一种水下被动目标纯方位跟踪方法

针对水下被动目标跟踪的非高斯噪声环境和弱可观性的特点,提出了将粒子滤波算法应用于水下被动目标跟踪的思路.该算法直接利用传感器获得的含有噪声的角度数据,通过改进极坐标系下的系统方程得到目标状态的后验概率分布,来估计目标的运动状态.仿真结果表明该算法提高了滤波的稳定性,跟踪精度优于扩展卡尔曼滤波算法和无迹卡尔曼滤波算法.     

基于信息融合的目标图像跟踪

本文通过将图像相关算法和卡尔曼滤波器之间的信息进行融合，得到一种新的目标图像跟踪算法，并对该算法的估值性能进行了深入分析，理论计算和仿真结果表明，该算法较常规相关算法具有更好的鲁棒性和跟踪性能。     

一种新的目标跟踪定位数据融合处理方法

提出了在多传感器目标跟踪中对有效测元逐个融合计算的新方法,它能充分利用测量数据,提高目标跟踪精度。该方法克服了基于卡尔曼滤波方法需要建立统一测量方程的困难,解决了基于非线性优化类的最小二乘方法需要迭代求解、计算量大、很难满足实时计算要求的矛盾。与传统方法相比,该方法物理含义明显、计算简便、精度高,便于工程实现。     

基于改进粒子滤波算法的纯方位目标跟踪

纯方位目标跟踪是一个重要的研究课题。它要解决的问题是:利用含有噪声的方位数据来估计目标的真实运动轨迹。本文提出了一种基于粒子群优化的改进粒子滤波算法。这种算法可以将最新的观测值引入观测估计,提高了预估精度,减少所需的粒子数,从而实现对目标真实运动轨迹更好的跟踪。     

基于UKF与融合的声探测定位与跟踪

无源声探测定位与跟踪是一种非线性系统状态估计问题。为了降低系统的复杂度和提高系统硬件的可实现性,将扩维UKF(Unscented Kalman Filter)应用于多传感器无源声探测定位跟踪。用多声传感器所测的方位角进行交叉定位,建立了扩维UKF无源声探测定位跟踪的状态方程和观测方程。为了提高跟踪精度,采用了一种基于子滤波估计值之间支持度的非等权值融合算法,将UKF子滤波的估计值进行融合得到融合估计值。仿真结果表明,扩维UKF和新融合方式结合的多传感器声探测定位与跟踪的精度高,可以较好地跟踪不规则运动的声目标,具有较大的工程应用价值。     

基于雷达、红外的数据融合算法研究

现代战争中，战场环境复杂，干扰严重，单一模式的武器不能满足要求，多模制导武器可以发挥各自模式的优点，其核心是多传感器的数据融合。文中对主动、红外传感器的数据融合方法进行研究，提出了数据融合的算法。采用加权最小二乘法将观测数据进行融合，将融合结果与前几个时刻融合数据进行拟合得到这一时刻的结果，此方法可充分利用各传感器信息，达到较好的数据融合效果。     

基于图像融合的双波段目标跟踪算法研究

针对红外和可见光图像各自的特点以及单一传感器在目标跟踪中的缺陷,提出了基于双波段融合图像的目标跟踪算法。该方法对原始图像进行小波分解后,为了满足目标跟踪的稳定性及实时性,重点考虑目标跟踪时需要的边缘等细节信息,采用对低频系数取零,高频系数基于小波系数绝对值取大的融合方法,然后对融合后的图像采用基于Mean shift算法进行目标跟踪。实验结果表明,此算法可以稳定并且实时跟踪目标,通过对单波段采用相同的跟踪算法进行比较,算法在性能上优于单波段的目标跟踪。     

基于GA-LSSVM的多信息融合算法

由于在多传感器测控系统中被测系数与相关参数之间存在着非线性关系,提出了一种基于遗传和最小二乘支持向量机（GA-LSSVM）的多信息融合模型及算法,借助其优越的全局最优搜索能力进行参数的优化。这种方法为小样本、非线性、高维数的多传感器信息融合问题的建模提供了一种有效途径。通过对一个简单的低压负荷电路系统进行算例分析表明,基于最小二乘支持向量机的多传感器信息融合模型及算法在测量准确度和推广性能上都具有一定的优越性。     

基于传感器融合预测的改进跟踪前馈控制方法研究

针对光电跟踪系统中CCD相机反馈帧率较低,延迟较大导致跟踪高速目标能力差、响应能力差的问题,提出一种基于传感器融合预测的改进跟踪前馈控制方法。为减小融合获得目标高阶运动状态噪声大的问题,提出一种基于微分跟踪的传感器融合策略;针对图像反馈延迟问题,提出一种降阶匀加速Kalman模型,根据融合获得的运动学信息,结合Kalman滤波进行预测跟踪,补偿脱靶量的时间延迟,得到近似真实的目标位置和速度、加速度信息;针对低频输入信号引入闭环扰动问题,提出一种快速数据扩展方法,实现低频信号到高频信号的扩展;根据传感器融合预测结果,设计跟踪前馈控制器,提高系统的响应速度。仿真结果和实验结果均表明该前馈方法能够对CCD反馈延迟导致的跟踪误差进行补偿。实验结果表明：该方法能够大幅提高系统对高速目标的跟踪性能,在目标运动状态相同条件下,相比补偿前跟踪误差减小约83.67%。     

基于UKF算法的被动目标跟踪

对于单站的被动目标跟踪,在笛卡儿坐标系下建立跟踪模型,并用扩展的卡尔曼滤波(EKF)进行预测,得到的结果通常是不稳定且容易发散的。针对这种情况,提出了在修正的极坐标系下建立状态模型,摒弃传统的EKF算法,采用无迹卡尔曼滤波(UKF)算法,通过采样逼近非线性函数。数字仿真结果表明:在修正的极坐标中利用UKF算法得到的结果比EKF算法具有更快的收敛速度和更高的估计精度,且稳定性更好。     

基于约束最小二乘的纯方位多站被动跟踪算法

纯方位单站目标被动跟踪需要观测站作机动才能满足可观测条件,导致跟踪算法收敛时间较长。基于纯方位多站被动跟踪算法可以解决算法收敛时间较长的问题,文中提出了一种约束最小二乘算法用于纯方位多站被动跟踪,它首先为最小二乘算法引入约束条件,利用矩阵最小特征值所对应的特征向量,解决了EKF 算法需要初值的问题,避免了滤波的发散,同时也极大地减小了最小二乘估计的偏置。仿真表明,这种算法能够渐进地逼近估计误差的下限,并且其精度有所增加,是一种渐进、稳定以及近似无偏的估计算法。     

基于多目标多特征信息融合数据关联的无源跟踪方法

在多目标无源跟踪中,传统的数据关联方法只利用那些与目标状态向量计算直接相关的信息(如DOA、TOA信息等).本文提出了一种新的数据关联算法——基于多目标多特征信息融合的数据关联算法,该算法同时利用了更多的目标特征信息(如频率、PRI等),应用D-S证据理论进行单目标多特征信息融合,在此基础上,再进行多目标综合数据关联.它是一种基于多特征信息的全局最优的算法.计算机仿真表明,基于该算法的无源跟踪性能要优于传统的NN方法和扩展的NN方法.     

基于纯方位信息的多传感器航迹融合仿真分析

对于现代战场环境来说,多传感器信息融合越来越重要。但是由于不同传感器性能存在差异,使用不同的关联方法会造成航迹关联正确率不同,航迹关联正确是航迹融合有效的基础,因此需要深入研究。首先理论分析了异类传感器航迹融合性能的主要影响因素及其影响程度,提出了异类传感器航迹关联方法。仿真结果表明,提高传感器测量精度、降低异类传感器测量精度差异、提高异类传感器航迹关联正确率将会改善航迹融合的效果。     

基于信息融合的多目标单站无源跟踪新技术研究

跟踪起始与数据关联是多目标无源单站跟踪的关键技术.本文提出了一种基于目标多特征信息融合的自适应跟踪起始算法,通过构造多维动态可变的跟踪门,进行自适应跟踪起始检测,然后根据序列概率比检验准则进行轨迹确认.同时提出了一种基于多目标多特征信息融合的数据关联算法,首先通过定义多个特征数据关联度,将单个有效观测的多特征信息进行融合,再对多目标进行综合数据关联.计算机仿真表明,该跟踪起始算法能够快速有效地启动航迹,数据关联算法的性能要优于传统的NN方法和扩展的NN方法.     

基于跟踪状态监视的稳健航迹关联与融合算法

空间邻近目标跟踪过程中存在航迹交错现象,传统的航迹关联与融合算法可靠性大大降低。提出基于跟踪状态监视的稳健航迹关联与融合跟踪算法:首先,采用滑窗式全局最优关联方法利用多帧航迹数据确认航迹关联对,并建立系统航迹;然后,根据确认关联航迹的实时关联状态检测航迹交错;最后,根据航迹衰减残差识别运动状态,自适应选择融合量测或者融合状态估计完成系统航迹的状态更新。仿真结果表明,算法能够提高融合航迹精度,实现稳健航迹关联与融合。     

无源跟踪中基于灰关联信息融合的概率数据关联算法

在无源跟踪中,传统的概率数据关联算法(PDA)单纯依据状态量测信息.该文提出了一种基于多特征信息融合的概率数据关联算法,该算法利用目标多个特征信息(状态量测、载频、PRI等),通过灰关联分析的方法,计算有效观测与目标的关联概率,进而在信息融合的基础上,进行目标状态更新估计.该算法与传统的PDA相比有两个优点,第一,关联概率的计算量小、计算更准确;第二,该算法利用了目标多特征信息,因此,关联性能更好.实验表明,基于该算法的无源跟踪性能明显优于NN方法和传统的PDA方法.     

多传感器融合多目标跟踪中的序贯航迹关联算法

对于分布式多传感器融合多目标跟踪系统,提出一种序贯处理的航迹关联融合算法。为实现杂波干扰环境中对密集多目标的精确跟踪,航迹关联采用了粗、精关联相结合的方法,最小均方误差法用于实现航迹融合。序贯处理的航迹关联融合算法在保证航迹关联正确的同时,大大降低了计算量。仿真实验结果说明了本文方法的有效性。     

复合制导中的信息融合技术研究

针对雷达/红外复合制导系统中的信息融合技术,提出了一种基于测量噪声相关情况下的带反馈的加权航迹融合方法,并对该方法进行了仿真,仿真结果表明,该方法融合效果理想,可以满足复合制导的融合技术要求。     

融合MEMS-IMU信息的亚像素相关跟踪方法

结合图像制导武器的工程应用,提出了一种融合微机电系统(Micro-Electro-Mechanical System, MEMS)-惯性测量单元(Inertial Measurement Unit,IMU)信息的亚像素相关跟踪方法。该方法采用基于速率测定的误差补偿方法对MEMS-IMU的测量误差进行补偿,以实现MEMS-IMU信息与图像数据的异质数据融合,同时采用基于模板插值的亚像素相关跟踪算法来提高跟踪精度。结果表明,该方法不仅可以较好地解决目前单靠图像信息提升图像跟踪精度时所面临的算法实时性与复杂度之间的冲突问题,而且还可以有效提升动基座下的图像跟踪精度。