一种改进自适应机动目标跟踪算法

针对“当前”统计模型下的卡尔曼滤波算法在跟踪匀速目标时误差较大的缺陷和强跟踪滤波器对非机动部分跟踪精度不理想的缺陷。通过改进基于截断正态分布下的加速度方差模型,提高了对非机动目标的跟踪精度;对卡尔曼滤波算法中预测误差协方差及渐消因子的计算作出修正,改进机动部分和非机动部分的精度;将目前常用的估计协方差的计算公式采用Joseph公式,增强数值的稳定性和算法的鲁棒性。仿真和实践结果表明该算法具有良好的性能。     

一种改进的机动目标跟踪算法研究

为了克服＂当前＂统计模型下的卡尔曼滤波算法在跟踪匀速目标时误差较大的缺陷,文章分析了造成此缺陷的原因,通过改进基于截断正态分布下的加速度方差模型,提高了对非机动目标的跟踪精度,仿真结果表明,该算法能够准确描述各种机动情况。     

基于 IMM 的改进去偏转换测量目标跟踪算法

针对机动目标跟踪,提出一种基于交互式多模型的改进去偏转换测量卡尔曼滤波算法（IMM－MDCMKF）,该算法在多模型中使用了改进的去偏转换测量卡尔曼滤波算法（MDCMKF）。 MDCMKF 算法先通过引入状态估计值对转换误差协方差进行修正,有效地降低了测量噪声对此协方差的影响,然后将修正的转换误差协方差用于目标跟踪问题中的去偏转换测量卡尔曼滤波算法。最后进行的 Monte Carlo 仿真结果表明,所提算法跟踪精度优于 IMM－EKF算法和 IMM－DCMKF 算法。     

一种改进的方差自适应滤波算法

标准的基于”当前”统计模型的自适应卡尔曼滤波算法中机动频率和加速度极限值存在靠经验预先设定的问题,以及在跟踪非机动和弱机动目标时存在精度不高的问题,本文在分析已有的加速度方差自适应算法的基础上,提出了一种改进的加速度方差自适应算法.仿真结果表明本文提出的改进的加速度方差自适应算法是有效性的,较已有算法提高了跟踪非机动或弱机动目标的精度.     

基于改进CS模型的自适应概率数据关联算法

针对密集杂波环境下传统概率数据关联算法对突发机动目标跟踪性能下降问题,提出了一种基于采用渐消因子的改进"当前"统计模型的自适应概率数据关联算法。该算法改进了传统的"当前"统计模型中加速度方差的计算方式,并在滤波算法中采用了渐消因子,克服了传统卡尔曼滤波的3大缺陷,通过改变预测协方差来修正滤波增益,在保持跟踪精度的前提下,能自适应调整滤波器带宽,增强了系统对突发机动的跟踪能力。理论分析和仿真结果表明,该算法比采用强跟踪滤波器的概率数据关联算法更有效。     

空基多平台对空中机动目标的被动跟踪定位算法

针对空中机动目标的被动定位跟踪问题,提出了一种先用静态估计理论对空中目标进行最小二乘估计,再采用基于“当前”统计模型的自适应滤波算法进行滤波处理的方法,取得了比最小二乘估计与卡尔曼滤波相结合的算法更好的效果。仿真结果表明,在跟踪非机动目标时,该算法和最小二乘估计与卡尔曼滤波结合的办法相当;在跟踪机动目标时,该算法的误差明显小于原算法。     

基于Jerk模型和EKF的多基地雷达机动目标跟踪算法

针对多基地雷达系统对高机动目标的跟踪精度问题,提出了基于Jerk模型和扩展卡尔曼滤波(EKF)的机动目标跟踪算法.通过建立系统的离散状态方程和非线性观测方程,推导状态向量和误差协方差矩阵的初始化计算公式,给出EKF滤波的流程.利用Monte Carlo仿真,分析和比较了在变加速目标轨迹下Jerk与当前统计模型的跟踪效果,表明该算法具有对高机动目标实现准确自适应跟踪的能力.     

基于当前模型自适应改进的航迹跟踪算法

在航迹跟踪过程中,目标发生转弯、变加速等强机动行为,会导致传统"当前"统计模型的跟踪精度变差,通过提取残差新息序列和测量方差序列中的信息,分别在"当前"统计模型中添加机动频率、最大加速度自适应修正因子,以及在卡尔曼滤波框架中增加协方差自适应因子,改善了该算法对强机动目标跟踪的适应能力。通过改进,该算法即保持了对一般机动目标良好的跟踪特性,又提高了对强机动目标的跟踪性能。通过使用蒙特卡洛模拟仿真验证了改进算法的有效性。     

高度机动目标的改进CS-Jerk模型

针对高度机动目标跟踪问题,通过对Jerk模型的分析,借鉴"当前"统计的思想,采用截断正态分布来表征目标机动加速度变化率(Jerk)特性,利用Jerk均值与方差之间的关系自适应调整过程噪声协方差矩阵,提出一种改进的"当前"统计Jerk模型(MCS-Jerk model);并通过理论分析指出了Jerk模型及其跟踪算法的缺陷以及改进的MCS-Jerk模型算法的有效性;仿真结果表明改进的模型及跟踪算法的高机动目标跟踪性能明显优于基于Jerk模型的跟踪算法。     

修正的当前统计模型及自适应跟踪算法

针对当前统计模型及其自适应算法对弱机动目标跟踪精度较低以及强机动发生时刻跟踪误差增大的缺陷,提出了一种修正的当前统计模型及自适应跟踪算法。一方面,利用指数函数对当前统计模型中加速度极值进行实时修正,从而提高了算法对弱机动目标的跟踪精度;另一方面,利用滤波残差调整预测协方差,同时对滤波结果发生较大偏差的上一时刻的滤波结果进行修正,从而提高了对强机动目标的适应能力。仿真结果表明,所提算法对弱机动目标和强机动目标都具有良好的跟踪性能。     

网络信息支持下目标“虚拟跟踪”方法研究

针对隐身战斗机作战的电磁隐蔽性需求,提出网络信息支持下的目标"虚拟跟踪"方法。基于虚拟量测转换建立"虚拟跟踪"的状态模型,针对网络信息精度和战斗机状态估计误差,基于量测无偏转换原理对状态模型进行修正。为提高对机动目标"虚拟跟踪"的状态估计精度,设计基于"当前"统计模型的交互式多模型无迹卡尔曼滤波算法进行滤波处理。针对机动目标跟踪下不同误差影响对比进行的仿真表明,"虚拟跟踪"方法能快速获得稳定的目标状态估计,通过提高信息更新频率和战斗机的姿态估计精度,能获得较高精度水平的目标信息。     

混合卡尔曼滤波在外辐射源雷达目标跟踪中的应用

为了提高无迹卡尔曼滤波(UKF)中误差协方差矩阵的估计精度,该文结合外辐射源雷达目标跟踪模型,提出了一种混合卡尔曼滤波(MKF)算法,首先通过UKF对目标状态进行一次后验估计,然后重新建立一个观测方程,把UKF滤波输出的状态估计值转化为新建观测方程的量测值,并通过线性卡尔曼滤波对状态进行二次最优估计。实验结果表明,与扩展卡尔曼滤波(EKF), UKF相比,MKF明显提高了外辐射源雷达目标跟踪的精度。      

修正的“当前”统计模型自适应跟踪算法

＂当前＂统计模型及其自适应卡尔曼滤波算法虽能对强机动目标进行较好跟踪,但对弱机动目标存在较大跟踪误差。针对这一问题,在推导传统＂当前＂统计模型适用范围的基础上,提出一种修正的＂当前＂统计模型算法。该算法用正态分布来弥补修正瑞利分布的缺陷,同时利用模糊隶属度函数对系统方差做加权调整。仿真结果表明,新算法较传统算法不仅提高了对弱机动目标的跟踪精度,对强机动目标的跟踪精度也有较大程度的提高。     

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。     

多运动平台多传感器机动目标自适应跟踪

针对多运动平台多传感器背景下的机动目标跟踪问题,提出了模糊自适应无迹卡尔曼滤波(FUKF)算法,基于良好机动性描述的"当前统计"模型和良好非线性滤波能力的UKF(Unscented Kalman Filter),利用模糊推理技术实时自适应地调整系统噪声协方差矩阵,来提高对目标机动性的理解能力和跟踪精度.仿真实验表明该算法的有效性.     

基于波形调度的机动目标跟踪算法

针对机动目标的跟踪问题,提出一种结合自适应匀速（Constant Acceleration,CA）模型和波形调度的平方根容积卡尔曼滤波（Square-Root Cubature Kalman Filter,SCKF）算法.在CA模型的基础上,通过构建Jerk分量与速度、加速度的近似关系,使得状态过程噪声与滤波器输出的状态协方差矩阵相联系,以实现模型的自适应调整.另外,利用分数阶傅里叶变换（Fractional Fourier Transform,FrFT）旋转发射波形的模糊函数,使得量测误差椭圆与滤波算法中的状态预测误差椭圆正交,得到最优的发射波形,以从数据处理和信号处理两方面共同提升系统的跟踪性能.仿真结果表明,相比于基于改进当前统计（current statistical,CS）模型的无迹卡尔曼滤波（Unscented Kalman Filter,UKF）算法、基于CS模型的SCKF算法、基于CA模型的SCKF算法和交互式多模型（IMM）SCKF算法,所提算法结构简单且跟踪精度更高.     

基于协方差加权的卡尔曼滤波融合跟踪算法

针对卡尔曼滤波融合跟踪对系统模型准确度和先验信息精度要求较高的问题,提出一种基于协方差加权的卡尔曼滤波融合方法,利用最小二乘准则作为误差加权的标准,使误差小的传感器加权因子大。基于此,再利用卡尔曼滤波融合,充分保留有用信息,抑制噪声干扰。在目标跟踪应用中,即使噪声统计信息未知且噪声互相关,利用该方法仍能够获得最小均方误差准则下的最优目标状态跟踪估计。     

基于卡尔曼滤波的机动与非机动目标的定位跟踪

目标跟踪理论在国防、商用等领域都具有重要价值,并且是实现智能交通系统的基础。针对智能交通系统中需要对特定的运动目标进行跟踪和监测的要求,利用卡尔曼滤波算法对目标进行跟踪并对其下一时间的运动位置、运动方向、速度等信息进行预先估算以达到及时监测的目的。通过分别对机动目标和非机动目标的仿真试验,得出了卡尔曼滤波算法可以对运动的目标实现实时跟踪,且非机动目标的跟踪效果要优于机动目标的结论。     

基于容积卡尔曼滤波的自适应IMM算法

在目标跟踪中,针对无迹卡尔曼滤波在高维状态下容易出现滤波精度下降甚至发散的问题,提出了一种自适应交互式多模型容积卡尔曼滤波算法。首先,将容积卡尔曼滤波引入到交互式多模型算法中,提高了算法在高维非线性情况下的滤波精度。然后,结合马尔科夫参数自适应思想,在模型概率更新阶段,利用后验信息修正马尔科夫概率转移矩阵,增大匹配模型的转移概率,进一步提高模型之间的切换速度。最后,在目标跟踪仿真中利用"当前"统计模型对算法进行验证,实验结果证明了算法的有效性。     

一种精确跟踪机动目标的非线性滤波算法

在非线性系统中,最常用的是扩展卡尔曼滤波算法(EKF),当目标距离较远时,滤波器由于量测方程非线性的影响,误差较大。以机动目标“当前”统计模型为基础,建立新的机动目标模型,加入多普勒速度测量对补偿线性化误差的跟踪算法(PTLKF)进行改进。最后融入修正的加速度方差自适应算法对机动目标进行跟踪。仿真结果表明:在非线性观测条件下,改进的PTLKF算法和修正的加速度方差自适应算法的融合可以有效地改善跟踪的效果,并且其计算量明显小于强跟踪滤波算法。