基于交互式多模型的机动目标跟踪算法

在军事和民用航空领域，可靠而精确地跟踪目标始终是目标跟踪系统设计的关键。但当目标处于强机动多模型的运动情况下时，在对目标进行状态估计时，单独采用一个模型会受到模型自身局限性的影响使得滤波精度不高，于是有必要采用多个模型描述机动目标的运动状态。基于此，采用交互式多模型滤波算法对目标进行跟踪。仿真结果表明，该算法对机动目标有很好的跟踪效果和较高的跟踪精度。     

机动目标跟踪中的多模型算法

多模型算法经历了从静态多模型（SMM）到交互多模型（IMM）、从固定结构多模型（FSMM）到变结构多模型（VSMM）的发展过程。通过分析FSMM算法的局限性,得出了VSMM算法的优点和使用时机,介绍了变结构多模型的转换算法,同时提出了一种新的VSMM算法——最小子模型集切换算法。     

基于EPF-IMM算法的高机动目标跟踪研究

融合粒子滤波与交互多模算法的优势,提出了一种基于进化粒子滤波的交互多模算法(EPF-IMM)。该算法将遗传进化思想引入到传统的粒子滤波,在粒子迭代中采用遗传算法中的编码、交叉、变异等算子实现粒子的自适应进化且隐含重采样,从而改进其粒子退化现象。然后利用粒子滤波信息,在交互多模型中进行更新运算。既解决了IMM算法对非线性、非高斯环境的适应性问题,又解决了PF的无关联对应模型问题。与标准IMM算法进行高机动目标跟踪性能比较,试验仿真结果表明,EPF-IMM算法的跟踪精度高。     

高机动目标跟踪ATPM-IMM算法

在高机动目标跟踪中,针对标准交互式多模型算法使用固定的转移概率矩阵导致跟踪精度下降的问题,提出了一种转移概率矩阵具备自适应更新的高机动目标跟踪ATPM-IMM算法。所提算法对模型后验概率和转移概率矩阵的先验信息要求不高,既适用于高机动目标跟踪,也适用于弱机动目标跟踪。仿真结果表明,所提算法的滤波精度比现有算法提升了约11%。     

用于机动目标跟踪的多模型算法进展

对多模型算法的发展过程进行了简单的回顾和评述,通过分析固定结构多模型算法的局限性,得出变结构多模型算法的使用时机。     

基于IMMCKF的机动目标跟踪算法

针对非线性机动目标跟踪中滤波器易发散、跟踪精度低等问题,将容积卡尔曼滤波器(CKF)引入到交互式多模型算法(IMM)中,设计了交互式多模型容积卡尔曼滤波算法(IMMCKF)。该算法采用Markov过程描述多个目标模型间的切换,利用CKF滤波器对每个模型进行滤波,将各滤波器状态输出的概率加权融合作为IMMCKF的输出。仿真结果表明,与IMMUKF算法相比,IMMCKF算法跟踪精度更高,模型切换速度更快,计算量更小,该算法具有重要的工程应用价值。     

使用交互多模型算法的高速高机动目标跟踪

对机动目标进行跟踪一直是甚具挑战性的问题,特别是跟踪高速高机动目标在理论上和实践上都有较高的技术难度。现有各种算法在这个问题上均有各自的缺点和不足。该文在现有的运动机动模型和IMM算法的基础上,提出了使用多种机动模型交互的IMM算法进行高速高机动目标跟踪。不同机动模型之间的互补使这种算法克服了使用单一模型的一些问题。使用“当前”统计模型、二级滤波模型和CV模型进行交互是一种可行的高速高机动目标跟踪方案。为验证算法的有效性,进行了Monte Carlo仿真。仿真结果表明,该算法在性能和计算复杂度之间取得了较好的平衡,有很好的可实现性。     

一种新的机动目标跟踪的多模型算法

采用带渐消因子的当前统计模型与匀速运动模型进行交互,设计了一种新的机动目标跟踪的交互式多模型算法。当前统计模型具有对一般机动目标跟踪精度高的特点,通过渐消因子的引入增强了该模型对突发机动的自适应跟踪能力,同时通过与CV模型的交互保证了对非机动目标的跟踪性能。仿真结果表明,在跟踪一般机动目标时,其误差和当前统计模型与CV模型交互的IMM算法相当;在跟踪突发机动目标时,该文算法的误差明显小于当前统计模型与CV交互的IMM算法。     

采用多速率多模型交互实现机动目标的全速率跟踪

多速率模型通过对原始测量结果和目标运动模型进行多分辨分解实现目标高精度跟踪.多模型交互方法则采用一个马尔科夫链控制多个模型交互实现机动目标跟踪.本文给出了一种采用多速率多模型交互方式实现机动目标全速率跟踪的方法,它通过交织多次滤波结果使得跟踪能同时保证高精度和全速率.仿真结果及分析说明了该方法较传统的全速率多模型交互算法获得了更好的跟踪效果.     

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.     

概率强近邻在IMM中的应用

目标的幅度信息在数据关联技术中起着很重要的作用,但传统的方法忽视了对这类信息的应用.提出了一种基于概率强近邻的相互作用多模型算法,有效地将幅度信息引入到数据关联中,完成对目标的精确跟踪.通过仿真,将它与传统的相互作用多模型概率数据关联等算法进行比较.仿真结果表明,该算法不仅具有很好的跟踪精度,而且其计算量也大大降低.     

一种基于IMM的自适应跟踪数据率算法

针对交互式多模型(IMM),提出一种自适应跟踪数据率的算法.该算法利用IMM模型更新概率对各模型产生的采样间隔时间进行混合估计,产生系统的自适应采样间隔时间.在保证跟踪精度的基础上,有效地降低了跟踪采样次数.仿真结果表明了方法的有效性.     

交互式多系统跟踪定位算法

交互式思想在多模型定位中获得广泛应用,但在多系统跟踪定位中应用较少。该文借鉴交互式思想提出交互式多系统跟踪定位算法。该算法利用已获得的估计信息进行系统间定位信息的直接交互,然后进行多系统并行滤波,并利用各系统滤波新息和方差对系统概率进行实时更新,将估计结果按照系统概率加权融合输出。通过跟踪机动目标的仿真实例,可以看出该算法能够根据定位系统的性能及时调整系统概率,有效改善多系统下目标跟踪定位性能。     

改进的交互式多模型粒子滤波跟踪算法

通常的交互多模型卡尔曼滤波(IMMKF)或交互多模型扩展卡尔曼滤波(IMMEKF)对于非高斯问题无能为力;对于非线性问题,其性能不及交互多模型粒子滤波算法(IMMPF)。粒子滤波能够处理非线性/非高斯问题,其与交互式多模型结合用来获得更好的跟踪性能。然而,粒子滤波的主要问题是巨大的计算量,由于粒子滤波通常采用大量的粒子数目,将带来很大的计算负荷。该文提出了一种改进的交互多模型粒子滤波算法,其利用多模型综合使用了卡尔曼滤波和粒子滤波,与常规交互式多模型粒子滤波(IMMPF)相比,大大改善了计算效率。对于非线性/非高斯问题,其性能与IMMPF相当;对于线性问题,其性能与IMMEKF相当,并优于IMMPF的性能。     

基于交互多模型的低空目标跟踪算法研究

研究了基于交互多模型(IMM)的低空目标跟踪问题。分析了低空目标的运动特征,给出了目标匀速(CV)直线、匀加速(CA)直线、曲线飞行航迹模型。在交互多模型(IMM)算法中,采用多种运动模型跟踪低空目标。在所研究的大机动模型情况下,通过多次数据处理优化参数后,统计分析结果表明,该算法滤波后数据误差明显降低,数据精度有较大的提高,能够稳定精确地跟踪低空目标。因此,该低空目标跟踪算法是有效的。     

引入输入估计的交互式多模跟踪算法

 本文融合交互多模算法和修正输入估计算法,提出一种新的全面自适应跟踪算法.利用修正新息序列的方法对输入估计(IE:Input Estimation)算法进行了改进,提高了输入估计的性能.综合不同检测窗长度的修正输入估计(MIE:Modified IE)算法的特点,在交互式多模型中采用不同检测窗长度的MIE作为子滤波器,保持对机动的全面自适应跟踪.仿真实验证明,改进算法与CV-CA模型组成的交互多模算法相比,无论对机动的响应速度还是滤波精度都优于交互多模算法.     

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。     

水下目标的多速率交互多模型跟踪算法

为解决水下机动目标精密跟踪定位的实时性和可靠性问题,根据水下目标运动速度慢、机动性能弱的特点,该文利用小波变换技术实现了模式空间与测量空间的混合滤波,建立了水下机动目标多速率交互多模型跟踪定位算法,给出了多速率常速度和常加速度多模型滤波算法的统一表示形式。仿真试验的结果表明水下目标的多速率交互多模型跟踪算法具有较低的计算复杂度,能够改善水下目标跟踪的可靠性和实时性。