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。     

基于自适应卡尔曼滤波的机动目标跟踪算法

针对一般卡尔曼滤波融合跟踪方法无法实现对机动目标的有效跟踪问题,提出一种自适应卡尔曼滤波融合方法,设计一种能够提供目标开始机动瞬时估计的目标机动探测器,反复对目标的加速机动进行估计,当确定目标开始机动时,卡尔曼滤波模型将自适应地调整为目标机动状态模型。最后,通过仿真实验对比分析,证明文中所提方法优于一般卡尔曼滤波融合方法。     

基于卡尔曼滤波的机动目标外推预测的研究

卡尔曼滤波在各个领域都有广泛的应用,如航天器的轨道计算、雷达目标跟踪、生产过程的自动控制等。卡尔曼滤波器在机动目标跟踪中具有良好的性能,是一种最佳估计并能够进行递推计算。为了研究卡尔曼滤波对机动目标的预测,首先用Matlab仿真验证自适应卡尔曼滤波的跟踪滤波能力,根据结果判定目标运动模型,进而在此运动模型下用卡尔曼预测对目标进行外推验证。     

自适应容积卡尔曼滤波在空间机动目标跟踪中的应用

针对目标在线机动时,平方根容积卡尔曼滤波不具有良好的鲁棒性,不能够快速发生响应的问题,提出一种自适应容积卡尔曼滤波(CKF)算法,算法利用CKF的平方根形式进行迭代,即SCKF。将强跟踪滤波算法引入平方根容积卡尔曼滤波,引入渐消因子对滤波发散情况进行检测和抑制,有效克服了空间目标发生机动时标准滤波器无法快速准确对其进行跟踪的问题,提高了空间目标定位跟踪的数值稳定性。仿真表明:与标准SCKF相比,自适应SCKF有效地提高了机动目标被动定位跟踪的鲁棒性,具有较高的滤波精度和稳定性,同时具有良好的实时性,能更好地完成对空间机动目标的跟踪任务。     

基于QMCPF-IMM的强机动目标跟踪算法研究

为了提高雷达对机动目标的跟踪精度,通过融合拟蒙特卡罗思想,提出了一种适用于非线性非高斯系统的拟蒙特卡罗粒子滤波交互式多模型算法。该算法利用拟蒙特卡罗采样,克服传统算法采样粒子间隙过大、粒子层叠问题,增加交互式多模型对机动目标跟踪时的有效粒子数;通过区间估计理论,解决拟蒙特卡罗支撑区间难以计算问题,并结合核密度估计重采样,保证采样粒子的低等差异性。仿真结果表明：与交互式多模粒子滤波算法相比,改进算法可在保证滤波实时性的同时,提高跟踪精度。     

基于当前统计模型的强机动目标跟踪算法

当前统计模型算法将当前加速度均值作为输入控制项引入一步预测方程,实质上变为方差自适应变化的匀加速直线运动模型,虽然单位阶跃加速度输入的稳态误差为零,但对变加速度运动的机动目标跟踪效果变差。本文提出一种改进算法,在保留修正瑞利分布描述机动加速度统计特性的基础上,选择零均值时间相关模型,并与当前统计模型算法进行比较。仿真结果表明,本算法对变加速机动目标的跟踪性能明显优于当前统计模型算法。     

强跟踪自适应滤波器实现机动目标的精确跟踪

机动目标状态估计中的一个主要问题是:目标运动的突变性导致状态噪声无法进行统计预测.传统的EKF将噪声看成是高斯白噪声有着本质上的不足,因而无法实现稳定的跟踪.引入Sage-Husa滤波算法对有色噪声进行在线的估计,一定程度上弥补了目标运动模型不够合理的缺憾.在此基础上,从系统容错设计基本原理出发,用归一化残差功率法实时地检测可能出现的数值发散现象,一旦检测到发散,印通过一种改进的强跟踪自适应滤波器进行抑制,有效地提升了滤波的健硕性,实现了稳定跟踪.最后,针对高机动目标的运动特性,仿真验证采用变维滤波模型,用EKF对目标的简单机动进行跟踪,只有目标运动突变时才采用本文提出的算法,以提升计算的实时性.仿真结果表明此算法对高机动目标的跟踪是有效的.     

用于机动目标跟踪的分段机动识别方法

分段轨迹识别方法是一种将目标轨迹分成若干段曲线,对每一段曲线进行参数估计进而估计目标状态的跟踪方法.基于分段轨迹识别方法提出了一种分段机动识别方法,使之能够适用于更多的目标机动类型.针对速度变化的目标,提出了新的曲线参数描述的模型以及新的优化跟踪性能的代价函数,改进了判断分段结束的条件以及起始新分段的方法.仿真结果表明:分段机动识别方法在稳态性能不变的情况下,能够更好地跟踪加减速目标;同时,分段机动识别方法对于高度机动目标的跟踪性能和准确构造的交互多模型算法相似,且远优于匀速直线运动模型下的卡尔曼滤波器.     

八维卡尔曼滤波机动辨识动态用户GPS定位

在８维卡尔曼滤波ＧＰＳ定位基础上，将机动量检测与引入滤波器，达到自适应调整状态模型的效果，结果说明，在８维卡尔曼滤波中加上机动辨识，使ＧＰＳ定位在动态环境应用于精度更高，且比１１维滤波器大大减小了运算量，提高了定位解算的实时率。     

宽带机动目标检测

该文提出了一种高机动目标宽带信号检测与运动参数估计方法,即先通过相邻相关对目标回波进行降阶处理,然后将其变换到距离频域,利用广义二阶keystone变换去除距离弯曲,接着对一个距离单元信号进行时间调频率变换并估计方位向的调频率,构造相位补偿函数,对广义二阶keystone变换后的信号进行补偿,再进行第二次广义二阶keystone变换,最后通过距离IFFT和方位FFT对目标进行检测,通过估计的参数可以获得目标的运动参数。仿真和实测数据验证了该方法的有效性。     

机动目标跟踪算法

针对复杂的机动目标跟踪问题,介绍了机动目标运动状态模型和固定结构的交互多模型(Interacting Multiple Model,IMM)滤波算法。在IMM基础上引入变结构思想,提出了一种基于序列似然比的变结构交互多模型(Variable Structure IMM,VSIMM)算法。通过实例仿真比较证明了该算法的有效性。     

基于卡尔曼滤波的目标飞行体预测

在卡尔曼滤波出现以前,已经建立了采用最小二乘法处理观测数据和采用维纳滤波方法处理平稳随机过程的滤波理论。卡尔曼滤波以其物理意义直观的时间域语言和有限时间内的数据观测及简单的递推方法对高速飞行体进行实时的预测和跟踪。本文提出了匀速和匀加速运动目标的运动模型,通过卡尔曼滤波算法进行预测跟踪并对其进行仿真。     

机动目标跟踪算法仿真

在民用和军事领域中,机动目标跟踪都有着广泛的应用.在介绍机动目标跟踪方法与原理的基础上,主要对可调白噪声模型、Singer模型和当前统计模型三种机动目标跟踪算法进行了研究与仿真分析.最后通过对各模型的滤波性能进行比较,得出相应的结论.     

机动目标跟踪算法仿真

针对目前应用最广的几种目标跟踪算法进行了介绍,目的是研究其在不同的跟踪条件下这些方法的性能差异,从而在此基础上发展出更加鲁棒的模型.确立了跟踪算法性能评价的相对均方根误差均值准则,通过Monte-Carlo方法,利用大量的仿真结果分析,得到了一些有益的结论.     

机动目标建模技术概述

对当前主要的机动目标模型进行了总结和分析，重点论述了模建的基本思想和假设，同时分析了各模型间的相互联系。     

机动目标命中问题的求解

采用二阶马尔可夫加速度模型建立机动目标预测器，并结合某高炮弹道函数得人速失空法求解机动目标命中问题，仿真结果证明了整个算法的有效性。     

多传感器机动目标跟踪

本文提出了一种用于跟踪机动目标的被动多传感器航迹融合方法，它与点迹融合相比性能虽略有下降，但却大大降低了融合中心的计算负但及网间通信需求，在高密度杂波环境中尤其如此。这种航迹融合的方法考虑到不同传感器间共同的系统扰动所造成的估计误差的相关，从而得到最优的融合算法。     

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.