机动目标跟踪波形和检测门限自适应算法

由于现有雷达目标跟踪波形和检测门限自适应算法大多围绕以距离、距离率作为量测的一维运动目标展开,忽略了角度对目标跟踪的影响,从而无法对目标进行跟踪定位。为此,提出一种杂波背景下针对二维机动目标跟踪的雷达波形和检测门限联合自适应算法。首先,对传统基于时延-多普勒分辨单元的理论作进一步扩展,设计出一种包含距离-距离率和方位为量测的具有“棱柱”结构的分辨单元;然后,给出了包含波形参数和检测门限的量测误差协方差的联合近似表达式;最后,利用认知雷达思想,以滤波误差协方差的迹最小为代价函数自适应选择下一时刻的波形参数和检测门限,以提高系统的跟踪性能。仿真结果表明,波形和检测门限联合自适应算法的跟踪性能要明显优于传统的固定参数跟踪算法。     

一种车辆机动目标跟踪的多传感器信息融合估计算法

为了保证自动高速公路系统对车辆机动目标的实时、精确跟踪,提出了一种车辆机动目标状态的多传感器信息融合估计算法.建立了车辆运动状态的离散时间多模式非线性动态系统模型,利用当前时刻的各个传感器量测数据,结合交互式多模型和扩展卡尔曼滤波器得到各个局部状态估计值和滤波误差协方差阵,并采用动态加权信息融合准则获得更为精确的车辆融合航迹估计值.通过仿真验证表明这种多传感器信息融合估计算法能实时有效地提高车辆机动目标跟踪精度.     

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.     

一种新的模糊控制多模型算法在目标跟踪中的应用

为解决传统的蛇形建模方法不能反映出反舰导弹典型运动特性的问题,引入动力学建模方法研究弹道问题,把导弹视为可控质点,建立了反舰导弹末端蛇形机动弹道模型.采用被动传感器进行跟踪,提出一种新的基于模糊控制的交互式多模型自适应无迹卡尔曼滤波算法,根据Sage-Husa噪声统计估值器的原理提出了状态误差协方差自适应算法,克服了传统噪声自适应算法在目标发生强机动时收敛速度慢的缺点,同时利用模糊控制方法实现了实时调整交互式多模型算法中的转换概率矩阵.仿真实表明:所建立的弹道模型对探测、识别和跟踪反舰导弹技术的研究有一定的参考价值;改进的跟踪算法能够快速调整模型概率,使得其估计误差的收敛速度比交互式多模型算法更快,鲁棒性更强,并且能够有效降低纯方位目标跟踪的误差,实现对反舰导弹末端蛇形弹道模型的稳定跟踪.     

多站测角的最小二乘交互多模型跟踪算法

在多站测角的被动目标跟踪中,目标的状态与角度量测值之间存在非线性关系,现有的方法主要是对其进行线性化,但线性化过程会带来滤波精度的下降,甚至会产生滤波发散而丢失目标．针对这一问题提出一种新方法,采用最小二乘法对多个观测站测得的目标角度信息进行融合,估计出目标的状态,将状态估计作为卡尔曼滤波的伪量测,然后采用交互多模型算法跟踪机动目标．仿真结果表明该方法可实现多站测角机动目标的跟踪,其跟踪误差远小于现有的跟踪方法．     

自适应滤波在空间机动目标相对导航中的应用

针对空间机动目标的相对导航问题展开讨论,提出了基于UKF的空间机动目标相对导航自适应滤波方法。文章从机动目标的检测和滤波器参数的调整两方面入手,首先使用统计学方法处理机动判据归一化新息加权平方和,以避免虚警并使目标检测更为有效,然后设计一套放大状态估计协方差矩阵的滤波器参数自调整策略,实现在检测到目标机动后滤波器能够快速收敛并持续稳定跟踪。仿真验证所设计的滤波器较传统的UKF能够更好地完成机动目标的相对导航任务。     

基于神经网络的多机动目标跟踪算法

将神经网络理论用于多机动目标跟踪,解决了联合概率数据关联(JPDA)存在的计算量组合爆炸问题。基于神经网络数据关联(NDA)所得到的最佳关联假设,将其与简化信息融合并行自适应滤波算法(DAF)进行有效结合,在保证量测与目标有效关联的同时,还具备跟踪起始和终结的作用,实现了对多机动目标的状态滤波与预测。仿真结果表明,与传统的交互式多模型联合概率数据关联算法相比,新算法在保证多机动目标的跟踪精度及实时性要求的同时,计算量大大减少。     

一种高斯型非线性迭代更新滤波器

针对高斯型非线性滤波器在大初始偏差条件下性能下降、甚至发散的问题,提出了一种新的非线性滤波算法,即迭代更新扩展卡尔曼滤波器（iterated update extended Kalman filter,IU-EKF）。首先,该算法在EKF框架下,将传统的一步量测更新在伪时间上分为多步进行,采用部分增益将当前量测信息逐步地引入量测更新过程实现对状态的后验估计;其次,由于多步量测更新过程引入了每一步的过程噪声,因此将量测噪声与每一步更新后的状态估计误差之间的互协方差代入误差协方差矩阵,再利用此误差协方差矩阵的迹对标准卡尔曼增益矩阵求导并令结果为零,以导出噪声相关条件下的最优卡尔曼增益矩阵表达式;最后,根据后验量测残差自适应地调整迭代更新次数,在保证一定滤波精度的前提下,降低了算法的计算量。以2维目标跟踪问题为例,在大初始偏差条件下,通过仿真实验将本文算法分别与EKF、IEKF、UKF、CKF算法进行对比,并针对不同迭代次数对滤波精度的影响进行对比分析。仿真结果表明：本文算法较EKF大幅提高了滤波估计精度,且在大初始偏差条件下,本文算法性能优于现有经典高斯假设滤波器。同时,当迭代次数按1、2、5、10、20递增时,本文算法的滤波精度也随之提升,但提升幅度逐渐减缓。     

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．     

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.     

基于新息协方差的机动目标轨迹估计算法研究

针对态势显示系统中机动目标运动状态不确定、卫星定位误差、接收机随机噪声造成的目标轨迹估计精度低的问题。在"当前"统计模型的基础上,提出了一种基于新息协方差的Kalman滤波算法,该算法根据新息协方差的极大似然最优估计实现加速度方差的实时估计和自适应调整。仿真结果表明,该算法的估计性能优于常规算法,跟踪精度较高。     

Application of Adaptive Reduced Sigma Points Unscented Kalman Filter to the Tracking of Maneuvering Target

Based on the principle of statistical linear regression, a set of n 2 sigma points instead of 2n 1 sigma points used in the unscented Kalman filter (UKF), is constructed to approximate the system state. And filter accuracy is second order. Real-time of modified UKF is improved. In order to describe accurately the maneuvering target, the "current" statistical model is used. And the equation of acceleration error covariance is modified at every sample time of the filter. The modified adaptive UKF is presented for estimating the position, velocity and acceleration of maneuvering target. Monte Carlo simulations show the modified adaptive UKF acquires good performance for tracking position of maneuvering target. The modified adaptive UKF has better computational efficiency than UKF.     

基于模糊神经系统的多传感器数据融合算法

将自适应模糊神经推理系统(ANFIS)和卡尔曼滤波器应用于目标跟踪系统中,构成多传感器数据融合算法。该算 法假设在目标运动过程中,过程噪声和测量噪声是相互独立的高斯白噪声序列。使用ANFIS分别对目标的加速度和测量噪声 的方差进行估计,通过卡尔曼滤波器获得目标后验状态,最终由神经网络对多传感数据进行融合得到系统输出。仿真结果表 明,该算法可以通过自适应调整跟踪参数有效地防止目标丢失。     

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.     

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。     

一种参数自适应调整的机动目标跟踪模型

针对＂当前＂统计（CS）模型的跟踪性能依赖于模型先验参数的问题,提出了一种自适应＂当前＂统计（ACS）模型.该模型利用新息向量表征目标的机动情况,采用其指数型调整函数自适应调整模型参数和滤波增益,提高了机动模型和目标运动形式的匹配程度,并修正了机动加速度均值,使之适合于一般运动形式.仿真结果表明：与CS模型、改进＂当前＂统计（MCS）模型比较,应用该模型对机动目标的跟踪误差分别减小了11.36%、15.64%.