一种主/被动雷达协同探测跟踪模式及算法研究

为了提升地空导弹武器系统体系抗干扰及隐蔽性作战能力,结合新装备主动雷达和基于时差法测量的被动雷达系统各自技术优势,提出了一种主动雷达辅助的被动雷达协同探测跟踪模式,并针对该模式研究设计了一种协同探测跟踪算法。通过引入模糊推理函数,利用新息方差实际值和量测误差协方差变化率值作为模糊输入控制量,实时控制主动雷达的开关机工作,不仅实现了对主动雷达的精确化和实时化控制,而且提高了系统跟踪精度。通过Monte Carlo仿真,进一步验证了协同模式的合理性以及改进算法的有效性和正确性。     

杂波环境下多被动传感器单目标跟踪算法

由于被动传感器只能获得目标的角度量测,因此杂波环境下基于被动传感器的关联问题较主动传感器更为困难。针对杂波环境下纯方位多被动传感器系统的单目标跟踪问题,提出了一种基于扩展卡尔曼滤波的模糊综合贴近度关联跟踪方法。该方法采用直角坐标系下多被动传感器系统的扩展卡尔曼滤波对目标进行跟踪。首先利用目标航迹的预测信息,针对每个传感器建立确认跟踪门;在获得候选关联组合后,直接利用角度信息建立各候选关联组合与角度预测值间的模糊综合贴近度,通过在所获得的全部模糊综合贴近度中寻求最优解完成量测到航迹的关联。仿真实验表明,该方法可以有效地解决杂波环境下多被动传感器系统的单目标跟踪问题。     

异类传感器协同探测跟踪技术研究

低小慢消费级无人机的非法滥用,对社会公共安全带来了安全隐患和威胁。文中提出综合的探测和跟踪方法,该方法结合无线电侦测、雷达、光电和声学等传感器各自探测的优势,协同探测来袭无人机目标,互相补盲,并将信息进行融合,形成高质量的目标航迹,提高系统的探测跟踪能力和探测精度,为后续处置设备提供高质量的目标拦截打击引导数据。     

机载红外搜索跟踪系统被动定位滤波算法研究

首先用扩展卡尔曼滤波算法构建了机载红外搜索跟踪系统被动定位滤波模型．然后针对该滤波算法要求先验的噪声统计及存在系统观测模型线性化误差影响滤波精度的特点．利用虚拟噪声技术，提出了适合于红外搜索跟踪系统被动定位的自适应扩展卡尔曼滤波算法。该算法实时地估计了虚拟噪声的统计特性，减小了线性化误差，提高了非线性滤波的精度。仿真结果表明，在完全相同的初始条件下，自适应扩展卡尔曼滤波对目标距离和速度的估计结果明显优于扩展卡尔曼滤波，此算法具有很高的工程应用价值。     

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。     

红外与激光主/被动联合跟踪算法

针对单站红外被动式跟踪存在不可观测性问题，提出红外与激光主／被动单目标联合跟踪方法。该方法首先针对三维空间任意机动目标的跟踪问题，将参考文献[1]给出的一维机动目标“当前”统计模型推广到三维情况，得到三维情况下跟踪任意机动目标的状态方程和跟踪系统的非线性量测方程。然后对红外探测器测量的角度信息和激光测得的距离信息进行融合，得到正确的测量值。最后提出扩展的自适应卡尔曼滤波算法并进行了仿真研究。仿真表明；方案可行，可同时对目标三个空间坐标轴的位置、速度、加速度进行估计。     

卡尔曼滤波在被动目标跟踪系统中的应用

针对卡尔曼滤波方法在双观测站被动目标跟踪系统中的应用进行了研究。建立了双观测站被动跟踪系统的非线性滤波模型,通过扩展卡尔曼滤波方法在该非线性模型下的具体实现步骤。分析了目标通过不同角度向观测站袭来时,卡尔曼滤波算法对目标参数估计的精度,验证了扩展卡尔曼滤波方法在被动目标跟踪中的有效性。仿真结果表明,目标参数估计的精度与观测的目标方位角变化率有关,变化率越大,估计误差越小。     

大视场双目主动视觉传感器的协同跟踪方法

针对大视场视觉监控的应用,提出了一种基于球面坐标的双目主动视觉传感器协同跟踪方法。首先采用图像特征匹配的方法估计摄像机的内部参数,然后引入球面经纬坐标系作为双目视觉传感器的公共坐标系,最后结合场景深度范围实现目标的协同跟踪。对于任意安装的双目视觉传感器,提出了一种建立球面公共坐标系的新方法,统一了不同参数下的情形,可以实现任意参数下的协同跟踪。实际监控场景下的视频实验,验证了方法的有效性和可行性。     

单站目标被动跟踪的滤波器方法研究

为了实现对单站目标的被动跟踪,分析并比较了扩展Kalman滤波器和粒子滤波器在非线性估计方面的性能,并且针对粒子滤波器存在的粒子退化现象,引入改进的重采样算法和基于无迹变换的滤波算法.仿真实验分别比较了几种滤波器在目标做匀速、匀加速、变加速情况下距离和速度滤波的均方根误差,结果表明粒子滤波器滤波性能优于扩展的Kalman滤波器,改进的重采样算法和基于无迹变换的粒子滤波器可以有效改善估计精度.     

被动导引头辐射源跟踪新算法研究

由于被动导引头辐射源跟踪系统非线性较强,传统的跟踪滤波算法是粒子滤波（PF）、U卡尔曼滤波（UKF）。但这些算法都存在着一定的缺陷,粒子滤波算法收敛速度慢、计算量大,UKF跟踪精度低。针对上述问题,提出了一种基于PF算法的新的跟踪滤波算法PUKF。该算法采用粒子滤波和U卡尔曼滤波加权的思想对目标实现初始的捕捉,然后通过UKF算法对目标进行跟踪保持。该算法受初始状态影响小,跟踪的精度高,收敛速度快,系统性能稳定。仿真实验表明了在被动辐射源跟踪系统中该算法的可行性和有效性。     

基于改进动态关联的多目标无源跟踪算法

针对状态-状态动态关联算法关联精度差,计算量大等缺点,提出了基于状态-量测动态关联的多目标只测角无源跟踪算法。该算法在航迹起始后,将目标状态估计直接与下一时刻由静态量测-量测数据关联确定的S元量测进行关联,利用二维分配算法得出关联对后,通过不敏卡尔曼滤波算法对关联出的方位角集合进行非线性滤波从而实现对与之关联目标的状态更新。仿真结果表明所提多目标跟踪算法能有效关联不同时刻源于同一目标的S元量测从而实现多目标跟踪且适合目标数目变化的情况,具有较好的工程应用前景。     

基于修正SUKF的固定单站无源定位跟踪算法

针对基于超球面单形采样策略的SUKF在初始误差和观测误差较大时滤波性能下降的问题,以固定单站无源定位目标跟踪为应用背景,引入后向平滑处理,并结合系统模型特点对算法作进一步的优化,提出一种修正的SUKF算法。理论分析和仿真实验表明,文中所提算法相对于传统UKF和SUKF算法,在运算开销增加不大的前提下,有效提高了算法的稳定性和滤波精度,具有一定的工程实用意义。     

一种改进的EKPF算法在固定单站无源定位中的应用

本文针对EKPF算法在固定单站无源定位目标跟踪的应用中运算量大、实时性差的问题,通过对部分粒子进行EKF采样,将EKPF算法进行改进,改进的EKPF算法不仅有效降低了运算量,同时增加了粒子的多样性,使粒子集更能体现概率密度函数的真实分布。Matlab仿真表明,与传统的EKPF算法相比,改进算法在保证滤波性能基本不变的前提下,算法运算量大幅下降。     

一种快速跟踪的单站无源定位算法

在单站无源定位与跟踪中，扩展卡尔曼滤波算法对初始值依赖性较强，在观测方程非线性较强时收敛速度和稳定性无法满足要求，因此文中提出了一种优先估计慢变化参量的定位跟踪算法，通过仿真比较验证了该算法具有较好的收敛速度和稳定性，具有对滤波初始值的依赖性小的优点。     

基于视线测量改进的主被动联合探测数据关联

针对主被动传感器异地配置情况,利用视线测量转换过程,对主被动联合探测的数据关联算法进行了改进:首先,计算视线垂足至主动传感器的距离,以方位测量与该距离之差(测量差)构造新的统计量,通过视线间距以及测量差两个统计量检验初选出候选关联集;接着,主被动视线交叉将不完整的被动测量补充为完整测量,用精度加权法实现多角度测量之间的融合,得到候选集的定位点估计,计算各定位点与目标的关联概率;然后,以视线间距和测量差构造测量距离,利用测量距离之和表征关联集内部各视线的紧密度,给出视线关联度;最后,用视线关联度修正关联概率,最大值搜索正确关联组合。仿真实验结果验证了算法的有效性。     

主被动传感器实时信息融合的STMHM算法

 主、被动传感器实时信息融合是同时实现目标跟踪和目标识别的重要途径,构建STMHM(空时二维多假设模型)算法来解决该问题.首先,设计主、被动传感器的融合数据模型,并分别构建两类传感器的目标量测空间,设计STMHM的融合空间;其次,提出主、被动传感器量测空间时间初始化方法,并设计模型的滤波算法,给出适应于该算法的信息融合评判规则;最后,设计空中态势,运用该算法对数据进行融合,验证算法的有效性.     

使用插值法滤波的单站无源定位算法

综合利用到达方位角(DOA)和到达时间差(TDOA)等信息,建立单站无源定位系统的状态模型和观测模型,应用多维情形的二阶插值公式构造新型非线性滤波算法,而不需计算非线性函数的偏导,使得计算简化。仿真结果表明,用该算法可替代扩展卡尔曼滤波器(EKF)应用于单站无源定位中,能获得更为准确且收敛更快的定位结果。     

基于UKF算法的双机协同无源跟踪

针对单机对目标被动定位跟踪不具有完全可观测性,建立了双机协同探测定位跟踪模型,利用双机探测到的目标方位角和俯仰角,结合非线性滤波算法估计出目标的位置和速度参数。为解决传统的非线性滤波误差比较大、容易发散的问题,引入无迹卡尔曼滤波(UKF)算法。仿真实验表明,与扩展卡尔曼滤波相比较,UKF能更好地解决量测方程的非线性问题,滤波效果更好。