VICKF-IMM算法在机动目标跟踪中的应用

针对智能体移动方式复杂,对其进行观测的传感器测量的信息存在噪声以及目标运动轨迹发生突然的改变会导致目标观测失真甚至错误的问题,提出了一种变积容积卡尔曼滤波交互多模型算法（VICKF-IMM）。该算法将容积卡尔曼滤波与交互多模型算法相结合,并对容积卡尔曼滤波（CKF）中球面积分进行变积分转换处理。优化了其积分求解的方式,提高了整体的稳定性。Monte-Carlo仿真分析,与CKF-IMM和UKF-IMM算法相比,该算法的跟踪精度有明显的提高,并在目标运动发生突变时有更高的稳定性。     

弹头痕迹多尺度扩展分形检验分析

弹头痕迹的分析与比对是破获涉枪案件的关键之一,目前国内外在这方面主要采用对弹头痕迹的几何形态、位置及线条进行比对的方法。在分析弹头膛线痕迹区域形成特点的基础上,结合分形能够描述复杂自然物体表面的特点,提出了使用扩展分形模型描述弹头膛线区域痕迹,给出了弹头痕迹种类与同一检验的多尺度扩展分形分析方法及其相关算法。研究结果表明,该方法用于弹头痕迹检验是可行和有效的。本文的方法为枪弹痕迹的司法分析与鉴定提供了新的思路,扩展了司法弹道学的研究方法。     

一种基于弹道模型的机动目标跟踪算法

针对当前目标跟踪算法中跟踪模型与现代反舰导弹实际运动不匹配而影响跟踪精度的问题,根据反舰导弹的弹道特点,通过分析导弹受力情况和运动状态的关系,提出了一种基于弹道模型的机动目标跟踪算法,并针对高速跃升俯冲运动,分别与基于CV、CA模型的目标跟踪算法作了性能比较.仿真结果表明,该算法在原理上是正确可行的,可显著提高对高速强机动目标的跟踪性能.     

基于SolidWorks 的弹头结构参数化设计方法

针对枪弹弹头结构设计过程繁琐的问题,提出弹头结构的参数化设计方法。以Visual C++6.0为开发工具,利用SolidWorks外部模式的二次开发技术,首先对结构尺寸和装配尺寸进行批量修改,然后对模型进行更新和干涉检查,最后预览模型并计算质量等属性。利用该思路和方法,编写了弹头参数化设计程序,在SolidWorks的界面环境外,实现了结构模型的自动构建和特征参数的自动提取,极大地提高了工作效率。     

高温引起的弹头壳铜被甲材料性能变化对弹头膛内运动影响

为了研究高温下铜被甲弹头在膛内运动状况,通过高温拉伸试验得到枪管材料和弹头壳铜被甲材料的力学性能参数,建立了铜被甲弹头在全枪管中的挤进运动有限元模型。该模型考虑了枪管在重力作用下的预弯曲以及铜被甲材料在不同温度时的力学性能。通过数值模拟研究了弹头挤进过程以及弹头在膛内运动姿态,分析了铜被甲弹头在不同温度下的挤进阻力、材料流动及变形。计算结果表明,温度越高,弹头在膛内变形越大,前进阻力也越大,弹头头部铜被甲弯曲程度越厉害;对弹头运动姿态进行分析后发现,温度越高,弹头在膛内摆动角越大,说明了热枪状态下铜被甲弹头的射击精度会下降,射弹散布变大。     

基于交互多模型强跟踪滤波器的故障检诊方法

基于正交性原理和强跟踪滤波器的概念,引入了最佳渐消因子,提出了基于交互式强跟踪滤波器的故障检诊断方法,这种方法比其它方法能够更快、更可靠地检测和诊断出多重故障。     

基于距离跟踪的矢量脱靶量测量方法

提出了一种基于纯距离跟踪的空间目标运动轨迹提取的矢量脱靶量参数估计新方法.该方法利用脉间频率步进体制的脱靶量测量系统获得较为精确的瞬时距离信息.通过建立目标运动模型,采用纯距离目标跟踪定位的有限差分扩展卡尔曼滤波算法,获得目标运动的精确轨迹.利用跟踪得到的空间位置点,时矢量脱靶量参数进行估计.仿真结果表明该方法可以得到满意的矢量脱靶量估计结果.     

石墨/聚酰亚胺复合材料弹头基体结构的制造方法

本文介绍了用石墨纤维与添加型聚酰亚胺树脂(T300/F178)组成的复合材料制造典型弹头基体结构壳体的方法,确定了缠绕铺层、减小体积和高压釜固化的技术,明确了加工工艺条件对复合材料性能,包括微裂纹的影响,用色谱技术对 F178树脂作了鉴定,这项工作是美国空军材料实验室根据 F33615-76-C-5013合同主持进行的。     

基于自适应马尔可夫参数交互多模型算法的弹道导弹跟踪研究

对弹道导弹主动段和自由段进行连续跟踪已成为弹道导弹防御亟待解决的问题。采用多模型交互算法,是解决该问题一条可行途径,但传统交互多模型马尔可夫概率转移矩阵参数固定,切换过程模型概率滞后。文中基于后验信息修正,提出了一种马尔可夫参数值自适应调整算法,根据不匹配模型误差压缩率的变化,自适应调整先验的马尔可夫概率转移矩阵参数,切换过程中较多地压缩不匹配模型的信息,放大匹配模型的信息,提高系统的收敛速度。仿真实验表明：马尔可夫参数自适应调整算法对弹道导弹主动段与自由段交替处的跟踪效果优于传统多模型交互算法。     

基于粒子滤波的非线性目标跟踪算法研究

针对非线性非高斯的目标跟踪,传统的卡尔曼滤波和扩展卡尔曼滤波等算法将会出现滤波精度下降甚至发散的现象,提出了采用粒子滤波算法来解决非线性滤波问题;粒子滤波方法作为一种基于贝叶斯估计的非线性滤波算法,在处理非高斯非线性时变系统的参数估计和状态滤波问题方面有独到的优势,但是存在运算量大和实时性差的问题,因此提出了基于EKF的扩展粒子滤波;仿真结果表明：在强非线性非高斯环境下,PF算法的跟踪性能优于EKF算法,基于EKF的扩展粒子滤波能够取得较好的跟踪精度,并且能够有效的减少粒子滤波的运算量。     

基于IMM-CKF的弹道再入目标跟踪研究

该文研究了弹道系数未知的弹道再入目标的跟踪问题.针对现有再入目标跟踪方法对弹道系数初值设定以及噪声协方差的设置比较敏感的问题,采用了数值精度高、稳定性好且计算量较小的求容积卡尔曼滤波(CKF)算法作为跟踪滤波器,并分别设计了由不同弹道系数模型构成的交互式多模型(IMM)算法以及由不同噪声协方差模型组成的IMM算法.仿真结果表明,该文设计的两种IMM算法都能显著提高跟踪精度以及对弹道系数估计的收敛速度.     

基于均值偏移和卡尔曼滤波的目标跟踪方法

分析了Mean—shift难以有效地跟踪复杂背景下灰度运动目标的主要缺陷,提出了结合Mean-shift和卡尔曼滤波器的目标跟踪方法。该方法利用卡尔曼滤波器预测目标在当前时刻的起始位置,然后Mean-shift在该位置的邻域内寻找目标所处位置。同时。采用Bhattacharyya系数度量“目标模型”和“候选模型”相似程度．确定“候选模型”是否更换为“目标模型”,避免目标模型过度更新。以地物为背景的飞机目标图像序列试验结果表明该方法较原Mean-shift方法可明显提高阻挡情况下的目标跟踪稳定性。     

一种地面目标跟踪算法的设计与实现

对地面机动目标的跟踪问题是目标跟踪领域的难点,多传感器数据融合技术以及变结构交互多模型算法是解决地面目标跟踪问题的有效途径。针对目标运动特点,将地面目标运动特性和运动状态作为先验信息,设计了一种地面目标跟踪算法,给出了算法的详细步骤,算法主要采用了加权观测融合卡尔曼滤波器及采用模型组切换方法的变结构多模型算法实现。仿真及误差分析结果表明,该算法优于传统交互多模型算法。为地面目标跟踪算法的设计提供了参考。     

非高斯环境下基于GPF算法的目标跟踪

介绍了高斯粒子滤波器(GPF)的基本思想和具体算法的实现步骤,并讨论了此算法在机动目标转弯模型跟踪中的应用,在闪烁噪声下比较了高斯粒子滤波器、粒子滤波器(PF)和扩展卡尔曼滤波器(EKF)的跟踪性能差异。仿真结果表明,GPF有效地改善了目标跟踪的效果,相比PF在精度和计算复杂度方面均有了明显改善。     

基于纯方位角测量的水下目标被动跟踪技术

水下目标的被动跟踪技术在军事上具有重要的应用价值,为了解决基于纯方位角测量的水下目标被动跟踪技术在实际应用中的问题,研究了几种适合于单、双观测站的水下目标被动跟踪算法.分别对伪线性估计算法、扩展卡尔曼滤波算法、无迹卡尔曼滤波算法在不同参数情况下的性能进行了详细的仿真与分析.仿真结果表明,静止单观测站虽不能获得目标的完全观测,但是在具有一定先验信息的情况下,伪线性估计算法也可以实现对目标轨迹的估计;双观测站可以获得对目标的完全观测,并且在观测方程严重非线性的情况下,无迹卡尔曼滤波方法的性能要优于扩展卡尔曼滤波方法.仿真结果对工程应用具有重要的参考价值.     

基于RBF网络和IMM的机动目标跟踪方法

文中提出了一种应用RBF神经网络对标准IMM算法中的卡尔曼滤波结果进行校正的方法。网络输人为预测误差、卡尔曼增益以及测量值与估计值之差．网络输出反映了由于目标机动所带来的滤波误差．将网络输出结果和直接由卡尔曼滤波求解得到的结果相加．可以得到更为准确的滤波值。同时．在网络的学习算法中．在网络权值矩阵的修正公式中增加了反映滤波残差的调整项．若卡尔曼滤波的残差较大，网络调整权值的幅度也相应增大。仿真结果表明．在目标发生机动转弯处．校正后的IMM算法的跟踪误差要明显小于标准IMM算法的跟踪误差．跟踪精度较高。     

一种"全面"的自适应机动目标跟踪算法

基于截断正态概率密度模型建立修正的截断正态概率密度模型。利用该模型并结合速度估计自适应模型提出一种“全面”自适应机动目标跟踪算法(OAF)．此算法能够避免机动加速度最大值的预先设定,自适应调节目标跟踪算法中的机动频率。进一步运用神经网络方法,将机动频率与过程噪声方差进行融合,通过在线调节神经网络权值获得融合后的系统方差输出,降低现有算法因系统参数调整不当带来的精度损失。理论分析及仿真结果表明,与单纯的速度自适应模型算法相比,该算法跟踪机动目标和非机动目标时精度分别提高49. 61%和48.34%．     

基于UKF的目标状态与系统偏差的联合估计算法

研究了三维系统偏差条件下的扩维目标跟踪问题,提出了一种基于不敏卡尔曼滤波器（UKF）的系统偏差和目标状态的联合估计算法（ASUKF）.Monte-Carlo仿真结果表明,ASUKF算法较好地避免了扩展卡尔曼滤波器的模型线性化误差易导致滤波发散的问题,能更加有效地对目标状态和系统偏差进行实时联合估计.