排序方式: 共有4条查询结果,搜索用时 0 毫秒
1
1.
2.
3.
基于统计判决的关联决策是当前多雷达数据关联的一个有效途径.然而,在采用该方法对高超声速目标数据关联的问题进行研究时,却会出现随着雷达测量精度的提高,不同雷达数据关联的正确关联概率反而下降这一现象.针对这一情况,首先,利用线性调频(linear frequency modulated,LFM)雷达合理构建了基于统计判决的高超声速目标数据关联模型;接着,在现有的统计判决机制下,进一步分析了目标高超声速运动对多LFM雷达数据关联的影响,并得出了其关联判决函数(服从非中心卡方分布)与现有的关联判决门限(服从卡方分布)相矛盾的结论;最后,结合统计学的原理,通过对目标非中心统计参量的有效求解,合理解释了上述奇怪现象的出现.仿真结果表明,在目标高超声速运动的条件下,上述奇怪现象的出现是合理的. 相似文献
4.
针对高超声速强机动目标的运动具有复杂性、突变性和强非线性等特点,单模型跟踪算法难以实现精确跟踪的问题,提出了一种基于多重渐消因子的强跟踪UKF自适应交互多模型算法。考虑现有强跟踪UKF算法引入单渐消因子的不足,根据正交性原理推导得到了引入多渐消因子的强跟踪UKF算法,完成了对非线性目标状态的滤波估计;在交互多模型算法的子模型中选用改进的CS-Jerk模型;对交互多模型中各子模型间的转移概率进行在线自适应调整,并与改进CS-Jerk模型结合克服了单模型算法跟踪强机动目标的不足,实现了模型与目标运动模式的实时最优匹配。仿真结果表明,与单模型算法和经典多模型算法相比,提出的算法使得不同条件下位置和速度的跟踪误差至少降低11.89%,有效提高了高超声速强机动目标跟踪精度。 相似文献
1