基于CKF的自适应网格交互式多模型

针对非线性系统中的目标跟踪问题,在机动转弯模型的基础上提出容积卡尔曼滤波(CKF)与自适应网格(AG)思想相结合的变结构多模型(VSMM)算法,即基于CKF的自适应网格交互式多模型算法(CKF-AGIMM)。该算法将CKF作为滤波器,利用网格中心和网格最小间距的调整对转弯模型集进行自适应变化以有效跟踪目标。与基于容积卡尔曼滤波的交互式多模型算法(IMMCKF)进行了仿真对比。实验结果表明,在未增加运行时间的情况下,该算法相比于IMMCKF算法有更高的跟踪精度与稳定性。     

基于IMM—UKF的转弯机动目标跟踪

针对目标作转弯机动时产生运动模式的不确定性和运动模型的非线性问题,提出基于Unscented卡尔曼滤波器的交互多模型算法.该算法采用带有极坐标系速度的转弯模型和二维Singer模型作为模型集,将Unscented卡尔曼滤波取带传统的扩展卡尔曼滤波解决转弯模型的非线性,同时在模型交互时使用Unscented变换取代雅可比矩阵解决目标状态转换时的非线性.通过Monte-carlo仿真表明,与标准交互多模型方法相比,基于Unscented卡尔曼滤波器的跟踪算法具有很好的跟踪性能.     

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。     

基于ATUKF的地面动目标跟踪算法

地面动目标运动速度较小,且运动模型随着道路实时变化,在远距离前提下机载雷达如何对地面动目标进行精确跟踪已成为亟待解决的难题。针对该问题,文中提出了一种自适应转弯无迹滤波算法。首先,通过推导目标位置、速度与转弯率的关系,并将其作为状态变量进行自适应更新,提高了跟踪模型准确性;其次,引入无迹变换的思想,有效减小非线性估计误差。仿真实验表明,所提算法的位置和速度均方根误差均小于传统的Singer和交互式多模型算法,为地面动目标精确跟踪提供了一种新的思路。     

一种改进的IMMPF目标跟踪算法

对多运动模型的目标进行跟踪,通常采用传统的交互式多模型粒子滤波算法。但是,该算法存在一些缺陷和不足。为此,提出了一种新的基于变速率模型和遗传算法的IMMPF目标跟踪算法。针对IMMPF算法对目标进行跟踪时可能出现的未知可变转弯速率,采用了一种更恰当的可变速率目标模型;对于IMMPF算法中的粒子多样性丧失问题,则将进化理论中的遗传算法引入到目标跟踪算法中,对采样进行优化,增加了采样粒子的多样性,使采样向后验分布取值较大的区域移动。仿真结果表明,提出的算法能更好的适应目标的机动运动,同时明显减少所需的采样数,取得了更好的跟踪性能。     

隐马尔科夫模型修正的交互多模跟踪算法

针对交互式多模型目标跟踪算法中模型转移概率固定对跟踪精度造成的影响,提出了一种隐马尔科夫模型修正的模型转移概率自适应交互多模跟踪算法。该算法通过对跟踪过程建立隐马尔科夫模型,采用Viterbi 算法求解修正系数,在检测到目标运动发生机动性变化时,将修正系数用于交互式多模型算法以达到实时调整模型转移概率的目的。仿真结果表明,该算法的跟踪结果优于传统的交互式多模型算法,具有很好的稳健性、实时性,有效降低了主观因素对跟踪精度造成的影响。     

融合粒子滤波与交互多模的单站被动定位算法

融合交互式多模型和粒子滤波算法提出了一种新的单站被动定位算法.该算法采用多模型结构,各模型匹配粒子滤波算法,从而适用于非高斯系统噪声、非线性量测方程条件下,具有任意运动轨迹的目标跟踪问题.各模型粒子经过输入交互,充分体现交互式多模型优点.粒子滤波的重要密度函数采用UKF方法产生,使得较少的粒子即可更加接近系统状态的真实后验概率,从而减少了运算量.仿真结果表明:本文新算法性能明显优于标准交互式多模型算法,具有一定的工程实用价值.     

基于一种改进IMMJPDA算法的地面目标跟踪

对地面多目标的跟踪,由于地面目标的高机动性、杂波密集特点以及运动不确定性,交互式多模型联合概率数据关联无疑是一种好的跟踪算法,但是该算法需对与可行联合事件相对应的矩阵进行拆分,随着目标个数的增多,计算量会呈指数增长。为此提出一种基于模糊多门限的交互式多模型联合概率数据关联算法,该算法利用量测与目标的关联概率来替代可行联合事件概率的计算。Monte Carlo仿真结果显示了该算法在现实运动中的可行性和方便性。该算法减少了计算量,又改善性能,利用多模型特点解决了地面目标的高机动性所带来的运动模型匹配问题。     

适于无源阵列跟踪机动目标的IMM-PF算法

针对无源阵列对机动目标跟踪效果较差的问题,在融合交互式多模型和粒子滤波方法的基础上,提出了一种基于粒子滤波的交互多模型(IMM-PF)算法.该算法采用多模型结构以跟踪目标的任意机动;各模型采用粒子滤波算法,以处理非线性、非高斯问题.各模型中相对固定数目的粒子群经过相互交互、粒子滤波后再进行重抽样以减少滤波退化现象.与典型的交互式多模型算法(IMM-KF)进行了比较,计算机仿真结果证实了新算法的正确性和有效性.     

角速度估计自适应的IMM三维目标跟踪算法

为了解决三维空间内的机动目标跟踪问题,提出一种基于常速模型和带约束常速率协同转弯模型(CSCT模型)的交互式多模型算法;同时为了解决目标的机动不确定性问题,针对CSCT模型提出一种类似卡尔曼滤波的方法实时精确地估计目标转弯角速度。综合考虑目标角速度的估计值和估计方差,提高目标跟踪的收敛速度,尽可能地减小滤波角速度与机动目标真实角速度之间的误差,最终明显提高了目标跟踪精度。Monte-Carlo 200次仿真结果表明了该算法在性能上有明显提升,对三维机动目标跟踪效果显著,并证实了该方法的实用性。     

基于Kalman的滤波目标精确跟踪技术研究

阐述了基本kalman滤波方法,讨论了针对非线性系统应用的kalman滤波方法的改进形式EKF、UKF。为了增进UKF运算效能,提出了引入衰减系数的滤波形式DCUKF。针对二维平面非匀速运动的目标的精确跟踪定位系统,仿真对比分析了EKF、UKF及DCUKF的滤波计算效果。结果表明DCUKF有更好的滤波效果。     

用于非线性机动目标跟踪的新型IMM算法

针对在非线性机动目标跟踪中存在的滤波器易发散、机动检测有延迟等问题,把Unscented Kalman Filter(UKF)引进到交互多模型算法(IMM)中,设计了交互多模型UKF滤波器。并利用目标运动模型集概率的相对变化率设计了自适应交互多模型UKF滤波器,最后进行了计算机仿真。蒙特卡罗仿真结果表明,两种滤波算法都具备UKF滤波器精度高、稳定性好、不易发散的优点,同时不需了解目标机动的先验信息,适合于实际应用;并且自适应交互多模型UKF滤波器具有更好的跟踪效果。     

一种新的基于粒子滤波的多模型跟踪算法

粒子滤波技术通过非参数化的蒙特卡罗模拟方法实现递推贝叶斯滤波,适用于非线性目标运动模型、非线性传感器测量模型和非高斯噪声的目标跟踪。但需已知目标和量测模型,而实际情况往往难以满足此条件。交互多模型算法(IMM)依据各模型对目标前一时刻状态估计的方差,确定各模型在当前时刻状态下存在的概率,利用各模型对目标状态估计的加权和,确定目标的状态。本文采用粒子滤波代替IMM算法中各模型的Kalman滤波,将粒子滤波与IMM的优点相结合。同时,采用UKF(UnscentedKalmanFilter)产生粒子,由于考虑了当前量测,使得粒子的分布更加接近后验概率分布,用较少的粒子就可以逼近目标的真实状态。仿真实验结果表明,本算法可用于标准IMM算法无法实现跟踪的复杂情形,而且使用的粒子数目仅是同类算法的二十分之一。     

交互式多模型机动目标跟踪方法的仿真

分析和研究利用CV模型和CA模型交互、CV模型和Singer模型交互、CV模型和“当前”统计模型交互分别对单机动目标进行跟踪。通过大量的计算机模拟仿真，比较了不同的模型组合在各种参数情况下的滤波性能，并且比较其和卡尔曼滤波（Singer模型）性能的优劣性，得出了一些有意义的结论。     

交互式多模型在警戒类雷达跟踪中的应用研究

用CV模型、CA模型、Singer模型以及"当前"统计模型两两交互的多模型算法来处理某警戒雷达的两条航迹,并且把其仿真得出的一系列结果与目前常用的处理航迹滤波的Kalman(Singer模型)算法进行比较。研究了对不同的飞行轨迹选择什么样的模型组合可以最大提高滤波的精度,讨论了模型的优选问题。     

改进UKF算法及其目标跟踪性能研究

研究了Unscented变换的基本原理及UKF算法。为了降低跟踪系统计算的复杂性,在Unscented变换中,通过引入单位矩阵,以简单的数值计算取代复杂的矩阵分解求解矩阵平方根的过程,把UKF改进为FMSRUKF。通过对三维坐标系下作变加速运动目标的跟踪仿真,结果表明FMSRUKF有更好的精度和鲁棒性。     

一种改进的多普勒雷达跟踪算法

多普勒雷达能够获得目标位置量测的同时,还能获得多普勒量测,即目标径向速度.为解决多普勒雷达量测处理算法过程复杂、计算量大的问题,本文提出一种用不敏卡尔曼滤波处理多普勒量测的改进方法对多普勒雷达量测直接在混合坐标系下进行非线性滤波,实现过程简单,计算量小.仿真结果表明该算法能够达到序贯扩展卡尔曼滤波和序贯不敏卡尔曼滤波算法的状态估计精度,并且明显改善估计的一致性.     

基于UKF算法的双机协同无源跟踪

针对单机对目标被动定位跟踪不具有完全可观测性,建立了双机协同探测定位跟踪模型,利用双机探测到的目标方位角和俯仰角,结合非线性滤波算法估计出目标的位置和速度参数。为解决传统的非线性滤波误差比较大、容易发散的问题,引入无迹卡尔曼滤波(UKF)算法。仿真实验表明,与扩展卡尔曼滤波相比较,UKF能更好地解决量测方程的非线性问题,滤波效果更好。     

IMM-UKF在光电经纬仪实时数据处理中的应用

飞行试验中,异常值是影响光电经纬仪激光测距精度的主要问题。能否准确地剔除异常值,成为试验结论是否正确的首要条件。通过分析无迹卡尔曼滤波UKF和交互多模型IMM的原理及数学模型,提出了可应用于光电经纬仪实时数据处理的改进算法———交互多模型的无迹卡尔曼滤波算法(IMM-UKF),在此基础上给出了算法数学模型,最后通过飞行试验验证了该算法的工程实用性。试验结果表明,该算法有效去除了激光距离中的异常值,提高了估计精度及算法稳定度。     

混合卡尔曼滤波在外辐射源雷达目标跟踪中的应用

为了提高无迹卡尔曼滤波(UKF)中误差协方差矩阵的估计精度,该文结合外辐射源雷达目标跟踪模型,提出了一种混合卡尔曼滤波(MKF)算法,首先通过UKF对目标状态进行一次后验估计,然后重新建立一个观测方程,把UKF滤波输出的状态估计值转化为新建观测方程的量测值,并通过线性卡尔曼滤波对状态进行二次最优估计。实验结果表明,与扩展卡尔曼滤波(EKF), UKF相比,MKF明显提高了外辐射源雷达目标跟踪的精度。