非线性滤波方法在水下目标跟踪中的应用

在对扩展卡尔曼滤波、不敏卡尔曼滤波和粒子滤波3种非线性滤波方法进行研究的基础上,对粒子滤波算法的重要性密度函数的选取方法进行了研究。结合水下目标的被动跟踪的应用背景,比较了3种滤波算法在水下目标跟踪中的性能差异。结果表明,粒子滤波算法能较好的用于非线性、非高斯条件下的水下目标跟踪。     

基于Rényi信息增量的机动目标协同跟踪算法

针对基于多传感器组网进行机动目标跟踪的传感器管理问题,提出了一种基于Rényi信息增量的机动目标协同跟踪算法。首先结合"当前"统计模型和交互式多模型不敏卡尔曼滤波算法设计了一种变结构多模型算法,来进行机动目标的状态估计;然后以Rényi信息增量为评价准则,选择使Rényi信息增量最大的单个传感器进行目标跟踪;最后利用得到的最优加速度估计进行网格划分,更新变结构多模型中的模型集合。在一般机动及强机动场景下进行了算法性能分析,仿真结果表明,该算法能够合理地选择传感器,提高了对机动目标的跟踪精度。     

卡尔曼滤波框架下优化增益异类噪声处理方法及其应用

针对基于卡尔曼滤波框架算法只能处理已知高斯噪声系统的局限性,设计能够同时处理含有异类噪声系统的改进算法。将不确定系统受到的干扰分成高斯噪声和未知有界噪声,对噪声特点进行分析,并将其加入状态方程和观测方程;在吸收集员滤波优点的基础上,对标准卡尔曼滤波进行改进,通过计算包含两种异类噪声系统状态的最小均方误差,得到该条件下滤波增益的调整值;将利用集员滤波得到的状态统计量以及两类噪声信息和调整后的滤波增益代入卡尔曼滤波体系,得到改进后的滤波算法。将提出的改进方法应用于不确定车辆导航系统中进行解算,仿真结果表明:改进滤波方法能够有效克服异类噪声的干扰,性能优于扩展卡尔曼滤波方法,对异类噪声具有较好的抵抗能力。     

杂波环境下机动目标跟踪算法研究

杂波环境下的机动目标跟踪问题具有非线性、非高斯、不完全观测的特点,其难点在于观测值与目标的对应关系及每一时刻的运动模式均呈现高度不确定性。文中将多模型理论和辅助粒子滤波算法相结合,提出了一种新的杂波环境下机动目标跟踪算法——多模型辅助粒子滤波算法(MMAPF)。仿真结果表明,该算法与传统的交互多模型——扩展卡尔曼滤波算法、辅助粒子滤波算法相比,在相同的情况下,具有更高的滤波精度和较好总体性能。     

一种新的非线性/非高斯滤波方法

自主滤波方法是一种递归式贝叶斯估计方法 ,该方法采用一组抽样值来近似目标状态的概率密度函数 ,可用于非线性系统模型和观测模型、非高斯观测噪声条件下的滤波。将该算法与扩展卡尔曼滤波方法进行了比较 ,仿真结果表明 ,该算法性能优于扩展卡尔曼滤波方法     

在分布式传感器网络中HMM的数据融合和跟踪

本文涉及多目标跟踪问题,由主动声呐(多静态网络)激活的被动声呐产生量测值。遇到的困难有两类:每个传感器不单独提供一个目标的完全可观察性,另一类是必须涉及到在干扰环境中运动的多个可能机动的目标。这里介绍的算法是基于目标时演变的离散马尔科夫建模方法。它从融合每个量测时间获得的探测值着手。由于动态规划(DF),下一步要完成跟踪和目标运动分析(TMA)。在几乎没有目标运动,例如回避使用确定性目标状态模型的情况下,用这种方法进行多个且机动的目标跟踪。本文介绍和讨论了仿真结果。     

利用多传感器跟踪机动目标:数据越多总意味着估计越好吗?

在文献中考虑利用多传感器跟踪机动目标一类的问题时,支持特定目标跟踪的传感器数量及类型通常相对于目标假定位置是固定的。然而,在许多多传感器系统中,支持某一特定目标跟踪的传感器数量及类型,可由于各个传感器的机动性、类型及资源的制约而随时变化。这种在传感器系统配置上的变化性,在跟踪机动目标时造成严重的问题,这是由于目标运动模型存在不确定性。卡尔曼滤波器通常用于滤波位置测量,以估计目标的位置,速度和加速度。在设计卡尔曼滤波器时,过程噪声(加速度)方差Qk的如此选定以致于65％到95％的概率区间能包含目标的最大加速度水平。然而,当目标机动时,加速度以一种确定性方式变化。于是,与过程噪声相关的白噪声假设发生偏离,滤波器在目标机动期间产生状态估计偏差。如果选定一个较大的Qk,则在机动时的状态估计偏差较小。但当目标不作机动时,此时的Qk只能粗劣地表征目标运动,而且滤波性能远远偏离最优了。这里,举出了目标在单一坐标系运动的例子,说明了利用多传感器跟踪机动目标存在的问题,从中表明两传感器(在确定条件下,其中包括各传感器的正确配置)具有较之单一传感器更糟糕的跟踪性能。将交互式多模型算法(IMM)应用于该范例中,证明了它是一种解决跟踪滤波器性能问题的潜在方法。     

非高斯背景条件下水声信号粒子滤波性能分析

基于贝叶斯滤波原理,介绍了粒子滤波(Particle Filter,PF)的基本思想和具体算法实现步骤。针对非高斯噪声对水下信号目标跟踪的影响,分别对符合高斯分布、韦伯分布和伽马分布的随机噪声序列,在噪声均值和方差相同的条件下,对比分析了扩展卡尔曼滤波(Extended Kaman Filter,EKF)算法和PF算法的估计精度。仿真结果表明,在非线性非高斯环境下EKF算法跟踪性能严重下降,而PF算法能继续保持较好的跟踪精度,证明PF算法在非线性非高斯系统中的有效性。     

防发散无迹卡尔曼滤波自适应网格交互式多模型算法

针对非线性观测条件下的机动目标跟踪问题,基于机动目标的协同转弯模型,采用防发散无迹卡尔曼滤波方法和自适应网格的模型集自适应策略,研究了一种变结构交互式多模型算法。对二维机动目标跟踪的仿真结果表明,该算法与相应的固定结构交互式多模型算法相比,可以解决固定结构多模型算法存在的问题,有效提高多模型算法的精度和费效比,缩短计算时间,且适合工程应用。     

机动目标跟踪的非线性算法

卡尔曼滤波器对线性高斯滤波问题能提供最优解, 而对目标运动模型、观测方程等要求的非线性就不再适合,提出了一种机动目标自适应非线性粒子滤波算法-" 粒子滤波器"(Particle Filters PF)法, 这种方法不受线性化误差和高斯噪声假定的限制,适用于任何状态转换或测量模型, 分析比较了粒子滤波(PF)与扩展卡尔曼滤波算法(EKF) 的滤波精度、运算量等方面指标.给出了基于典型非线性模型的算法仿真, 仿真结果表明粒子滤波新方法优于EKF对机动目标跟踪.     

城市环境下单无人机测向定位航迹优化算法

为解决单架无人机在城市环境中对辐射源目标的定位问题,提出了一种基于环境预测法的单无人机测向定位航迹优化算法。使用交互多模型-扩展卡尔曼滤波进行视距和非视距信号混合环境下的目标估计。结合估计的目标位置和城市地理信息模型,基于视线追踪法求解信号遮挡区域和多径信号干扰区域。在滚动时域控制算法框架下生成无人机预测轨迹,以最大化Fisher信息矩阵行列式为测向定位评价准则,考虑建筑物障碍以及其对信号的遮挡和反射效应对无人机测向定位航迹的影响,控制无人机选择最优航向飞行。仿真结果表明,该方法能够使无人机在存在障碍、信号遮挡和多径干扰的环境下实现对目标的高精度测向定位,为解决城市环境下的单架无人机测向定位问题提供了新思路。     

扩展式机动目标可调白噪声模型

在目标跟踪过程中,每个量测周期所得到的雷达量测数据以极坐标形式表示。量测方程在极坐标中是线性的,但在笛卡儿坐标系中却是非线性的。此时,目标跟踪实际上是非线性的。随着现代航空、航天技术的发展,飞行器的机动性得到了更大的加强,这就使跟踪问题变得更加困难和复杂。针对非线性机动目标跟踪问题,提出了一种扩展式当前统计模型机动目标跟踪算法。该算法不需要假定目标的机动加速度模型,而是直接正确地估计出机动目标的当前状态,不存在任何估计滞后与修正问题。最后,给出了算法的仿真分析。     

基于期望系统噪声的自适应机动目标跟踪研究

状态估计是目标跟踪中的基本问题,也是目标跟踪的一个难点。首先对标准IMM算法的优缺点进行了论述,针对其缺点和不足,提出了基于期望系统噪声模型（MIMM）的自适应多模型算法,该算法能有效地对机动目标的状态进行自适应估计。仿真结果表明,该算法比标准的IMM算法有较好的改善。     

闪烁噪声条件下基于交互多模框架的雷达目标跟踪算法

针对传统雷达目标跟踪算法在处理闪烁噪声时面临的性能下降问题,提出一种将容积卡尔曼估计器与交互多模框架相结合的高性能滤波算法。该算法将目标状态建模为高斯分布,将闪烁噪声建模为混合高斯分布,同时将其发生概率建模为一阶马尔可夫过程;在此基础上,利用交互多模框架实现对不同高斯噪声分量的匹配滤波处理。为了减轻非线性观测条件对目标跟踪精度的影响,进一步采用容积卡尔曼估计器作为高斯近似滤波器,对目标状态进行递推预测和更新。仿真结果表明：所提算法较传统高斯混合滤波器和粒子滤波器具有更高的跟踪精度和更好的实时性能,同时还能对闪烁噪声出现时刻进行有效的估计。     

在非高斯信道下多用户检测的鲁棒算法

在无线通信中应用多用户检测技术可以有效去除多路径干扰 (MAI)。实验证明 ,实际信道通常包含冲激噪声 ,从而是非高斯的。讨论了目前扩频通信 (DS SS)中应用于非高斯信道的自适应鲁棒的多用户检测技术 ,以前的研究大多存在两个缺点 :一是需要对非高斯信道的模型有一个先验估计 ;二是计算较基于高斯信道的算法复杂的多。本文从传统的特征空间的自适应跟踪技术PASTd[1] ,针对其误差模型对算法进行修改 ,提出了一种简易的鲁棒算法。经蒙特卡洛仿真证明 ,该方法在含冲激噪声信道中能显著提高信号子空间跟踪的精度     

海面多径环境下雷达目标俯仰角测量提取的研究与应用

在单脉冲测角体制下,由于多径回波信号的干扰,极大地影响了雷达对低空目标俯仰角的测量。通过对多路径反射环境模型分析,同时考虑镜面反射和漫反射的干扰,得出了岸、海基单脉冲雷达低空目标跟踪时俯仰角测量误差的产生原因,将传统的多目标分辨算法(C2算法)与偏差补偿技术相结合应用于低角多径环境下偏轴跟踪目标俯仰角的测量,弥补两种算法各自的不足。在给定的测量环境下对不同高度目标进行仿真,得到良好的仿真结果,表明两种算法结合使用,可较大地提高低空目标偏轴跟踪俯仰角的测量精度。并将其应用于某型雷达对掠海巡航飞行目标测量数据事后俯仰角的提取,与雷达实时输出的俯仰角测量数据相比,验证了该算法的有效性和可实施性。     

临近空间高超声速目标跟踪方法研究?

临近空间高超声速目标跟踪技术研究在空天防御系统中具有重要军事意义和理论价值。本文综述了临近空间高超声速目标跟踪中的目标运动建模、目标跟踪算法等研究内容的研究进展，并对其存在的问题进行了深入分析。针对这类目标跟踪存在的问题，结合临近空间高超声速目标探测跟踪需求，指出了临近空间高超声速目标跟踪技术的研究思路，为相关研究提供了参考。     

舰载雷达中频信号仿真设计与实现

为满足舰载传感器或武器系统论证、设计、试验、评估、训练等全生命周期的应用,对新型舰载警戒探测与跟踪雷达中频信号模拟器的系统体系和组成进行了探讨,介绍了系统的功能和技术指标,重点研究了软件无线电在雷达中频信号模拟中的应用、雷达电磁环境和目标回波仿真等一些关键技术,包括目标航迹模拟、目标回波模拟、杂波信号模拟、雷达接收天线仿真、雷达天线方向图仿真等.采用软件无线电技术和软硬件相结合的方法较逼真地实现了海战场复杂电磁环境下雷达中频信号的模拟.     

边缘化粒子概率假设密度滤波的多目标跟踪

针对复杂情况下的多目标跟踪问题,提出一种边缘化粒子概率假设密度滤波(MPF-PHD)方法。该方法首先将复杂情况下多个目标的状态向量分别提取出其中的非线性状态与线性状态。然后利用粒子概率假设密度滤波(PF-PHD)估计非线性状态,利用卡尔曼滤波(KF)估计线性状态,并把其中与非线性状态相关的线性状态估计用来优化非线性状态估计。通过对MPF-PHD方法与传统的PF-PHD方法仿真对比,验证了MPF-PHD方法有效解决了复杂情况下多目标跟踪的漏检问题,提高了多目标状态估计精度。     

IMM-EKF雷达与红外序贯滤波跟踪机动目标

雷达与红外数据融合能够实现信息互补,改善对目标的跟踪、识别以及提高系统的生存能力.为了解决空中目标高速机动时,单一模型的雷达/红外序贯滤波跟踪发散的问题,提出了一种基于序贯滤波和交互多模型的雷达/红外融合跟踪机动目标的方法,通过在雷达与红外序贯滤波融合中引入交互多模型来跟踪机动目标.仿真结果表明,该方法与基于最优数据压缩的雷达与红外传感器融合跟踪机动目标相比,跟踪精度明显提高,是一种雷达与红外传感器融合跟踪机动目标的有效方法.