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.     

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.     

两阶段卡尔曼滤波自适应交互式多模型算法

对于机动目标跟踪问题,由于目标机动能力的增强,需建立大量模型来逼近真实模式,使建立的目标模型与目标的实际运动适配,但这使计算量增大,而且性能不一定能提高.针对这个问题,将两阶段卡尔曼滤波器与一般的交互式多模型算法相结合,设计了一种自适应交互式多模型算法.该算法采用两阶段卡尔曼估计器估计目标的加速度,然后将其反馈到由多个不同参数构成子滤波器的交互式多模型滤波算法中进行交互式多模型滤波.与自适应半交互式多模型算法进行对比的仿真验证了该算法有效地减少了子滤波器的数量,同时在一定程度上也提高了跟踪的精度.     

基于CS-Jerk模型的改进机动目标跟踪算法

文中通过对CS-Jerk模型中的参数以及卡尔曼滤波的分析,提出了一种改进的CS-Jerk模型目标跟踪算法。该算法根据量测新息及其变化率,通过模糊推理机制自适应的调整"当前"统计Jerk模型的机动频率,接着利用强跟踪滤波器对运动模型进行滤波来弥补卡尔曼滤波器的不足。仿真结果表明,提出的改进CS-Jerk模型目标跟踪算法显著提高了原CS-Jerk模型在不同机动模式下对高机动目标的跟踪精度,验证了算法的合理性和可行性。     

机动目标当前统计模型模糊自适应算法

针对当前统计模型常规算法跟踪机动目标的缺陷,提出了当前统计模型模糊自适应算法。该算法根据规范化的量测新息及其变化率并通过模糊推理实时选取机动频率,给出了加速度方差的新息幂函数调整方法,采用加速度估计值和预测值的偏差在线更新当前加速度均值。在此基础上,结合高斯隶属函数和强跟踪算法对其权值予以修正。当前统计模型模糊自适应算法不受机动频率人为给定和最大加速度极值设置的限制,适用于不同范围和程度的机动。利用当前统计模型模糊自适应算法对阶跃机动、圆周机动、Jerk机动3种典型机动场景进行了计算机仿真,并与当前统计模型常规跟踪算法和Jerk模型自适应算法进行了比较。仿真结果表明,该算法扩大了跟踪范围,具有较好的稳态特性和瞬态特性,其跟踪精度和收敛速度优于其他两种算法。     

一种基于IMM-PF的MMW/TV复合制导UCAV火力解算融合跟踪算法

针对目标融合跟踪算法在解算时,假定测量噪声为高斯白噪声与实际测量为"闪烁噪声"不相符的情况,提出一种交互式多模型粒子滤波的毫米波/电视复合制导无人攻击机火力解算融合跟踪算法,该算法适用于非线性、非高斯条件下、多传感器信息融合跟踪;可在有干扰的情况下,通过模型转换,实现模型的匹配,有效跟踪机动目标。通过数字仿真,验证了该算法具有较强的目标机动自适应能力,对提高MMW/TV复合制导UCAV的攻击效果有重要意义。     

基于消隐记忆SCKF的交互式多模型算法

针对交互式多模型算法(Interacting Multiple Model,IMM)在机动目标跟踪时,因模型不准确导致的滤波误差增大问题,提出了基于消隐记忆平方根容积卡尔曼滤波(Memory Attenuation Square Root Kalman Filter,MASCKF)的交互式多模型算法(IMM-MASCKF)。该算法在模型滤波中引入消隐记忆滤波理论,通过消隐记忆因子增大新息在滤波中的比重,改善了滤波器对目标机动的动态性能,提高了滤波精度。仿真结果表明,该算法可以实现对机动目标的有效跟踪,且与常规交互式多模型算法相比减小了滤波误差。     

基于交互式多模型的水下机动目标跟踪

为了解决水下机动目标跟踪的实时性和可靠性问题,在交互式多模型(IMM)的框架下对水下机动目标跟踪进行了分析,建立了目标运动方程和观测方程。交互式多模型滤波算法的选择直接影响到跟踪的精度,在跟踪滤波方面,针对交互式多模型滤波过程中观测方程非线性对滤波性能的影响,分别将扩展卡尔曼滤波(EKF)和无迹卡尔曼滤波(UKF)2种滤波算法与交互式多模型算法相结合。仿真结果表明,交互式多模型算法与UKF算法结合的滤波精度更高,能够更有效、可靠地达到跟踪机动目标的目的。     

自适应转弯模型的交互多模型算法研究

以强机动目标跟踪为背景,在分析常速转弯模型和IMM算法基础上,基于“当前”统计模型的设计思路．提出了自适应转弯模型。通过机动频率系数和角加速度方差修正常速转弯模型的系统状态噪声方差矩阵,设计了不同角速率的转弯模型集,给出了相应模型的状态转移概率,建立了一种自适应转弯模型的交互多模型算法。MonteCarlo仿真实验表明：该算法性能优于其它IMM算法,且计算量小。便于使用。     

状态信息和轨道信息下的非合作目标精密跟踪技术

针对随机脉冲推力控制下的空间机动目标跟踪问题,提出一种基于状态信息和轨道信息的实时跟踪算法。该算法通过基于机动推力a-β动力学模型和改进当前统计模型的并行计算滤波器,完成空间非合作目标高精度实时跟踪。同时,利用直观的轨道信息,完成机动检测,采取重置滤波参数的方式获得更快的收敛速度和稳健性。仿真实验表明该算法可有效检测机动,实现了对非合作目标机动目标的轨道确定,具有一定的工程实用性。     

一种基于"当前"统计模型的改进目标跟踪算法

分析了“当前”统计模型跟踪非机动及弱机动目标时精度较差的原因,提出了采用隶属函数调整加速度方差改进目标跟踪的算法。该算法根据目标当前的机动状况自动地调整方差。仿真表明,该算法能够有效地提高对非机动及弱机动目标的跟踪精度。     

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。     

基于模糊控制交互式多模型粒子滤波的静电机动目标跟踪

针对交互式多模型粒子滤波算法（IMMPF）的精度不高,算法更新时间长,难以满足静电机动目标跟踪要求的问题,提出了一种新的基于模糊控制的交互式多模型粒子滤波算法（FIMMPF）。该算法先利用模糊控制方法实现实时调整交互式多模型算法中的转换概率矩阵,使与目标当前运动状态最接近的运动模型在混合产生这一采样时刻的初始状态向量里占有更大的比重。同时,为了提高基本粒子滤波算法的精度,减小算法更新时间,再利用中心差分扩展卡尔曼滤波算法产生基本粒子滤波的建议分布函数,实现对目标运动状态的更新。理论分析和仿真结果表明,所提出的算法能够以更高的定位精度,更小的计算量实现对静电机动目标的跟踪。     

交互式多模型算法在机动目标跟踪中的应用

文中首先介绍了目标跟踪的数学模型,然后研究了交互式多模型算法(IMM算法)的基本结构,最后应用IMM算法跟踪空中交通管制中的机动目标,通过仿真实例详细地分析了影响IMM算法的主要因素.仿真结果表明IMM算法可以有效地跟踪空中交通管制中的机动目标.     

一种改进的机动目标“当前”统计模型的描述

讨论了机动目标加速度的“当前”统计模型问题。推导出基于修正瑞利分布的机动目标加速度的“当前”统计模型的适用范围。提出一种改进的机动目标加速度的“当前”统计模型描述。仿真结果表明,基于本文提出的机动目标加速度“当前”统计模型建立的机动目标自适应跟踪算法,其跟踪精度更佳。     

基于线谱瞬时频率估计的被动声纳目标运动分析

针对被动声纳探测目标,提出了一种基于线谱瞬时频率估计的目标定位跟踪算法。该算法通过利用声纳探测目标的跟踪波束信息,建立高精度瞬时频率跟踪提取与多特征联合的目标定位跟踪模型,完成对目标高精度多普勒频移信息的实时提取。基于多特征观测方程,实现了对目标的定位与跟踪。仿真实验和海上试验结果表明：该算法可在观测平台不机动情况下,完成对目标的快速定位与跟踪;在相同平台机动条件下,相比传统纯方位算法,该算法的要素解算性能更加稳定,解算收敛时间缩短约4 min,进一步增强了工程适用性。     

基于IMM-UKF的雷达/红外分布式加权融合算法

在雷达/红外复合制导机动目标跟踪背景下,针对非线性机动目标融合跟踪存在滤波器易发散问题,提出一种基于交互式多模型无迹卡尔曼滤波(IMM-UKF)的分布式加权融合算法。IMM具有对不同目标机动模式自适应跟踪的能力;UKF对观测数据进行滤波估计,避免了计算雅克比矩阵,克服EKF滤波方法受滤波初值影响大、易发散的缺点;分布式融合算法提高了系统抗干扰能力及对目标跟踪的有效性和跟踪精度。仿真结果表明:该算法在处理非线性系统机动目标跟踪融合结果误差均得到减少,更能提高目标跟踪滤波精度,增强了系统稳定性。     

一种用于仅有位置观测信息的机动目标跟踪滤波算法

在机动目标跟踪研究领域,"当前"统计模型自适应跟踪算法(ATS)在仅有位置观测信息的机动目标跟踪中具有一定应用价值。针对ATS算法中目标最大机动加速度为预设的常值,存在不能很好的适应各种机动情况的问题,对目标最大机动加速度进行实时自适应调整优化设计,使目标最大机动加速度以指数形式实时逼近加速度估值均值。改进后的滤波算法保持了原算法机动加速度的分布特性,提高了目标的跟踪精度。     

机动目标的跟踪滤波处理

目标机动跟踪数据实时处理采用“当前统计模型”,呵及时获得目标运动参数,但根据大量仿真试验,发现效果并不理想。针对该问题,采用改进算法对大机动的目标进行跟踪滤波处理,通过仿真运算,得到了较好的仿真效果。     

机动目标自适应跟踪算法研究

为了克服“当前”统计模型自适应跟踪算法（CAF）跟踪匀速运动目标误差较大和跟踪加速机动目标速度与加速度估计误差和动态时延较大的缺陷,通过分析研究CAF算法,采用截断正态分布表征目标的机动加速度特性,考虑风速和加速度估计均值的影响,对机动加速度与方差自适应关系修正,自适应补偿过程噪声协方差矩阵,提出了一种改进的机动目标自适应跟踪算法。理论分析与仿真结果表明,该算法能够准确描述目标的各种机动情况,具有良好的跟踪性能和实际应用价值。