基于模糊推理的自适应交互多模型目标跟踪算法

提出了一种模糊自适应IMM算法（FAIMM）,通过模糊逻辑,根据加速度估计值,自适应地摒弃概率较小的模型,仅选取整个模型集合中最能反映目标“当前”机动的一个模型子集进行运算,从而减少了模型数目;同时采用模糊方法计算模型概率,从而降低了算法的计算量;进一步,通过二级模糊推理,根据模型参考加速度ui的大小自适应地选择适当的最大机动加速度amax和a-max,使系统具有一定的方差调整能力,从而提高了跟踪精度。仿真结果表明,较之于标准IMM算法．FAIMM算法在机动目标跟踪精度、跟踪的平稳性以及收敛速度等方面都有所改善。     

两阶段卡尔曼滤波自适应交互式多模型算法

对于机动目标跟踪问题,由于目标机动能力的增强,需建立大量模型来逼近真实模式,使建立的目标模型与目标的实际运动适配,但这使计算量增大,而且性能不一定能提高.针对这个问题,将两阶段卡尔曼滤波器与一般的交互式多模型算法相结合,设计了一种自适应交互式多模型算法.该算法采用两阶段卡尔曼估计器估计目标的加速度,然后将其反馈到由多个不同参数构成子滤波器的交互式多模型滤波算法中进行交互式多模型滤波.与自适应半交互式多模型算法进行对比的仿真验证了该算法有效地减少了子滤波器的数量,同时在一定程度上也提高了跟踪的精度.     

自适应交互式多模型目标跟踪算法

以防空火控系统的跟踪预测为背景,提出一种自适应的交互式多模型跟踪算法。该算法采用后验信息修正模型的噪声方差和马尔可夫转移矩阵,使IMM具有自适应能力。将该算法应用于由CA、CV两模型组成的交互式多模型算法中取得良好的效果。仿真结果表明,该算法跟踪精度比标准IMM有较大改善。     

机动目标自适应跟踪算法研究

为了克服“当前”统计模型自适应跟踪算法（CAF）跟踪匀速运动目标误差较大和跟踪加速机动目标速度与加速度估计误差和动态时延较大的缺陷,通过分析研究CAF算法,采用截断正态分布表征目标的机动加速度特性,考虑风速和加速度估计均值的影响,对机动加速度与方差自适应关系修正,自适应补偿过程噪声协方差矩阵,提出了一种改进的机动目标自适应跟踪算法。理论分析与仿真结果表明,该算法能够准确描述目标的各种机动情况,具有良好的跟踪性能和实际应用价值。     

自适应交互多模型的PHD粒子滤波多机动目标跟踪

针对多机动目标跟踪中采用统一固定模型转移概率的问题,提出一种在线估计模型转移概率的自适应多模型PHD滤波(AIMM-PHD)。首先保留模型的采样粒子及其似然度;其次根据粒子的分类结果,计算出每个目标对应每个模型的状态输出;最后将输出交替作为模型输入进行滤波,计算出目标的模型转移概率。实验表明:相较于IMM-PHD,所提AIMM-PHD有较低的OSPA误差,目标个数估计更准确,且时间只增加了8.1%,从而证明了该算法的有效性。     

运动声阵列自适应交互多模型无迹粒子滤波

为了提高三维运动声阵列在有色噪声环境中对二维机动目标的跟踪精度,提出了一种基于测量残差的自适应交互多模型无迹粒子滤波算法。该算法建立了三维运动声阵列跟踪系统动态模型,通过无迹变换(unscented transformation,UT)构造初始粒子概率分布函数,利用测量残差及自适应因子实时修正测量协方差和状态协方差;通过不同算法仿真对比,验证了文中算法在跟踪精度、稳定性及实时性上的有效性。     

具有固定延迟平滑的交互多模型概率数据互联算法

为了提高杂波环境下跟踪机动目标的跟踪精度．文中将交互多模型概率数据互联（IMMPDA）和固定延迟平滑（LS）思想相结合．提出了一种具有固定延迟平滑的IMMPDA（IMM-LS-PDA）算法。通过引入延迟．增广了目标的状态向量,使得目标的固定延迟平滑状态估计更加准确。仿真结果表明。在杂波环境下对机动目标进行跟踪．单纯的IMMPDA算法的跟踪误差很大,并且在转弯机动处,误差出现峰值．算法的平稳性较差;而在进行固定延迟平滑后,算法的跟踪精度有了明显的提高。     

基于遗传优化的模糊交互式多模型目标跟踪算法

针对交互式多模型方法存在模型覆盖面不足和子模型间恶性竞争的问题,设计了一种基于遗传算法和模糊推理的智能优化模糊交互式多模型方法,该方法通过对模型集的自主寻优,能够实现任意时刻在最优模型集下的跟踪,通过建模仿真,在与传统的交互式多模型的比较中发现,使用该模型后目标跟踪误差显著减小,该算法具有较高精度及稳定性。     

交互多模型算法在目标跟踪领域的应用

对于目标的跟踪问题,多模型算法相对于单模型算法具有较大的优势;介绍了交互多模型算法的起源和发展,归纳和总结了近年来多模型算法的改进方向,介绍了多模型算法应用的新领域,简述了多传感器目标跟踪的研究成果;最后加以总结,展望多模型算法的研究方向。     

机动频率模糊自适应目标跟踪算法研究

在分析"当前"统计模型及自适应滤波技术基础上,提出了一种机动频率模糊自适应目标跟踪(FAMF)算法.通过模糊控制方法,在线调节"当前"统计模型的机动频率参数,使模型对不同的目标机动模式有更强的自适应能力.在想定初始条件下,对FAMF算法进行Monte Carlo仿真对比实验,结果表明:FAMF算法运行稳定,适应能力强,有效的提高了"当前"统计模型的跟踪性能,便于实际应用.     

基于UKF的曲线模型自适应跟踪算法

针对传统曲线跟踪模型中的切向加速度不能自适应调节这一缺点,在标准曲线模型的基础上,提出了一种新的自适应跟踪算法。将转弯角速率和切向加速度都看作是目标的状态变量,用不敏卡尔曼滤波算法对扩维后的状态变量进行估计。这种处理方式不仅较好地解决了原来算法中存在的强非线性问题,同时也增强了算法的鲁棒性。理论分析和仿真实验都表明,该算法适应性较强,跟踪精度较高,可以直接应用于工程实践。     

基于自适应多通道交互式多模型的高超声速滑翔飞行器跟踪方法

针对临近空间高超声速滑翔飞行器机动性强、单跟踪模型稳定匹配困难等问题,在分析目标受力情况与机动特性基础上,充分考虑运动学建模适应性强和动力学建模匹配程度高的特点,提出一种运动学模型与动力学模型相结合的自适应多通道交互式多模型跟踪算法.该算法以运动学模型和动力学模型为模型集,利用似然函数值对转移概率矩阵进行实时调整,增强...     

机动目标当前统计模型模糊自适应算法

针对当前统计模型常规算法跟踪机动目标的缺陷,提出了当前统计模型模糊自适应算法。该算法根据规范化的量测新息及其变化率并通过模糊推理实时选取机动频率,给出了加速度方差的新息幂函数调整方法,采用加速度估计值和预测值的偏差在线更新当前加速度均值。在此基础上,结合高斯隶属函数和强跟踪算法对其权值予以修正。当前统计模型模糊自适应算法不受机动频率人为给定和最大加速度极值设置的限制,适用于不同范围和程度的机动。利用当前统计模型模糊自适应算法对阶跃机动、圆周机动、Jerk机动3种典型机动场景进行了计算机仿真,并与当前统计模型常规跟踪算法和Jerk模型自适应算法进行了比较。仿真结果表明,该算法扩大了跟踪范围,具有较好的稳态特性和瞬态特性,其跟踪精度和收敛速度优于其他两种算法。