Extended target tracking based on CPHD with Gaussian process regression

In view of the complexity of estimating the shape of extended targets and the low accuracy in multiple extended target tracking in the clutters and missed detections, a Gamma Gaussian-mixture cardinalized probability hypothesis density filter with Gaussian Process Regression which can adaptively estimate the shape of the extended targets is proposed. First, the extension of targets is modeled as a star-convex model, and on the basis of good estimation performance for the motion state with the Gamma Gaussian-mixture cardinalized probability hypothesis density filter, the Gaussian Process Regression is used to estimate the shape of extended targets, thus achieving the purpose of tracking the extended target. Simulation shows that the proposed algorithm outperforms the Gamma Gaussian-mixture cardinalized probability hypothesis density filter based on the star convex random hypersurface model in estimation precision and computing speed.     

一种多机动目标协同跟踪的博弈论算法

针对传感器网络中的动态跟踪问题,提出一种基于博弈论的多机动目标协同跟踪算法.首先利用交互多模型扩展粒子滤波估计网络中每个机动目标的状态;然后以滤波过程中获得的目标信息增益为衡量标准,促使跟踪精度未达系统要求的目标的代理发起谈判,在保证谈判双方利益最大化的前提下,通过博弈为谈判发起者争取更多的传感器对其所代表的目标进行跟踪.仿真结果表明,在非线性非高斯环境下,该方法与传统方法相比能够有效提高跟踪精度,动态分配传感器资源以实现协同跟踪.     

一种新的高超声速目标跟踪算法

针对高超声速目标飞行速度快、机动能力强,而经典跟踪模型难以准确描述目标机动时加速度动态特性的问题,提出了一种改进的交互式多模型跟踪算法.该算法引入参考加速度概念,可较准确地描述目标运动特性,并实时结合目标机动的先验信息和动态信息.仿真结果表明,所提出的方法在跟踪高超声速目标时,具有快速收敛、均方根误差小、跟踪精度高的特点,相比Singer-IMM算法,具有更强的适应性.     

Adaptive Sampling for Near Space Hypersonic Gliding Target Tracking

For modern phased array radar systems, the adaptive control of the target revisiting time is important for efficient radar resource allocation, especially in maneuvering target tracking applications. This paper presents a novel interactive multiple model (IMM) algorithm optimized for tracking maneuvering near space hypersonic gliding vehicles (NSHGV) with a fast adaptive sampling control logic. The algorithm utilizes the model probabilities to dynamically adjust the revisit time corresponding to NSHGV maneuvers, thus achieving a balance between tracking accuracy and resource consumption. Simulation results on typical NSHGV targets show that the proposed algorithm improves tracking accuracy and resource allocation efficiency compared to other conventional multiple model algorithms.     

辐射源机动目标被动式鲁棒跟踪一种算法

为研究只测向目标跟踪系统在观测噪声为ε污染高斯分布背景下的辐射源机动目标鲁棒跟踪问题,提出一种简易而有效的变结构鲁棒跟踪算法。该算法由机动目标快速鲁棒检测器、变结构跟踪器（鲁棒MGEKF／PLKF）以及系统误差补偿等环节组成,能够在ε污染高斯分布背景下快速鲁棒检测和跟踪辐射源机动目标,同时根据系统误差特征可实时补偿系统跟踪误差。仿真结果表明,该算法能够有效解决辐射源机动目标鲁棒跟踪问题。     

仅有角测量系统鲁棒跟踪研究

传统的仅有角测量跟踪器不能跟踪机动目标。为此作者在「２」中提出了跟踪机 仅有角测量系统。在文「２」基础上本文提出了新的变结构鲁跟踪算法，解决了令有角测量系统鲁棒跟踪机动目标问题，该系统由机动目标检测，噪声污染模型以及鲁棒跟踪器构成。最后应用本结果提出了仅有角测量系统鲁棒制导规律，给出了纺真计算结果。     

一种用于机动目标跟踪的多模型最小二乘方案

本文提出了描述运动目标的时间原点滑动多项式数学模型，并在此模型基础上，推导出用于目标跟踪的简化最小二乘算法．为适用于机动目标跟踪，选取了一个跟踪检测信号，确定出一套多模型滤波与预报策略．本文论述的方案的突出优点是计算量比卡尔曼滤波小得多，有利于实时实现．蒙特卡罗仿真结果说明该方案是一种适用于机动目标跟踪的优选方案．     

量测划分的PHD航迹关联算法

高性能空中机动目标跟踪是现代预警雷达的核心任务之一.为了提高概率假设密度(PHD)滤波器的多目标跟踪性能,提出了一种基于量测划分的PHD航迹关联算法.考虑到传统PHD滤波无法给出目标各自的航迹属性信息,而且当跟踪区域存在大量杂波时,滤波效率严重降低;同时,对于密集邻近多目标跟踪,传统方法还存在不同目标跟踪的量测不匹配问题.针对上述问题,提出了分类检索的椭球门限量测划分方法,并将其应用到改进的高斯项权值重新分配的PHD航迹关联算法中,首先对每一步得到的量测集合通过分类检索的椭球门限方法,划分为已存在目标、新生目标和杂波的量测子集,再分别对各类目标使用对应的量测子集进行跟踪滤波,这样去除了杂波对真实目标的无效更新计算,提高了航迹关联算法的计算效率;其次,通过引入一种新的权值分配规则,调整邻近目标的高斯成分的权值大小,大幅减小了邻近目标的状态提取误差,提高了相邻目标的跟踪估计精度.大量数值仿真表明,所提方法明显改进了滤波计算效率和邻近目标跟踪精度.     

基于交互式当前统计模型的变采样率跟踪算法

针对相控阵雷达跟踪机动目标时当前统计模型采用固定机动频率和机动加速度上限而难以适应多种目标机动环境,提出了基于交互式当前统计模型的变采样率跟踪算法．该算法将多个当前统计模型作为交互多模型框架下的模型组成,然后根据各模型相关过程噪声值合成计算雷达的采样间隔,实现变采样率跟踪,提高了适应目标机动的能力和跟踪精度．仿真结果表明,本文算法的跟踪性能明显优于基于Singerk模型的变采样率跟踪算法．     

一种模糊推理强机动目标跟踪新算法

针对机动目标状态估计算法对强机动目标跟踪性能下降,甚至发散的问题,在机动目标状态估计算法基础上引入模糊推理多重修正因子,提出一种新的强机动目标自适应跟踪算法.采用残差统计距离和目标机动加速度的2-范数作为模糊输入量,自适应地计算出多重修正因子来实时调节预测协方差.该算法保留了对一般匀速或弱机动目标的高精度跟踪性能,同时增强了滤波器对强机动目标的自适应跟踪能力.仿真结果表明,新算法提高了对强机动目标的估计精度,加快了跟踪的收敛速度.     

模糊化模型概率的IMM-SUPF机动面目标跟踪

为了提高跟踪系统对水面机动目标的跟踪能力,本文将水面目标建模为椭圆形面目标,提出一种基于交互多模型(interacting multiple model, IMM)算法的机动面目标跟踪方法。首先,利用现代高分辨率雷达获得的面目标扩展测量,给出了基于面目标的跟踪测量方程。其次,将强无迹粒子滤波(strong unscented particle filter, SUPF)算法引入到IMM中得到IMM-SUPF。该SUPF利用强跟踪无迹卡尔曼滤波(strong tracking unscented Kalman filter, STUKF)产生粒子建议分布。由于STUKF采用渐消因子调整UKF的状态模型协方差和观测模型协方差的比例,使得建议分布更符合真实状态的后验概率分布,从而提高了IMM算法中子模型滤波器的估计精度。最后,基于模糊隶属度函数对粒子的模型概率进行模糊化,从而在提高真实模型滤波器中粒子模型概率的同时减小非匹配模型滤波器中粒子模型概率,进而提高了IMM算法的估计融合精度。Monte-Carlo仿真实验表明,相比于传统的基于质点目标的IMM-UPF算法,文中所提的基于面目标的IMM算法跟踪精度更高,且所提算法的误差超调量更小,收敛更快。此外,所提面目标IMM算法的跟踪精度也要高于面目标IMM-UPF算法。针对水面机动目标跟踪问题,不同于传统的质点目标IMM算法,文中将水面目标建模为椭圆形面目标,并利用面目标扩展测量信息设计了模糊化模型概率的IMM-SUPF算法。该算法进一步提高了跟踪系统对水面机动目标的跟踪能力。     

Tracking Algorithm Based on Improved Interacting Multiple Model Particle Filter

一种改进的交互多模粒子滤波跟踪算法

冯海林,郭娟丽

（西安电子科技大学 数学与统计学院,西安 710126）

创新点说明：

1）针对闪烁噪声建立一种新的模型,即混合高斯噪声模型。已有文献中都是使用高斯白噪声模型,这不符合实际问题中涉及到的闪烁噪声的特点,而本文所建立的混合高斯噪声模型能更准确地描述闪烁噪声的拖尾性,这是本文的创新点之一。

2）在粒子滤波中重要性密度函数的选取上做了改变。本文以观测似然函数作为重要性密度函数,并建立其与观测噪声之间的联系。这解决了传统粒子滤波中粒子抽样的困难,而且这样做最大的好处是能用到最新观测信息,降低粒子退化问题。这是本文的创新点之二。

3）文献[14]中交互多模粒子滤波不能很好地处理闪烁噪声问题,文献[18]中改进的处理闪烁噪声的粒子滤波不能较好地解决目标机动问题。本文第三个创新点是结合交互式多模型算法和本文改进了重要性密度函数的粒子滤波,从而解决闪烁噪声环境中的机动目标跟踪问题。据我们所了解到的文献,这方面的工作几乎没有。这也是本文在目标跟踪问题中的一个尝试。

研究目的：

解决闪烁噪声环境中机动目标的跟踪问题。

研究方法：

1）理论方法：状态估计方法;贝叶斯估计方法。

2）试验方法：蒙特卡罗重要性抽样方法,重采样方法。

3）主要设备：计算机。

研究结果：

在闪烁噪声存在的条件下,即使目标发生机动,通过此算法也能对其进行较为准确地跟踪,即对目标在每一时刻的状态都能做出估计。

结论：

仿真实验表明,本文算法对闪烁噪声环境中的机动目标进行跟踪的结果比已经存在的一些算法更加准确,跟踪精度更高,误差更小,且算法具有较强的鲁棒性和较快的收敛速度,符合对闪烁噪声中的机动目标跟踪的期望。

关键词：观测噪声,交互式多模型,目标跟踪,粒子滤波

     

当前统计概率数据关联算法

目标跟踪领域的一个研究重点是如何解决在密集杂波环境下机动目标的跟踪问题。机动目标跟踪的关键是解决目标模型的不确定性,而密集杂波环境则使这个问题变得更加复杂。针对这一问题,提出一种当前模型概率数据互联算法。该算法将当前模型算法与概率数据互联相结合,在使用概率数据互联算法的同时,利用当前模型算法对目标出现的机动进行自适应滤波。最后,给出了算法的仿真分析,仿真结果说明该方法能够有效地跟踪杂波环境中的机动目标。     

雷达网目标速度向量测量及其在跟踪中的应用

研究了组网雷达系统中利用多站对目标的距离观测值和Ｄｏｐｐｌｅｒ速度观测值稳妥 算目标三维速度向量的方法,指出了目标速度向量在机动目标跟踪中的应用。给出了位置－速度分别相关算法,并进行了仿真计算,计算结果表明,该方法能较成功地解决多目标及杂波环境中的相关模糊问题。     

面向机动目标跟踪的多传感器长时调度策略

为解决杂波环境下机动目标跟踪以及系统辐射风险控制的问题,提出了一种面向机动目标跟踪的多传感器长时调度策略.该方法首先以交互式多模型和概率数据关联算法为基础,估计杂波环境下机动目标跟踪精度.然后以辐射度影响量化辐射代价、推导有限时域内辐射代价,以后验克拉美-罗下界衡量目标跟踪性能、预测机动目标有限时域内后验克拉美-罗下界.最后,引入传感器切换代价,考虑跟踪精度约束,建立基于代价函数和后验克拉美-罗下界的多传感器长时调度策略,并将该约束调度问题转化为决策树优化问题,采用阈值剪枝搜索技术求解最优策略.仿真结果表明:该方法验证了所提策略的有效性,与标准代价搜索相比,所提搜索算法能够以辐射风险略上升为代价,显著降低节点打开数、加快搜索空间;与随机调度、最近调度和贪婪调度相比,所提调度策略能够在满足跟踪任务需求下获得更低的辐射代价;与随机调度和贪婪调度相比,所提调度策略切换代价更低,有效克服了传感器频繁调度问题,更利于实际实现.     

Adaptive Track Predicting Control for Target Tracking Control Systems

The target trackingsystemis widely usedin mil-itary andindustry,such as radar track and uncertainrobot manipulators.It’s difficult to realize high pre-cision real-ti me trackingto a maneuveringtarget.Formaneuvering target,its motion direction,velocityand acceleration are uncertain,it requires that theservo system must have fast response.For commonoutput feedback control system,the hysteresis alwaysexists between the input and output because anyphysical actuator needs a period of response ti m…     

一种带径向速度量测的Jerk-EKF机动目标跟踪算法

为了提高机动目标跟踪精度,在基于Jerk模型的扩展卡尔曼滤波算法(Jerk-EKF)基础上,提出了一种带径向速度量测的扩展卡尔曼滤波算法(Jerk-EKFrv).该算法通过引入径向速度量测扩充了量测矩阵的维数,然后利用展开泰勒级数的一次项,解决量测方程中状态向量和量测向量的非线性问题,最后采用卡尔曼滤波算法对目标状态进行估计.对Jerk-EKF和Jerk-EKFrv算法的仿真结果表明,Jerk-EKFrv算法能够有效提高机动目标的跟踪精度.     

Maneuvering target track-before-detect method using dynamic programming

The maneuverability coverage of the traditional dynamic programming track-before-detect (DP-TBD) algorithm is limited to the range of the default valid state transitions. To overcome the above limitation, a novel DP-TBD algorithm suitable for maneuvering targets is proposed. By means of state transitions optimizing, the efficiency of the status searching for the maneuvering target is improved, and the searching range is extended. Through transfer speed weighting, the energy accumulation can be carried out according to the target motion tendency. Without altering the input parameters, the proposed method can detect targets with both strong and weak maneuverability. The performance of the proposed algorithm and that of the traditional method are compared through simulation experiments. The applicability of the algorithm is verified by real measured data.     

一种改进的群目标自适应跟踪算法

为提高对群目标在机动情况下的跟踪性能,提出一种改进的群目标自适应跟踪算法．在群质心状态估计中,在修正“当前”统计模型的基础上,利用群质心的速度预测和速度估计的偏差进行过程噪声方差自适应调整,并引入强跟踪滤波中的渐消因子,实时调节群质心的状态预测协方差．在扩展状态估计中,将其对应的椭圆面积预测值和估计值的偏差以及偏差变化率作为模糊输入量,采用模糊推理法自适应输出扩展状态的预测参数．此外,提供了群目标分裂机动的判决方法．仿真结果表明,与现有方法相比,本文算法增强了对群目标在突发机动时的自适应跟踪能力,并能有效检测出群的分裂机动．     

群目标跟踪自适应IMM算法

为提高对机动群目标在高量测误差下的跟踪性能,提出了一种自适应IMM群目标跟踪算法.首先,在群质心状态估计中,引入带有多重次优渐消因子的强跟踪滤波算法,提高机动阶段时对群质心状态估计的精度.其次,在扩展状态估计中,考虑量测精度对于扩展状态的影响,将量测误差和扩展状态同时纳入到量测似然函数的构建中,应用新息计算和渐消记忆迭代过程自适应更新量测误差协方差矩阵.最后,通过quasi-Bayesian方法自适应更新模型转换概率,利用量测数据修正模型转换概率,抑制非匹配模型作用,放大匹配模型作用,实时匹配跟踪模型与目标运动状态.仿真实验结果表明,该方法有效提高了对群质心状态和扩展状态的估计精度.