境下粒子滤波的似然函数表达式。其次将粒子滤波与交互多模型(IMM)相结合,用IMM方法实现模型的切换,以适应目标的机动变化。用粒子滤波实现对观测方程的非线性处理。最后,建立了被动多传感器的非线性观测模型,避免了目标的不可观测性,并且算法还能够处理非高斯噪声情况。仿真实验结果表明,提出的算法能够有效地对被动机动目标跟踪,且性能优于交互多模型概率数据关联滤波器(IMM-PDAF)。     

机载空间光通信平台的交互多模型粒子滤波跟踪算法

机载空间激光通信是实现未来超大容量空间通信的主要途径,高精度实时性的机载平台跟踪问题一直是其研究的难点问题之一。因为机载通信平台机动形式的多样性,用单一的模型很难准确描述机载平台的运动状态,因此需要采用多个模型进行描述,即交互多模型方法。粒子滤波能够处理非线性/非高斯问题,其与交互式多模型结合可用来获得更好的跟踪性能。针对粒子滤波算法计算量大、实时性差的问题,给出了粒子滤波算法的并行处理方法。通过计算机仿真,交互多模型粒子滤波算法与其他算法相比,其跟踪性能有较大的提高,忽略通信代价,并行处理的粒子滤波时间开销显著下降。     

一种基于UKF交互多模型算法

交互多模型采用模型软切换方式有效地解决了目标运动模式多样化的问题,是目前最具实用性的多模型机动目标跟踪算法。自从1988年提出该算法后,迅速在雷达机动目标跟踪与雷达组网技术中得到了广泛的应用。结合交互多模型算法和目前发展较为成熟的非线性估计算法———无味滤波算法,以高机动反舰导弹目标跟踪为应用背景,以基于匀速运动、匀加速运动、匀速转弯和“当前”统计模型这四种跟踪模型组成的模型集为基础,对交互多模型算法进行了仿真研究,证实了该算法的有效性。     

一种用于制导雷达的交互多模型跟踪滤波算法

跟踪滤波算法是影响防空导弹武器系统杀伤能力的核心因素之一。传统的直线模型算法不适合精确跟踪具备超机动能力的现代战机。提出一种新的用于制导雷达数据处理的跟踪滤波方法。新方法采用交互多模型的结构,并加入未知角速度的转弯模型,避免了目标机动引起的跟踪精度下降。与现有的算法相比新方法显著提高了滤波跟踪的距离精度和方位精度。     

基于交互多模型的机动目标定位滤波方法

针对无源雷达如何快速准确地对机动目标进行定位的问题,提出一种基于交互多模型的机动目标定位滤波方法。首先给出几种常见的运动模型,并介绍交互多模型算法的基本原理,然后围绕交互多模型算法在机动目标定位中的具体应用,对算法做进一步推导,最后利用MATLAB对所提方法进行仿真验证,仿真结果证明了该方法的有效性。     

一种用于搜索雷达的交互多模型跟踪滤波算法

跟踪滤波算法是雷达数据处理的重要组成部分。受搜索雷达采样数据率的限制,当目标机动时,滤波器跟踪严重滞后、跟踪精度差。针对该问题,提出了基于α-β滤波和α-β-γ滤波的交互多模型跟踪滤波算法。将目标的运动状态映射到目标的运动模型,根据运动模型构造相应的滤波器,多个滤波器并行工作,实时计算每个滤波器的残差,根据滤波的残差和先验知识选择适应目标当前运动状态的滤波器输出目标预测信息。仿真结果表明,该算法在目标机动与非机动情况下均能有效跟踪目标,具有较好的适应性与滤波精度。     

多模型粒子滤波在机动目标跟踪中的应用

针对在非线性机动目标跟踪中存在的滤波器易发散,跟踪误差大等问题,在双机协同跟踪的基础上,提出了利用交互式多模型粒子滤波(IMMPF)对空中机动目标进行跟踪的算法。该算法将粒子滤波和交互多模型有效结合,基本解决了非线性机动目标跟踪中存在的问题。通过仿真表明,与扩展卡尔曼滤波(EKF)和交互式模型扩展卡尔曼滤波(IMMEKF)相比,IMMPF能够降低跟踪误差,提高收敛速度,且有很强的鲁棒性。     

基于IMM-SCKF-STF的机动目标跟踪算法

在处理非线性机动目标跟踪问题时,传统的非线性滤波估计算法跟踪误差大且容易引起滤波发散.针对上述问题,研究将强跟踪平方根容积卡尔曼滤波(SCKF-STF)和交互多模型(IMM)算法相结合,提出一种新型的交互多模型强跟踪平方根容积卡尔曼滤波(IMM-SCKF-STF)跟踪算法.该算法在SCKF基础上引入强跟踪渐消因子,使其不仅拥有应对机动目标状态突变的强跟踪能力,同时还具备交互多模型算法的优良机动目标跟踪性能.因此,新算法在机动目标跟踪方面将获得更高的非线性滤波估计精度,且算法的稳定性和应对状态突变的跟踪鲁棒性能获得显著提高.最后,通过两个仿真例子验证了此算法的有效性与优越性.     

一种新的机动目标跟踪的多模型算法

采用带渐消因子的当前统计模型与匀速运动模型进行交互,设计了一种新的机动目标跟踪的交互式多模型算法。当前统计模型具有对一般机动目标跟踪精度高的特点,通过渐消因子的引入增强了该模型对突发机动的自适应跟踪能力,同时通过与CV模型的交互保证了对非机动目标的跟踪性能。仿真结果表明,在跟踪一般机动目标时,其误差和当前统计模型与CV模型交互的IMM算法相当;在跟踪突发机动目标时,该文算法的误差明显小于当前统计模型与CV交互的IMM算法。     

基于代价参考粒子滤波的机动目标跟踪算法

代价参考粒子滤波算法通过动态优化自定义代价函数和风险函数来衡量状态滤波估计的质量,选取最优的状态估计.与粒子滤波算法相比其优点是不需要任何先验概率知识的假定和重采样过程可实现并行处理.将代价参考粒子滤波与当前统计模型的优点相结合,提出一种新的当前统计模型自适应跟踪算法,用于非线性非高斯系统的机动目标跟踪.Monte Carlo仿真表明,该算法跟踪精度优于标准的交互多模型算法和当前统计模型自适应跟踪算法,实时性好于当前统计模型高斯粒子滤波算法.     

交互式多系统跟踪定位算法

交互式思想在多模型定位中获得广泛应用,但在多系统跟踪定位中应用较少。该文借鉴交互式思想提出交互式多系统跟踪定位算法。该算法利用已获得的估计信息进行系统间定位信息的直接交互,然后进行多系统并行滤波,并利用各系统滤波新息和方差对系统概率进行实时更新,将估计结果按照系统概率加权融合输出。通过跟踪机动目标的仿真实例,可以看出该算法能够根据定位系统的性能及时调整系统概率,有效改善多系统下目标跟踪定位性能。     

基于交互多模型的低空目标跟踪算法研究

研究了基于交互多模型(IMM)的低空目标跟踪问题。分析了低空目标的运动特征,给出了目标匀速(CV)直线、匀加速(CA)直线、曲线飞行航迹模型。在交互多模型(IMM)算法中,采用多种运动模型跟踪低空目标。在所研究的大机动模型情况下,通过多次数据处理优化参数后,统计分析结果表明,该算法滤波后数据误差明显降低,数据精度有较大的提高,能够稳定精确地跟踪低空目标。因此,该低空目标跟踪算法是有效的。     

区间量测下自适应交互多模型箱粒子滤波机动目标跟踪

针对现有交互多模型箱粒子滤波(Interacting Multiple Model Box Particle Filter,IMMBPF)算法在区间量测目标跟踪过程中模型切换和跟踪精度方面的不足,结合自适应交互多模型算法,提出了一种自适应交互多模型箱粒子滤波(Adaptive IMMBPF,AIMMBPF)算法。该算法利用模型似然后验信息构建修正因子,并结合阈值对马尔可夫转移概率矩阵进行自适应修正,使得匹配模型的概率快速增大,并且可以减小非匹配模型的影响,即使在目标运动模型先验信息不足或者不准确情况下,也能对模型转移概率进行自适应更新。对于量测常受到未知分布和偏差的区间误差所影响而呈现区间形式的问题,将箱粒子代替普通粒子,拟合后验概率密度从而进行滤波。仿真结果表明,相比于原有算法,该算法在区间量测机动目标跟踪的应用中,拥有更优的模型匹配度和目标跟踪精度。     

一种基于交互多模型卡尔曼滤波的被动协同定位滤波算法研究

针对多节点被动协同定位模式下，海面高机动目标定位结果随测向误差跳变的问题，提出一种基于交互多模型卡尔曼滤波的被动协同定位滤波算法；通过仿真模拟一条由多种运动状态组合而成的航迹，各子航迹对应不同的运动模型，对比了常规卡尔曼滤波算法和交互多模型卡尔曼滤波算法对复杂场景的滤波效果，仿真结果表明后者具备更好的滤波性能。     

基于交互式多模型的机动目标跟踪算法

在军事和民用航空领域，可靠而精确地跟踪目标始终是目标跟踪系统设计的关键。但当目标处于强机动多模型的运动情况下时，在对目标进行状态估计时，单独采用一个模型会受到模型自身局限性的影响使得滤波精度不高，于是有必要采用多个模型描述机动目标的运动状态。基于此，采用交互式多模型滤波算法对目标进行跟踪。仿真结果表明，该算法对机动目标有很好的跟踪效果和较高的跟踪精度。     

机动目标跟踪算法

针对复杂的机动目标跟踪问题,介绍了机动目标运动状态模型和固定结构的交互多模型(Interacting Multiple Model,IMM)滤波算法。在IMM基础上引入变结构思想,提出了一种基于序列似然比的变结构交互多模型(Variable Structure IMM,VSIMM)算法。通过实例仿真比较证明了该算法的有效性。     

基于交互多模型的机载雷达高度滤波算法

机载三坐标雷达系统中,受雷达孔径的限制,俯仰方位的测角精度较差。为了获取目标在俯仰位置的精确信息,提出了基于交互多模型的机载雷达高度滤波算法。该算法先计算目标的地理高度,再采用基于匀速运动与当前统计(CS)模型的交互多模型滤波算法对目标的地理高度进行滤波。仿真结果表明:该算法在目标高度机动与非机动情况下均能有效跟踪目标高度变化,具有较好的适应性与滤波精度。