一种新的机动目标跟踪滤波的模型方法

本文提出了一种新的机动目标跟踪滤波的模型方法。它将目标的机动加速度作为一状态变量引入模型而直接进行估计,并通过卡尔曼滤波器的残差来检测目标机动与否。一旦检测出目标机动,马上重新启动卡尔曼滤波器以适应机动加速度的跳变。新的自适应滤波方法在这种情况下实现了最佳滤波。计算机仿真结果表明,在计算量远少于Moose方法计算量的情况下,本文方法的滤波精度与Moose方法的滤波精度相当。     

多站测角的机动目标最小二乘自适应跟踪算法

为了避免被动跟踪中非线性带来的计算复杂化及精度的下降问题,该文首先采用最小二乘法对目标的状态进行粗估计,然后采用当前机动目标模型和自适应跟踪算法进行线性的卡尔曼滤波,以实现对目标较高精度的定位和跟踪。实验结果表明:该方法对于匀速和匀加速运动的目标都可以达到良好的跟踪效果,其误差远小于经典的singer方法;对于强机动目标,singer方法将失效,而本文方法仍能实时辨识出目标的速度和加速度,并且估计效果良好。     

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。     

用于机动目标跟踪的Kalman滤波器的设计

机动目标跟踪广泛应用于军事和民用领域。本文针对机动目标跟踪问题,在“当前”统计模型的基础上,实现了Kalman滤波算法在工程上的应用;同时利用速度预测估计与实时速度估计间的偏差进行自适应方差调整,提出了改进的“当前”统计模型自适应滤波算法。工程实践表明,基于改进模型的Kalman滤波算法在跟踪机动目标时具有起好的跟踪性能,同时也极大改善了对一般非机动目标的跟踪能力。     

多平台对单目标的被动跟踪系统研究

由于多平台对单目标的被动系统具有隐蔽性强、实时性好等优点,因此近年来成为电子战领域研究的热点之一。针对多平台观测下的单目标被动跟踪系统进行了研究,首先提出2种跟踪系统结构:一是基于最小二乘(LS)和线性卡尔曼滤波(KF)相结合的伪线性模型系统,二是基于扩展卡尔曼滤波(EKF)并行滤波技术的非线性跟踪系统;其次分别给出具体设计步骤,并在计算机上进行仿真验证。仿真结果表明,基于EKF的非线性并行滤波技术对目标跟踪精度较高。     

机动目标跟踪的新算法

机动目标通常不是做恒定的运动,其运动状态会随时间的变化而变化.这就使描述系统运动的状态方程是非线性的,而且系统参数会不断变化.传统的推广卡尔曼滤波适用于定系统定参数的情况,如果运用到机动目标跟踪上会导致误差增大甚至滤波发散.基于此,将强跟踪滤波运用到机动目标跟踪上.强跟踪滤波在卡尔曼滤波的基础上引入了多重渐消因子,使强跟踪滤波具有极强的跟踪能力和较好地鲁棒性,因此可以很好地解决变系统变参数的问题.通过仿真,将强跟踪滤波与UT-BLUE滤波方法和EKF滤波方法进行比较,结果表明了该滤波方法的有效性和优越性.     

带有间歇辅助测量的机动目标被动跟踪

大气层外拦截器一般采用红外成像导引头,只能测量弹一目之间的视线角.为了得到先进导引律所需要的弹一目相对距离、相对速度等信息,对被动跟踪的方案、滤波方法进行了研究.首先在给出被动跟踪问题描述的基础上,分析了提高机动目标被动跟踪问题可观性的途径,提出了带有间歇辅助测量的协同跟踪方案.其次.结合大气层外目标的运动特点,建立了机动目标模型,并给出了考虑间歇辅助测量的IMM滤波方法的流程.在滤波中应用了直角坐标系和改进极坐标系,并且给出了二者之间的相互转化关系.考虑到两个坐标系各自的特点,时间更新在笛卡尔坐标系进行,测量更新在改进极坐标系中进行,避免了由于非线性特性引起的滤波性能下降问题.最后,给出了不同测量噪声水平下的仿真结果,结果表明:即使辅助测量存在较大的测量噪声,提出的方法仍然有效.     

结合幅度信息的粒子滤波机动目标被动跟踪

为提高杂波条件下的机动目标被动跟踪的性能,提出了一种新的粒子滤波目标被动跟踪算法。在声纳的输出端,提取信号的幅度信息(AI),建立多模型对转弯机动目标进行状态估计,以粒子滤波算法作为基本跟踪滤波算法,将AI与概率数据关联(PDA)算法中的似然比相结合,详细推导了结合AI的粒子滤波目标被动跟踪算法(PF-AI)实现的具体过程。在同一被动目标跟踪场景,同时使用单纯PDA算法、结合辅助信息的PDA算法和PF-AI进行被动跟踪仿真,分析了轨迹跟踪性能,并使用均方根误差比较了误差性能。仿真结果表明,与两种基于PDA的跟踪算法相比,PF-AI具有更高的跟踪精度,且算法易于实现。     

用于非线性机动目标跟踪的新型IMM算法

针对在非线性机动目标跟踪中存在的滤波器易发散、机动检测有延迟等问题,把Unscented Kalman Filter(UKF)引进到交互多模型算法(IMM)中,设计了交互多模型UKF滤波器。并利用目标运动模型集概率的相对变化率设计了自适应交互多模型UKF滤波器,最后进行了计算机仿真。蒙特卡罗仿真结果表明,两种滤波算法都具备UKF滤波器精度高、稳定性好、不易发散的优点,同时不需了解目标机动的先验信息,适合于实际应用;并且自适应交互多模型UKF滤波器具有更好的跟踪效果。     

红外序列图像目标跟踪的自适应Kalman滤波方法

提出了一种用于动态序列图像目标跟踪的自适应Kalman滤波方法。该方法用函数估计的思想估计目标的当前运动模型,同时实时修改滤波器的统计模型,并将最小二乘支持向量机应用于对当前目标运动模型的估计。实验表明,此种改进的Kalman滤波器的算法在跟踪机动目标时具有良好的性能。     

使用高斯混合滤波器的机动目标跟踪

实际目标跟踪过程中,被跟踪目标的状态与类型都是不确定的。使用运动学传感器与属性传感器分别获取的目标状态量测信息与特征量测信息,给出了目标状态与类型不确定性的联合状态类型概率密度函数表示,并推导了线性高斯假设下的系统模型为高斯混合模型。根据这一性质,引入高斯混合滤波器,实现了机动目标的有效跟踪。在仿真分析中,通过对比3种算法的跟踪结果,进一步验证了使用高斯混合滤波器在机动目标跟踪过程中的有效性。     

自适应转弯模型的机动目标跟踪算法

给出了一种利用白适应转弯速率模型的IMM跟踪算法，可以用于机动目标的跟踪中。每一步通过交互输出的速度和加速度的估计值来计算转弯速率，它的大小等于加速度和速度的比值。本文中对提出的白适应算法和其他两种IMM算法进行了比较。     

机动目标无源跟踪IMM-MKF算法

为提高运动多站对机动目标的无源跟踪性能,提出了一种新的基于交互式多模型-边缘化卡尔曼滤波(IMM-MKF)的机动目标跟踪算法。该算法将交互式多模型(IMM)结构和边缘化卡尔曼滤波(MKF)结合,利用MKF算法对每个模型进行滤波,对滤波结果进行交互作用来得到跟踪结果。以只测角机动目标跟踪为例对所提算法进行仿真分析,仿真结果表明,相对于采用扩展卡尔曼滤波(EKF)、不敏卡尔曼滤波(UKF)及容积卡尔曼滤波(CKF)算法的典型交互式多模型算法,所提算法具有更好的跟踪性能。     

一种基于自适应滤波的雷达目标跟踪算法

针对在复杂环境下基于卡尔曼滤波的雷达目标跟踪中存在的鲁棒性和自适应性较差的问题,研究了一种新的雷达目标自适应鲁棒跟踪算法;通过引入自适应渐消因子,对估计误差协方差和滤波增益矩阵进行在线自适应调整,从而使得滤波算法具备良好的鲁棒性和自适应性,提高雷达目标跟踪的精度。最后,通过仿真对所研究的方法进行了验证。     

杂波环境下被动多传感器机动目标跟踪新算法

针对杂波环境被动传感器机动目标跟踪问题,该文研究了一种基于粒子滤波的被动多传感器机动目标跟踪新算法。 在该算法中,首先推导了杂波环境下粒子滤波的似然函数表达式。其次将粒子滤波与交互多模型(IMM)相结合,用IMM方法实现模型的切换,以适应目标的机动变化。用粒子滤波实现对观测方程的非线性处理。最后,建立了被动多传感器的非线性观测模型,避免了目标的不可观测性,并且算法还能够处理非高斯噪声情况。仿真实验结果表明,提出的算法能够有效地对被动机动目标跟踪,且性能优于交互多模型概率数据关联滤波器(IMM-PDAF)。     

交互式多模型机动目标跟踪方法的仿真

分析和研究利用CV模型和CA模型交互、CV模型和Singer模型交互、CV模型和“当前”统计模型交互分别对单机动目标进行跟踪。通过大量的计算机模拟仿真，比较了不同的模型组合在各种参数情况下的滤波性能，并且比较其和卡尔曼滤波（Singer模型）性能的优劣性，得出了一些有意义的结论。     

采用多速率多模型交互实现机动目标的全速率跟踪

多速率模型通过对原始测量结果和目标运动模型进行多分辨分解实现目标高精度跟踪.多模型交互方法则采用一个马尔科夫链控制多个模型交互实现机动目标跟踪.本文给出了一种采用多速率多模型交互方式实现机动目标全速率跟踪的方法,它通过交织多次滤波结果使得跟踪能同时保证高精度和全速率.仿真结果及分析说明了该方法较传统的全速率多模型交互算法获得了更好的跟踪效果.     

三维机动辐射源的单站无源跟踪方法

针对单站无源定位中对于机动辐射源利用角度及其变化率能否定位的问题，引入雷达对机动目标跟踪的多级噪声自适应(ANL)法和交互多模(IMM)方法，以及机动目标运动模型如Singer模型、匀加速模型等，研究并提出了两种对机动辐射源利用角度及其变化率进行单站无源跟踪方法。通过计算机数字仿真表明，在满足定位可观测条件的前提下，对机动辐射源仅仅利用角度及其变化率是可以定位的，其中IMM方法具有比较优秀的性能。     

机动目标跟踪的IMM无迹信息滤波方法

针对非线性观测条件下的机动目标跟踪误差较大的问题,提出了一种交互式多模型(IMM)和无迹信息滤波(UIF)法对目标进行跟踪。利用无迹变换(UT)和信息滤波(IF)避免了非线性估计问题下的线性化误差和对雅可比矩阵的直接求取,并通过分析模型集合下不同模型的概率变化情况,实现了对目标运动的状态估计。仿真结果表明,与IMM 扩展卡尔曼滤波(EKF)相比,该文提出的IMM UIF目标跟踪法提高了估计精度,较好地完成了对目标的跟踪。     

多站无源定位系统中的机动目标跟踪算法

针对多站测向无源定位系统提出了一种杂波环境下机动目标的被动跟踪算法———ＣＭＩＭＭＰＤＦ算法。该算法首先用转换测量的卡尔曼滤波（ＣＭＫＦ）替代了传统的扩展卡尔曼滤波,克服了后者精度不高易发散的缺点,并将其结合交互多模型（ＩＭＭ）算法及概率数据关联（ＰＤＦ）算法,有效地完成了多站无源定位系统对杂波环境下机动目标的跟踪。仿真结果证明了该算法的有效性。