基于萤火虫优化粒子滤波的新型机动目标跟踪算法

交互式多模型粒子滤波算法需要多个模型才能对强机动目标进行跟踪,并且粒子滤波的重采样会导致粒子贫化现象,针对该问题提出一种新型机动目标跟踪方法.该方法首先将萤火虫群体的吸引和移动机制引入粒子滤波;再将改进粒子滤波引入交互式多模型中,通过智能寻优的方式提高交互式多模型的跟踪精度和稳定性.实验结果表明,相对于IMM-PF,改进方法可以用更少的时间达到同等精度,提高了机动目标跟踪的效率.     

Iterated square root unscented Kalman filter for maneuvering target tracking using TDOA measurements

This paper presents a study involving the prediction of a complicated maneuvering target, with the aim of improving the tracking performance of time difference of arrival (TDOA) tracking system for passive radar. Because of the large error caused by the complicated maneuvers and a high realtime requirement, the TDOA tracking system will take a heavy computational load. In this study, we calculate the initial position of a complicated maneuvering target using the total least square method to decrease the initial tracking error. Based on the current statistical model and the square root unscented Kalman filter, an iterated square root unscented Kalman filter (ISRUKF) is presented and an iterated termination criteria is used to reduce the linearity error for the whole iterated process. Finally, comparative simulation results are provided to demonstrate the effectiveness and applicability of the proposed method.     

跟踪机动再入飞行器的交互多模型Unscented卡尔曼滤波方法

对于目标发生机动时的再入飞行器的跟踪问题, 传统跟踪方法是采用机动模型的扩展卡尔曼滤波. 本文在提高机动目标跟踪精度的探索中做了两方面的努力, 一是在描述目标运动模型方面采用了更符合机动目标运动特性的多模型方法; 另一方面, 采用了隐含高阶精度的 Unscented 卡尔曼匹配滤波方法. 对于交互多模型 Unscented 卡尔曼滤波器在仿真中易出现数值问题, 给出了基于平方根滤波的数值鲁棒性的解决方法.     

角闪烁噪声测量条件下的剩余飞行时间估计

针对雷达导引头角闪烁噪声测量条件下的机动目标,研究剩余飞行时间计算方法;建立了闪烁噪声计算模型;在粒子滤波算法和扩展卡尔曼滤波算法的基础上,推导了扩展卡尔曼粒子滤波算法的实现过程;根据估计结果建立了剩余飞行时间计算模型,在剩余飞行时间表达式中考虑了目标机动加速度的影响;仿真结果表明,基于机动目标当前统计模型的扩展卡尔曼粒子滤波算法对闪烁噪声测量条件下的机动目标具有良好的跟踪性能,对剩余飞行时间具有较高的估计精度。     

基于自适应卡尔曼滤波的机动目标跟踪算法

在机动目标跟踪过程中,由于目标运动的不确定性,雷达系统接收的数据存在噪声,使预置目标运动模型通常很难得到较高的跟踪精度。为此,以自适应卡尔曼滤波为基础,将直角坐标系和球坐标系相结合,提出了一种混合坐标系下的自适应卡尔曼滤波算法。算法避免了两个坐标系变换引起的噪声统计规律变化问题,并针对目标发生大机动运动的情况,自适应的调整动态模型中机动目标运动参数。蒙特卡洛仿真结果表明,改进算法的收敛速度和对状态的估计精度均得到优化,并对机动目标具有较好的跟踪性能。     

一种改进的强机动目标跟踪方法

为提高目标在强机动情况下的跟踪精度,更好地实现目标跟踪,在当前统计模型和卡尔曼滤波算法的基础上提出改进的目标跟踪方法。分析了当前统计模型,归纳出在目标弱机动和强机动情况下的优点及不足。进行强机动检测,以此判断目标的机动水平;将渐消因子引入卡尔曼滤波器,减少陈旧数据的影响,充分体现当前机动状态;在算法中在线辨识各项参数,并根据机动水平自适应地调整。仿真结果表明,改进的方法在弱机动时保持了当前统计模型的跟踪性能,而在强机动时拥有更高的跟踪精度。     

基于改进当前统计模型的自适应无源跟踪算法

针对无源跟踪中,标准当前统计模型无法自适应调整加速度极限值的缺点,设计了一种修正系数来通过机动目标的当前加速度自适应调整模型的加速度极限值,同时利用模糊控制的方法对修正系数的取值进行实时调整,实现了对当前统计模型的改进。最后结合容积卡尔曼滤波算法构造基于改进当前统计模型的自适应无源跟踪算法。仿真结果表明,相比基于标准当前统计模型的自适应跟踪算法,新算法对非机动目标、弱机动目标以及强机动目标都有更好的跟踪效果。     

基于量测迭代更新集合卡尔曼滤波的机动目标跟踪算法

在机动目标跟踪中,用于模型辨识和状态估计的非线性滤波器的合理选择和优化是提升滤波精度的关键.融合量测迭代更新集合卡尔曼滤波和交互式多模型(interacting multiple models,IMM)方法,本文提出了基于量测迭代更新集合卡尔曼滤波的机动目标跟踪算法.通过迭代更新思想的引入构建了一种量测迭代更新下集合卡尔曼滤波的实现结构,并将其作为IMM的模型滤波器实现对于目标运动模式和状态的辨识与估计.针对算法结合过程中滤波精度和计算量的平衡,设计了用于输入交互环节的状态估计样本,同时简化输入交互环节和输出交互环节中滤波误差协方差矩阵的交互过程.理论分析和仿真结果验证了算法的可行性和有效性.     

最大加速度未知的“当前”统计模型机动目标跟踪

分析了“当前”统计模型机动目标跟踪算法的性能对目标机动加速度最大值的依赖性,但是由于在实际中目标机动加速度的最大值往往是未知或不能准确已知的,所以为了克服“当前”统计模型的这一不足之处,采用协方差匹配和多级白噪声自适应滤波算法的思想,提出了一种“当前”统计模型在最大加速度未知情况下的机动目标跟踪新算法。对三种典型的机动目标运动形式进行了Monte-Carlo仿真研究,结果表明新算法对于解决机动目标跟踪问题非常有效。     

机动检测算法特性分析仿真研究

机动检测算法是机动目标跟踪中重要环节,对机动目标跟踪的快速性具有重要影响.针对机动目标跟踪的典型检测器,采用卡尔曼滤波算法,基于新息残差向量来描述三种典型的机动检测器,通过蒙特卡洛仿真的方法,对每种检测器进行仿真计算,详细地分析每种检测器的特点和性能.仿真结果表明检测器B性能最稳定,结果最可靠,通过适当调整滤波中的状态误差方差Q,观测误差r,及滤波估计误差方差矩阵的初始值使得滤波器可以更准确地跟踪机动目标,具有一定的参考价值和指导性意义.     

Probability hypothesis density filter based on strong tracking MIE for multiple maneuvering target tracking

Taking into account the difficulties of multiple maneuvering target tracking due to the unknown target number and the uncertain acceleration, a novel multiple maneuvering target tracking algorithm based on the Probability Hypothesis Density (PHD) filter and Modified Input Estimation (MIE) technique is proposed in this paper. First, the unknown acceleration vector is added to the target state to form a new augmented state vector. Then, strong tracking filter multiple fading factors are introduced to the MIE method which can adjust the prediction covariance and the corresponding filter gain at different rates in real time, so that the MIE method can adaptively track high maneuvering targets well. Finally, we combine this adaptive MIE method with the PHD filter, which can effectively track multiple maneuvering targets without much prior information. Simulation results show that the proposed algorithm has a higher tracking precision and a better real-time performance than the conventional maneuvering target tracking algorithms.     

一种基于切换模型的快速机动目标跟踪算法研究

根据二维空间内目标作匀速转向运动的特点,提出一种基于航向变化的目标加速度实时估计方法,并在此基础上采用采样卡尔曼滤波器对该机动目标进行跟踪．仿真结果表明,该方法不仅能够检测出目标机动开始时刻和终止时刻,而且还能近似估计出快速机动目标的加速度大小,与扩展卡尔曼滤波器相比,采样卡尔曼滤波器具有较好的跟踪精度．     

强跟踪输入估计概率假设密度多机动目标跟踪算法

针对多机动目标跟踪中,目标数目未知及加速度不确定的问题,提出一种强跟踪输入估计（modifiedinputestimation,MIE）概率假设密度多机动目标跟踪算法．在详细分析算法的基础上,通过引入强跟踪多重渐消因子,以不同速率实时调节滤波器各个通道的预测协方差及相应的滤波器增益,从而实现MIE算法对加速度未知或发生人幅度突变的机动目标白适应跟踪能力;并将该算法与概率假设密度滤波算法有效结合,町以较好地跟踪未知数目的多机动目标．仿真结果表明,新算法比传统的多机动目标跟踪算法具有更岛的跟踪精度,且具有较好的实时性．     

基于卡尔曼自适应滤波算法的机动目标仿真研究

卡尔曼滤波理论在目标跟踪中得到成功的应用,但是在目标各种运动状态下仅利用卡尔曼滤波很难具有良好的跟踪性能。介绍了几种自适应卡尔曼滤波算法,对基于"当前"统计模型的卡尔曼自适应滤波算法在目标跟踪领域进行仿真,验证了卡尔曼自适应滤波算法的可靠性。     

单被动传感器BOT鲁棒跟踪算法研究

对系统建立了仅有角度测量信息的单传感器跟踪(BOT)模型和算法,从机动目标鲁棒跟踪的角度给出了单传感器仅有角测量信息时的状态估计方法.BOT的状态估计采用修正增益扩展卡尔曼滤波器(MGEKF),目标加速度采用周期递推估计.该算法的模型简单、无噪声假定、无模型切换,并对目标机动具有良好的自适应能力.仿真结果验证了该方法的有效性.     

改进的CS-UKF加速度方差自适应跟踪算法

针对基于当前统计模型的状态噪声协方差阵中的加速度方差调整方法对一般机动目标、非机动目标跟踪精度差的问题,研究其改进方法;在建立机动目标当前统计模型离散状态方程和雷达导引头离散观测方程的基础上;利用雷达导引头测量信息和位置预测值之间的扰动对加速度方差进行调整,提出了改进的加速度方差自适应调整无迹卡尔曼滤波跟踪算法;数字仿真验证了该算法对非机动目标、一般机动目标以及高机动目标均具有良好的跟踪效果。     

基于UKF的超视距雷达跟踪算法研究

天波超视距雷达跟踪目标时电磁波是通过电离层的折射传播的,因而导致在地理坐标系下的量测方程中存在强非线性,而采用传统的EKF（Extended Kalman Filter）实现的跟踪算法,在非线性方程的线性化中舍去了含强非线性的二阶以上的高阶项,导致目标的跟踪精度较低;提出采用UKF（Unscented Kalman Filter）方法处理超视距雷达系统在跟踪算法中的强非线性问题.UKF算法有效降低了非线性方程中的舍入误差,可确保三阶以上的精度.仿真结果表明UKF滤波算法较EKF算法提高估计精度.     

高斯混合交互式多模型容积信息滤波算法

针对机动目标跟踪中由于目标机动使系统的非线性强度增大,导致系统的线性误差增大和跟踪精度明显下降、甚至发散的问题,提出了基于高斯混合的交互式多模型容积信息滤波（ GMIMM-CIF）算法,实现对机动目标的精确跟踪。新算法在每次输入交互之后,保留概率较大的几个假设,并利用一个高斯混合项替换最优多模型算法中剩余的假设,从而使算法中假设的数量保持恒定;用容积信息滤波器（ CIF）代替传统的非线性滤波器,通过估计信息状态向量和信息矩阵而不是估计状态向量和协方差,可以减小系统的非线性误差。通过仿真对比实验,验证了该算法可以提高机动目标的跟踪精度。     

基于IMM-UKF的纯方位机动目标跟踪算法

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,本文在多站纯方位跟踪的基础上,把Unscented卡尔曼滤波(Unscented Kalman filter,UKF)引进到交互多模型算法(Interacting multiple model,IMM)中,设计了交互多模型UKF滤波算法,克服了EKF中引入的较大线性化误差对机动目标跟踪算法性能的影响.最后将该算法与扩展卡尔曼滤波(EKF)、IMM-EKF算法进行了比较,仿真结果表明:IMM-UKF 算法增强了EKF滤波器的稳定性,提高了滤波收敛速度和跟踪精度.     

带二次约束的容积卡尔曼目标跟踪算法

为了提高对带约束目标的跟踪精度,提出了一种带二次约束的容积卡尔曼目标跟踪算法。使用容积卡尔曼滤波得到当前时刻后验估计,通过将系统二次约束作为测量方程引入系统,对后验估计进行修正,最后采用仿真实验对算法性能进行测试。实验结果表明,相对于传统的约束卡尔曼滤波算法,在同等条件下,该算法提高了目标跟踪精度,并且稳定性更强。