基于压缩感知的认知雷达多目标跟踪方法

该文提出了一种基于压缩感知的认知雷达跟踪方法,该方法将压缩感知理论引入到认知雷达跟踪的问题中。通过对回波信号的稀疏表示,完成稀疏变换矩阵和观测矩阵的设计,实现了降采样条件下量测信号的重构。在系统的接收端,考虑到传统的粒子滤波容易陷入局部最优,对粒子数目要求大等问题,采用了粒子群优化的粒子滤波来对目标状态进行实时估计。在系统的发射端,采用优化后验克拉美罗界(Posterior Cramr-Rao Bounds, PCRB)设计了雷达发射波形参数,降低了对目标跟踪精度的PCRB。仿真表明,相比于传统跟踪方法,该文所提跟踪方法不仅有效地减少了雷达的数据量,而且较大地提高了目标的跟踪性能。      

一种稀疏增强的压缩感知MIMO-OFDM信道估计算法

 基于压缩感知(Compressed Sensing, CS)的信道估计可以达到减少导频的目的,但在频-时域信道矩阵到时延-多普勒域的稀疏变换中存在谱泄漏现象,影响了信道矩阵的稀疏性和估计的均方误差(MSE)性能。为此该文对信道的稀疏性进行研究,提出一种时域加窗的稀疏优化CS信道估计算法。通过对时域加窗,所提算法抑制了由离散截断导致的多普勒域泄漏,再据此设计出观测矩阵,以此方式增强信道在时延-多普勒域的稀疏性,并实现对稀疏的信道矩阵更为准确的重构,达到改善信道估计MSE性能的目的。仿真结果表明随信噪比的增大,加窗CS算法相比无窗CS算法有效改善了信道估计的性能。     

基于压缩感知理论的多普勒解模糊处理

多目标的多普勒解模糊处理是低脉冲重复频率(PRF)雷达的关键技术之一,论文提出一种新的基于压缩感知(CS)理论的多普勒解模糊处理方法,利用多重PRF方式下相参处理间隔内的时域欠采样特性及多普勒频谱的稀疏特性,构造了多普勒解模糊的CS模型,采用正交匹配追踪(OMP)算法直接估计出无模糊多普勒谱的幅度响应,可实现PRF分组参差方式下对多个目标的解多普勒模糊处理,仿真结果验证了算法的有效性。     

基于Chirplet变换和压缩感知的空中颤振目标稀疏成像

针对在逆合成孔径雷达( ISAR )成像过程中目标非合作性机动导致的方位孔径稀疏现象与目标主体颤振引起的微多普勒效应相叠加对成像造成的影响,建立了颤振目标稀疏ISAR成像模型,分析了孔径稀疏和目标颤振对成像造成的影响,提出了一种基于Chirplet变换和压缩感知( CS)重构的成像方法,获得了颤振目标的高质量成像结果。仿真实验验证了该方法的有效性。     

变维的机动目标跟踪算法

为改善现有机动目标跟踪方法存在的跟踪精度不高、滤波易发散的问题,提出了一种RA-Jerk-EKF算法,该算法将目标径向加速度信息引入量测向量,通过增加雷达量测向量维数提高机动目标的跟踪精度。在信号处理阶段利用分数阶傅里叶变换(FRFT)估计出目标的径向加速度,并将其通过坐标转换引入量测向量中;在数据处理阶段采用Jerk模型和扩展卡尔曼滤波(EKF)算法解决滤波算法中非线性量测方程问题;最后将该方法与传统的不带径向加速度的Jerk-EKF方法进行了仿真比较。结果表明,该方法在跟踪精度,位置、加速度和速度估计精度方面均有所改善。     

压缩感知在波达方向估计中的应用

根据压缩感知(CS)理论,利用空间目标在空域上的稀疏性,构建出新的基于CS的DOA估计模型,提出基于协方差矩阵CS、阵列内插CS和波束空间CS的DOA估计算法,分别在协方差矩阵、虚拟内插阵列和波束空间上进行压缩采样,最后通过对1范数优化问题的求解来高概率地进行稀疏重构,得到目标的高分辨DOA估计。所提算法扩展了CS理论在DOA估计中的适用范围,相比MUSIC、ML等传统DOA估计算法,具有更高的分辨率及更优的估计性能。计算机仿真结果验证了算法的有效性。     

基于压缩感知的超宽带信道估计方法的研究

压缩感知(Compressed Sensing, CS)理论可以从较少的观测样本中恢复稀疏信号。针对超宽带(Ultra- WideBand, UWB)信道的稀疏特性,将压缩感知理论应用于UWB系统的信道估计中,能够有效地降低系统的采样速率。该文针对UWB信道的特点对过完备字典库和观测矩阵进行设计,提出了一种滤波矩阵估计算法。然后,分别利用丹茨格选择器(Dantzig Selector, DS),基追踪降噪(Basis Pursuit De-Noising, BPDN)算法和正交匹配跟踪(Orthogonal Matching Pursuit, OMP)算法实现信号检测,进一步给出UWB信道估计中CS重建算法的选择建议。基于IEEE 802.15.4a信道模型的仿真结果表明,该算法同随机观测算法的检测结果相比,能够在较低的采样速率下获得更好的误码率性能。     

网络信息支持下目标“虚拟跟踪”方法研究

针对隐身战斗机作战的电磁隐蔽性需求,提出网络信息支持下的目标"虚拟跟踪"方法。基于虚拟量测转换建立"虚拟跟踪"的状态模型,针对网络信息精度和战斗机状态估计误差,基于量测无偏转换原理对状态模型进行修正。为提高对机动目标"虚拟跟踪"的状态估计精度,设计基于"当前"统计模型的交互式多模型无迹卡尔曼滤波算法进行滤波处理。针对机动目标跟踪下不同误差影响对比进行的仿真表明,"虚拟跟踪"方法能快速获得稳定的目标状态估计,通过提高信息更新频率和战斗机的姿态估计精度,能获得较高精度水平的目标信息。     

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。     

基于容积卡尔曼滤波的异质多传感器融合算法

针对机动目标跟踪系统建模中的非线性问题,提出一种基于容积卡尔曼滤波(CKF)的雷达与红外传感器融合算法。考虑到被估计系统对目标跟踪算法实时性与精度的要求,在容积滤波框架下构建了集中式量测融合(CMF)和分布式状态融合(DSF)两种结构形式。CMF结构采用最优加权方法,首先对雷达和红外两种异类传感器的方位角度量测信息进行融合,并将其与融合后的雷达径向距量测构建新的量测数据,进而通过CKF算法对机动目标进行跟踪。DSF结构则首先对雷达量测中径向距信息进行加权融合,并将融合结果作为红外传感器的虚拟径向距量测,以实现红外量测的扩维处理,进而对每组量测数据应用CKF进行分布式并行加权融合,获得目标运动状态的最终估计。仿真场景中,对两种融合方法的性能进行比较,理论分析与仿真实验验证了算法的可行性与有效性。     

基于Bayesian-Fisher 混合模型的强跟踪当前统计模型

针对当前统计模型(CS)不能自适应调节机动参数,导致对弱机动以及强机动目标跟踪性能下降的问题,提出了一种基于Bayesian-Fisher 混合模型的新方法。首先,通过引入Bayesian-Fisher 混合模型,将机动加速度均值作为未知的确定性输入增广到状态变量中,实现了对加速度均值的在线自适应估计;其次,根据强跟踪滤波器(STF)的思想,引入时变渐消因子,增强算法对突变状态的适应能力。仿真结果表明,该算法不仅提高了对弱机动和强机动目标的跟踪精度,也削弱了对初始机动参数的依赖。     

基于地理信息的地面运动目标跟踪方法

为了提高地面运动目标跟踪精度,提出了基于地理信息约束的变结构交互多模(VS-IMM)的目标跟踪算法。通过建立地理信息系统约束地面目标运动状态,并利用目标转弯曲线模型确定滤波器中机动目标的时变运动模型集,采用地理信息约束的变结构交互多模算法可更符合实际进行地面目标机动跟踪。针对机场地面机动目标的仿真结果表明,给出的地理条件约束的目标跟踪算法比现有交互多模算法具有更好的性能。     

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.     

机动目标跟踪中一种机动频率和方差自适应滤波算法

在机动目标跟踪中,当前统计模型(Current Statistical model, CS)需要预先依据经验设定机动频率和加速度极限值,当预先设定的值与目标的实际运动状态不一致时,将造成较大的跟踪误差。为克服上述问题,该文首先从当前统计模型的离散状态方程中,导出了一种机动频率自适应算法,然后对张安清及巴宏欣等人提出的加速度方差自适应算法进行了改进。仿真实验表明,在综合运用上述机动频率自适应和加速度方差自适应算法的基础上,对CS 模型修改后,得到的机动目标跟踪自适应滤波算法(Mending CS based Adaptive Filtering algorithm,MAF),能够有效增强基于CS 模型的机动目标跟踪自适应滤波算法(CS based Adaptive Filtering algorithm, AF)对目标运动状态变化的自适应能力,并且在低噪声环境下,跟踪精度比AF 算法有所提高,算法收敛速度可达到AF 算法的2 倍,在强噪声环境下,目标机动阶段的跟踪精度提高近2 倍,匀速阶段的精度与AF 算法相当,算法的收敛速度可达到AF 算法的4～10 倍,因此,MAF 算法具有较强的抗干扰能力。      

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。     

复合K噪声下机动目标跟踪自适应UPF算法

针对复合K噪声下机动目标跟踪系统具有强非线性非高斯的特点,提出了一种自适应无迹粒子滤波(Adaptive Unscented Particle Filter,AUPF)算法.该算法建立在常加速模型及其改进滤波算法基础上,并将无迹卡尔曼滤波(Unscented Kalman Filter,UKF)与强跟踪滤波(Strong Tracking Filter,STF)算法相结合作为提议分布,提高了系统跟踪一般机动和阶跃机动的能力.在给出复合K噪声模型的基础上,利用AUPF算法对几种典型机动目标进行了计算机仿真,并同无迹粒子滤波(Unscented Particle Filter,UPF)算法进行了比较.仿真结果表明,复合K噪声下AUPF算法能更有效地对各种机动目标进行跟踪,具有较高的跟踪精度.     

基于交互式联邦多模型的多传感器融合算法

针对多传感器机动目标跟踪过程中的航迹滤波发散问题,提出了一种将联邦滤波器与交互式多模型滤波算法（IMM）相结合的交互式联邦多模型融合算法IFMM.在IFMM算法中各传感器均具有相同的滤波模型集合,各传感器在同一模型下所产生的滤波结果先采用联邦滤波算法进行融合,然后采用IMM算法对各模型融合结果进行综合,产生目标状态的全局估计.仿真结果表明,IFMM有效提高了机动目标运动状态估计的精确度和稳定性.     

基于扩展集员滤波与信息几何的机动目标跟踪

面对当前日益复杂的雷达跟踪目标和环境,广泛应用的卡尔曼滤波及其扩展类算法虽然能以较少的计算量得到较好的跟踪效果,但其要求过程噪声与量测噪声符合零均值高斯分布,否则会导致滤波发散。为解决系统状态及噪声未知但有界情况下的机动目标跟踪问题,介绍了一种扩展集员滤波机动目标跟踪算法,并辅以基于信息几何的跟踪性能监测处理。通过仿真分析验证了基于集员滤波与信息几何的机动目标跟踪边界约束性能及跟踪准确度较好,且能通过统计流形距离的变化来探测目标是否发生机动。     

一种快速的多目标跟踪非线性滤波算法

多机动目标跟踪问题是目前目标跟踪领域的一个重要研究方向,而数据关联与跟踪维持是多目标跟踪的核心部分。利用支持向量机在分类识别方面的优势,研究了基于支持向量机的数据关联方法。在此基础上,采用交互式多模型算法和无味卡尔曼滤波相结合的方法研究了多机动目标的跟踪问题。在该方法中,目标的运动状态和方位误差由选定的采样点来近似,在每个更新过程中,采样点随着状态方程传播并随非线性测量方程变换,得到目标的运动状态和方位误差的均值,避免了对非线性方程的线性化,至少给出最佳估计的二阶近似。与传统的扩展卡尔曼(EKF)方法进行了仿真比较,仿真结果表明了该算法的有效性。     

空基多平台对空中机动目标的被动跟踪定位算法

针对空中机动目标的被动定位跟踪问题,提出了一种先用静态估计理论对空中目标进行最小二乘估计,再采用基于“当前”统计模型的自适应滤波算法进行滤波处理的方法,取得了比最小二乘估计与卡尔曼滤波相结合的算法更好的效果。仿真结果表明,在跟踪非机动目标时,该算法和最小二乘估计与卡尔曼滤波结合的办法相当;在跟踪机动目标时,该算法的误差明显小于原算法。