基于改进“当前”统计模型的非线性机动目标跟踪算法

＂当前＂统计模型算法对目标加速度极限值及机动频率的依赖性这一缺点,导致该算法在跟踪弱机动目标及高机动目标时,跟踪性能会明显恶化.本文在当前统计（CS）模型的基础上,通过加权一个以残差方差的迹为参数的活化函数,对加速度方差和机动频率进行自适应处理,实现了对＂当前＂统计模型的改进;同时,采用UKF（unscented Kalman filter）对非线性目标进行跟踪滤波,构造出基于改进＂当前＂统计模型的非线性机动目标跟踪算法,仿真结果表明,改进的＂当前＂统计模型不仅保留了＂当前＂统计模型跟踪算法对一般机动目标跟踪精度高的特点,而且对弱机动目标跟踪也具有更优越的性能,大大扩大了机动跟踪范围.     

机动目标跟踪的机动频率自适应算法

为了更好地跟踪机动目标 ,提出了一种机动目标跟踪的改进方法 .利用目标的跟踪残差 ,求取跟踪滤波器的理论残差方差值 ,再根据统计的残差方差 ,建立了残差的假设检验阀值 .并对其算法进行了具体的推导 ,得出自适应选择机动频率的原则 ,使机动频率与目标的当前状态更接近 .对“当前”模型和改进后的模型进行了仿真 ,仿真结果表明该方法具有更小的跟踪误差 ,是可行和有效的     

基于神经网络的机动目标自适应跟踪算法

非机动或弱机动目标的跟踪精度和稳定性问题一直困绕着人们,根据机动目标“当前”统计模型和均值与方差自适应滤波算法,建设性地提出了基于神经网络的机动目标自适应跟踪算法,并以仿真实验给予了验证。     

变维卡尔曼滤波算法的机动目标跟踪性能研究

卡尔曼滤波在非平稳矢量信号和噪声环境下具有广泛的应用,针对机动目标具有多个运动模型的特点,采用基于卡尔曼滤波的变维算法对机动目标进行跟踪处理,该算法首先建立了机动目标的非机动模型（CV）和机动模型CA）,然后对观测数据进行滤波和误差估计处理,最后通过计算机的蒙特卡洛仿真得到了滤波轨迹和机动目标的位置和速度误差,仿真结果表明变维卡尔曼滤波算法具有很好的目标跟踪性能.     

非线性粒子滤波目标跟踪应用仿真

针对非线性环境中存在的机动目标跟踪问题,对基于贝叶斯估计的粒子滤波器进行研究,为解决混合退火粒子滤波重要密度函数构造的问题,在混合退火粒子滤波的基础上,通过对系统状态和观测粒子方差的研究,提出了非线性环境下动态退火参数粒子滤波的改进算法,在混合退火粒子滤波中引入动态退火参数来构造高效的重要密度函数,提高了混合退火粒子滤波的跟踪精度,应用该滤波方法对机动目标模型进行仿真,并对多种滤波跟踪算法进行性能测试和比较,仿真实验结果表明,在非线性环境下该粒子滤波方法可行有效.     

方差自适应机动目标跟踪算法研究

针对机动目标弱机动时不能自适应调整,从而对弱机动目标跟踪精度不高的缺点,提出了一种改进的方差自适应机动目标跟踪算法。新算法将机动目标的运动状态分为弱机动状态和强机动状态,并通过新息平方的统计量和当前加速度估值进行机动自适应检测,能够根据目标当前的机动特性自适应调整过程噪声协方差矩阵,使运动模型与机动目标的当前运动状态相匹配,在保持对强机动目标跟踪性能的同时,实现了对弱机动目标更为精确的跟踪。仿真结果表明,改进算法对弱机动目标的跟踪性能明显优于当前统计模型。     

基于不同运动模型的IMMPDA算法仿真

在现有的机动目标跟踪算法中,其中的概率数据关联（PDA）算法和交互式多模型（IMM）算法最具代表性。而在此基础上发展而来的IMMPDA算法是解决杂波环境下单机动目标跟踪问题比较有效的方法。通过对分别基于CA模型、Singer模型和“当前”统计模型的交互式多模型概率数据关联（IMMPDA）算法进行仿真,对其优缺点进行对比分析。仿真结果显示IMMPDA算法在高机动目标跟踪中具有巨大优势,不同的：运动模型基于IMMPDA都较好地实现了对高速高机动目标的滤波跟踪。     

一种基于优先级调度的相控阵机动目标跟踪方法

在相控阵雷达跟踪加搜索（ＴＡＳ）工作方式下,为跟踪较大的机动目标,提出一种目标机动检测器设计方法,得到归一化的目标机动系数．基于该方法,给出了一种动态计算优先级的调度算法,较好地解决了机动多目标跟踪的资源调度问题．与几种常用机动检测器相比较,结果表明了这种机动检测器具有更高的检测概率．最后在多目标环境下进行机动目标跟踪的蒙特卡罗仿真,仿真结果显示了多目标机动检测器和资源调度算法的有效性．     

一种改进的机动再入目标自适应跟踪算法

在机动再入目标高精度跟踪问题的研究中,由于目标变化速度快,动态模型为非线性,传统的Jerk分段均匀假设和随机模型近似思想建立的机动再入目标分段匀Jerk模型和过程噪声自适应方法中,存在加速度的方差期望近似瞬时方差的固有误差.为解决上述问题,提出了改进的机动再入目标自适应模型及相应的容积卡尔曼滤波跟踪算法,采用加速度状态协方差修正项来近似加速度的瞬时方差,同时引入强跟踪渐消因子增强加速度状态修正项近似瞬时方差的能力,给出了更精 确的机动再入目标自适应模型;结合状态扩展方法和容积卡尔曼滤波算法实现了机动再入目标的高精度自适应跟踪.仿真结果表明:改进后的算法对机动再入目标跟踪具有更高的精度和稳定性,对目标机动性变化有更低敏感性.     

基于改进“当前”统计模型的转弯机动跟踪算法

针对转弯机动目标跟踪,提出一种改进的“当前”统计模型对角速度进行估计．该模型在当前统计（CS）模型的基础上,通过加权一个以新息方差之迹为参数的活化函数,对加速度方差和机动频率进行自适应处理,经滤波获得目标速度方向角．然后,将角度滤波获得的方向角度、角速度、角加速度作为曲线模型的输入,实时跟踪机动状态．新模型可准确估计目标的角速度,算法可显著提高转弯机动目标的跟踪精度,仿真实验验证了算法的有效性．     

基于量测迭代更新集合卡尔曼滤波的机动目标跟踪算法

在机动目标跟踪中,用于模型辨识和状态估计的非线性滤波器的合理选择和优化是提升滤波精度的关键.融合量测迭代更新集合卡尔曼滤波和交互式多模型(interacting multiple models,IMM)方法,本文提出了基于量测迭代更新集合卡尔曼滤波的机动目标跟踪算法.通过迭代更新思想的引入构建了一种量测迭代更新下集合卡尔曼滤波的实现结构,并将其作为IMM的模型滤波器实现对于目标运动模式和状态的辨识与估计.针对算法结合过程中滤波精度和计算量的平衡,设计了用于输入交互环节的状态估计样本,同时简化输入交互环节和输出交互环节中滤波误差协方差矩阵的交互过程.理论分析和仿真结果验证了算法的可行性和有效性.     

基于测量方差时变的改进强跟踪滤波算法

分析了测量方差预先设定对强跟踪滤波算法的不利影响,提出了一种测量方差自学习修正的强跟踪滤波算法。该滤波算法能够充分利用传感器每次测量带来的新信息,同时,可以进一步优化测量方差,提高了对状态的估计精度,最后,通过仿真计算验证了该算法的有效性。     

Adaptive Maneuvering Frequency Method of Current Statistical Model

Current statistical model (CSM) has a good performance in maneuvering target tracking. However, the fixed maneuvering frequency will deteriorate the tracking results, such as a serious dynamic delay, a slowly converging speedy and a limited precision when using Kalman filter (KF) algorithm. In this study, a new current statistical model and a new Kalman filter are proposed to improve the performance of maneuvering target tracking. The new model which employs innovation dominated subjection function to adaptively adjust maneuvering frequency has a better performance in step maneuvering target tracking, while a fluctuant phenomenon appears. As far as this problem is concerned, a new adaptive fading Kalman filter is proposed as well. In the new Kalman filter, the prediction values are amended in time by setting judgment and amendment rules, so that tracking precision and fluctuant phenomenon of the new current statistical model are improved. The results of simulation indicate the effectiveness of the new algorithm and the practical guiding significance.      

基于改进Kalman滤波的可见光极小目标TBD跟踪方法

针对无人机可见光图像极小目标跟踪问题,本文提出一种基于改进卡尔曼滤波的 (Tracking before detection,TBD)跟踪方法。首先利用检测算法定位目标位置作为卡尔曼滤波的测量值,检测过程中的匹配相似度参数作为卡尔曼滤波测量噪声协方差矩阵的参照依据,其次利用卡尔曼滤波建立跟踪框架预测下一帧的目标位置,最后检测模块以预测位置为 参考位置进行局部搜索,完成整个检测跟踪过程。为了提高跟踪效率,本文根据检测和预测位置积累误差判决检测模式,误差超过门限值则采取全局检测模式消除积累误差,否 则使用局部检测模式,降低TBD跟踪算法的运算复杂度。仿真实验证明,本文方法可以有效检测跟踪极小目标,提高跟踪的实时处理能力。     

自适应渐消有偏扩展卡尔曼滤波在目标跟踪中的应用

针对机动目标跟踪过程观测矩阵病态导致扩展卡尔曼滤波算法跟踪效果不佳的问题,提出一种自适应渐消有偏扩展卡尔曼滤波算法。该算法以扩展卡尔曼滤波为基本框架,并借鉴Gauss-Markov模型的思想以解决观测矩阵病态问题。算法根据状态估计均方误差最小条件求得有偏因子,以降低病态观测矩阵对滤波估计的影响;根据滤波发散判据提出一种新的渐消因子估计方法,以实时调整预测协方差矩阵,从而改善滤波增益并有效提高目标跟踪精度。仿真结果表明,改进算法比传统扩展卡尔曼滤波对目标跟踪的精度有较大提高,同时稳定性更好。     

基于强跟踪滤波器的交互式多模型算法

针对传统的EKF-IMM算法鲁棒性较差等问题,提出了一种基于强跟踪滤波器（STF）的交互式多模型算法。该算法通过引入强跟踪滤波器（STF）的渐消因子,实现了对滤波器增益的实时调节,从而提高了系统对机动目标的自适应跟踪能力和跟踪精度。仿真结果表明,在目标不发生机动时,该算法和EKF-IMM算法的跟踪效果相近,在目标发生强机动时,该算法在径向速度和方位角的跟踪精度要优于EKF-IMM算法;提出的算法具有更优的机动目标跟踪性能。     

基于MMPHDF的多机动目标联合检测、跟踪与分类算法

针对场景中存在新目标出现、旧目标消失(即目标数目变化)和密集杂波的复杂情形,利用多模型概率假设密度滤波器(MMPHDF)在多机动目标联合检测与跟踪上的优势,加入类别辅助信息,提出了一种多机动目标联合检测、跟踪与分类算法.该算法的基本思想是在MMPHDF中用属性向量扩展单目标状态向量,用位置和属性的组合测量似然函数代替单目标位置及杂波位置测量似然函数,提高了不同类目标与杂波测量间的鉴别能力,从而改善了目标数目及状态的估计精度;在更新目标状态后,对目标属性信息进行更新,更为精确的目标数目及状态估计又保证了目标分类性能.本文给出了该算法的粒子实现方法.仿真结果验证了上述结论.     

针对机动目标的改进型交互多模型跟踪算法研究

为了提高对机动目标的跟踪精度,更准确地获得目标实时位置与速度信息,提出了一种改进型交互多模型跟踪算法.采用目标特征数据为初始数据提供限定域,然后在滤波器中加入调节参数,从而利用目标状态增益矩阵与协方差矩阵的迭代完成对跟踪精度的优化.实验仿真分析了机动目标的3种常见状态,并与传统交互多模型跟踪算法进行了对比.实验结果显示...     

基于萤火虫优化粒子滤波的新型机动目标跟踪算法

交互式多模型粒子滤波算法需要多个模型才能对强机动目标进行跟踪,并且粒子滤波的重采样会导致粒子贫化现象,针对该问题提出一种新型机动目标跟踪方法.该方法首先将萤火虫群体的吸引和移动机制引入粒子滤波;再将改进粒子滤波引入交互式多模型中,通过智能寻优的方式提高交互式多模型的跟踪精度和稳定性.实验结果表明,相对于IMM-PF,改进方法可以用更少的时间达到同等精度,提高了机动目标跟踪的效率.