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.     

面向非广域目标的无人机对峙跟踪方法

针对无人机对峙跟踪非广域目标问题,开展目标状态估计与无人机制导方法研究。首先建立非广域地理环境模型,将非广域地理约束作为伪观测方程引入粒子滤波器的观测方程。其次,鉴于目标在运动过程中可能受到多个模型的约束,采用交互多模型滤波算法进行状态估计,即每个模型对应的受约束粒子滤波器并行工作,并对多个滤波器估计结果进行加权,得到更精确的目标运动状态估计值。然后,提出时间最优导航向量场,通过计算期望航向角,引导无人机快速收敛至目标极限环。最后,仿真实验表明,受约束粒子滤波-多交互模型算法相比于传统的滤波算法,估计精度提高了20%,时间最优导航向量场方法相比于传统的导航向量场方法,引导效率提高了15%,所提方法可更有效地用于解决非广域目标对峙跟踪问题。     

基于观测预测粒子滤波的雷达组网目标状态估计

雷达组网系统跟踪目标时,观测数据与目标跟踪状态成严重非线性关系,难以用卡尔曼滤波最优估计方法,处理非高斯非线性系统滤波估计问题的粒子滤波算法容易产生粒子退化问题。因此,使用观测预测粒子滤波算法解决这个问题,该算法基于观测似然进行重要性采样,结合一步预测信息计算粒子权值,保证了采样粒子处于高观测似然区,并充分利用了一步预测信息。仿真验证表明,将观测预测粒子滤波算法应用于目标状态估计,避免了粒子退化,收敛快,估计精度高。     

弹道滤波算法研究

为导引我方发射的制导炮弹等目标,需要在炮瞄雷达跟踪炮弹的基础上准确估计炮弹目标的位置、速度等状态信息。鉴于直接对测量的弹道轨迹建立常规运动模型滤波效果较差,提出了两种方法。一种基于弹道偏差滤波的方法,另一种是基于弹道方程滤波方法。仿真计算比较结果表明文中建立的弹道滤波算法对弹道类目标的滤波精度和反应时间上有大幅度提高。     

非线性目标跟踪滤波算法的比较研究

针对不同的非线性目标跟踪滤波算法在性能上存在较大差异的问题,展开了5种非线性滤波算法的比较分析研究,通过分析不同滤波框架下非线性目标跟踪性能,阐述了算法理论中的关键异同点.通过仿真实验和跑车试验,比较了基于Kalman框架下非线性滤波算法和基于Monte Carlo贝叶斯估计的粒子滤波在估计精度、计算量等方面的优劣性.实验结果表明,在复杂的非线性环境中,粒子滤波相对于其他4种滤波器滤波精度更高,但计算复杂耗时长,该结果可为非线性目标跟踪滤波算法的选取提供有益的参考.     

基于箱粒子滤波的再入弹道目标跟踪

弹道目标在再入段运动方式的不确定性和复杂性导致了跟踪问题呈现非线性、不精确性。为此,引入一种"广义粒子滤波"算法——箱粒子滤波算法对再入段的弹道目标进行跟踪。该算法有别于传统点量测和误差统计模型,采用基于区间分析的箱粒子来处理这类不精确性,更加符合实际系统的工作情况,且克服了粒子滤波因需大量粒子拟合带来的实时性差的问题。仿真实验将新算法与粒子滤波算法和无迹卡尔曼滤波算法进行了对比。仿真结果表明,在确保了跟踪精度的前提下,新算法计算效率更高,是个很有效的跟踪再入目标的非线性滤波算法。     

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。     

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。     

基于采样卡尔曼滤波的水下被动目标跟踪

针对水下被动目标跟踪问题中,采用直角坐标系容易出现滤波发散,而修正极坐标系下过程模型强非线性的问题,研究了一种修正极坐标系下的采样卡尔曼滤波算法.采样卡尔曼滤波比传统的扩展卡尔曼滤波更好地逼近状态方程和测量方程的非线性特性,给出更精确的均值和协方差的估计,并且适用于过程噪声与状态估计非线性耦合的情况.在修正极坐标系下,采用3种滤波方法求解被动目标跟踪问题,仿真结果表明,采样卡尔曼滤波的滤波精度优于传统的扩展卡尔曼滤波方法和自适应扩展卡尔曼滤波方法.     

基于改进Rao-Blackwellized粒子滤波的WSN被动目标跟踪

Rao-Blackwellized粒子滤波虽然适合系统状态包含线性高斯分量的非线性状态估计,但是由于其计算量较大,不适用于实时性较高的被动目标跟踪情况。针对Rao-Blackwellized粒子滤波的不足,提出了改进的Rao-Blackwellized粒子滤波算法用于WSN被动目标跟踪。新的算法由一个粒子滤波和一个卡尔曼滤波组成,在执行过程中,粒子滤波和卡尔曼滤波相互交换信息,并行运行。计算机仿真结果表明,新的算法能够更好地减少计算量,提高跟踪的实时性。