基于协同转弯模型的机动目标预测算法

机动目标机动能力的增强,使跟踪系统显得越来越不适应,从而给火控系统命中点的求解计算带来了巨大的困难。机动目标预测精度的下降,使得火控系统的生命力大幅度下降,严重影响了平台及其人员的安全。本文将协同转弯模型和指数加速度模型相结合提出了一种新的预测算法。通过仿真,证明了算法的有效性。     

时空结构分析的机动目标跟踪方法及应用

为进一步解决火控系统中机动目标跟踪问题,从时空结构角度提出跟踪机动目标的方法.分析了机动目标的时空结构,构造了机动目标的时空跟踪模型及其在火控系统中的应用,可解除滤波中的目标运动模型的假定,并可避免机动检测引起的时延和机动幅度估计.在模型的先进性、跟踪的实时性、准确度和精度方面较传统方法有明显的提高.     

基于神经网络的目标预测跟踪

针对高炮火控系统的现状,在阐述神经网络模型预测控制理论的基础上,将神经网络模型预测控制器应用于火控系统的目标跟踪中,同时利用Matlab对其进行了实验仿真,并将仿真结果与传统控制器和模糊控制器仿真结果相比照进行了分析,验证了该控制器可以较好地提高火控系统目标跟踪的速度和精度,从而使系统具有良好的鲁棒性和自适应性.     

一种双门限自适应多模多目标跟踪算法

针对机动目标的交互多模跟踪滤波器,提出了基于模型过程噪声自适应调整的双门限的AIMM算法,并对其性能进行了研究,该算法对模型初始参数不敏感,具有稳定性,在目标模型与目标实际运动偏差较大的情况下,具有较好的跟踪性能;针对密集杂波和多目标情况下的目标跟踪,将多模交互滤波的模型自适应调整算法与JPDA算法结合,提出了AIMMJPDA算法的思想与实现。仿真结果显示该方法在机动目标跟踪方面具有模型调整简单、跟踪实时性良好的效果。     

密集杂波环境下一种新的机动目标跟踪算法

针对密集杂波环境下的机动目标跟踪问题,在传统方法基础上结合模糊推理的思想,提出一种模糊自适应交互多模型概率数据关联算法。该算法将目标运动模式分为机动和非机动两类区别对待,无需选取大量模型来覆盖机动目标的运动模式,而是动态调节模型集合中部分模型的参数,具有更强的自适应跟踪能力。最后,给出了算法的仿真分析,结果表明:该方法能够有效地跟踪密集杂波中的机动目标,并且跟踪性能较传统方法有所提高。     

基于虚拟检测函数下的IMM-UKF机动目标跟踪

为了有效提高对机动目标的跟踪效果,将无迹卡尔曼滤波(UKF)引入到交互多模型(IMM)算法框架内,加强状态估计精度;引入强跟踪滤波器(STF)到UKF算法中,避免对强机动目标的过大时间延迟和跟踪性能差的缺点;提出虚拟检测函数法,在跟踪过程中自适应调整"当前"统计模型的机动参数,加大模型集与目标真实运动模式匹配概率。仿真结果验证了改进算法的有效性。     

基于球坐标系下BLUE滤波的IMM算法

针对机动目标跟踪中常见的量测转换问题,提出了一种基于球坐标系下最优线性无偏估计滤波的交互多模型算法。该算法的核心思想是将最优线性无偏估计滤波作为交互多模型中的基本滤波,完成对机动目标的跟踪。在仿真试验中,将该算法与基于扩展卡尔曼滤波的交互多模型算法进行比较,结果表明该算法有效地抑制了扩展卡尔曼滤波中常见的滤波发散问题,并且提高了跟踪的精度,具有较好的实用性。     

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.     

使用IMM/JPDA和固定延迟平滑滤波方法进行杂波环境下多机动目标跟踪

本文考虑用转换多目标运动模型对杂波环境下多机动目标进行跟踪。在马尔科夫转换系统中,次最优算法采用基本的交互多模型(IMM)逼近和联合概率数据互联(JPDA)技术。本文在IMM和JPDA的基础上发展出次最优固定延迟平滑算法应用于增广状态系统,并通过对两个高机动目标的跟踪举例说明了这种算法的有效性。     

地面机动目标跟踪问题研究

对地面机动目标跟踪问题进行了研究,针对当前存在的问题,提出了将交互多模型应用到地面机动目标跟踪的思想,从而提高跟踪的精度。     

卡尔曼滤波在坦克目标状态估计中的应用

分析了现有机动目标数学模型及其卡尔曼滤波算法,并用数字信号处理器(DSP)对一个实际算法进行了实验.实验结果表明目标机动性能的提高将使坦克火控系统由于采用现行目标运动模型而产生较大的误差,因此,在火控系统中采用其他模型,如自适应模型等,势在必行.同时,对于跟踪精度高、实时计算量大的卡尔曼滤波算法,应用DSP技术实现具有良好的发展前景.     

由DSP技术实现卡尔曼滤波算法初探

分析了现有机动目标数学模型及其卡尔曼滤波算法,并用数字信号处理器（ＤＳＰ）对１个实际算法进行了实验。实验结果表明,目标机动性能的提高将使坦克火控系统由于采用现行目标运动模型而产生较大的误差。因此,在火控系统中采用其他模型,如自适应模型等,势在必行。同时,对于跟踪精度高,实时计算量大的卡尔曼滤波算法,应用ＤＳＰ技术实现具有良好的发展前景     

自适应交互多模型火控跟踪算法

以舰载近程防空火控系统的跟踪预测为背景,提出一种自适应的交互式多模型跟踪算法,模型集合取为"当前"统计模型和匀速直线模型.该算法采用后验估计的方法在线辩识及自适应调整上述两个模型的噪声方差,并且采用加权系数限定准则,实现机动目标运动模式与模型集合的自适应.仿真计算证明了该模型算法的有效性.     

自适应交互多模型算法在机动目标跟踪中的应用

针对多模型算法在机动目标跟踪中存在的问题,运用交互多模型算法(IMM)和自适应滤波理论,设计了一种自适应交互多模型算法(AIMM),结合目标运动模型对目标当前加速度和其方差进行估计,并在此基础上给出了AIMM中模型集和模型转移概率的设计方法,进行了计算机仿真.蒙特卡罗仿真结果表明,与标准IMM算法相比,该算法比IMM算法的跟踪性能有很大提高,跟踪复杂机动目标比IMM有更快的收敛速度,跟踪滞后问题得到较好的解决,跟踪目标的稳定性和精确性均优于IMM算法,有利于机动目标的实时跟踪.     

多传感器多机动目标跟踪方法研究进展

讨论了多传感器多机动目标的研究现状,分析了几种跟踪滤波器的性能,着重探讨了交互多模型(IMM)算法的发展状况和应用。同时还研究了多传感器跟踪多机动目标过程中的数据关联方法。最后指出,寻求采用自适应变结构的IMM算法,研究模型切换过程中算法的过渡性能,以及在数据关联中引入混沌、遗传算法等智能控制方法,将是未来多传感器多机动目标研究的方向。     

一种基于IMM/MSPDAF的多传感器数据融合目标跟踪算法

基于交互式多模型和多传感器联合概率数据关联算法的机动目标跟踪,先用融合算法将红外和雷达的量测进行融合,然后利用融合后的数据,采用交互式多模型机动目标跟踪方法实现对机动目标的跟踪。仿真实验验证了算法具有良好的机动目标跟踪效果。     

基于当前统计模型的有向图切换IMM算法

将当前统计模型和变结构多模型估计算法相结合,提出了一种新的用于跟踪机动目标的交互多模型算法,计算机仿真结果显示该算法能有效提高交互多模型估计器的费效比。     

图像跟踪系统中机动目标预测的实现

针对装甲车上的图像跟踪系统,提出了一种机动目标预测方法.将目标的运动分解为两部分,即全局运动和局部运动,并根据各自的动态特性分别进行预测.以局部运动预测为重点,通过对机动目标跟踪技术的研究,建立起性能优良的跟踪滤波器,并将其扩展到预测滤波器中对目标的未来运动状态进行预测,从而提出了"交互式多模型预测算法".仿真结果表明,该算法具有预测精度高、自适应能力强的特点,同时给出了计算方法.     

基于修正转弯模型的交互多模型跟踪算法

临近空间高超声速飞行器具有极快的飞行速度和独特的机动模式,传统单模型跟踪方法不能对此类目标进行有效跟踪。提出了基于修正转弯模型的交互多模型跟踪算法,该算法修正了转弯模型,利用当前统计模型思想对目标角速度进行实时估计。首先分析了临近空间高超声速目标的特性,然后根据目标运动方程,对目标角速度进行实时估计,最后通过交互多模型实现对临近空间高超声速目标的跟踪。蒙特卡罗仿真结果表明,IMM跟踪算法能够有效跟踪临近空间高超声速目标,且跟踪的精确度、稳定性等明显优于单模型。     

空中大机动目标跟踪算法研究

为了解决在导弹末制导阶段对空中大机动目标的准确跟踪问题,将交互式多模型(IMM)及容积卡尔曼滤波(CKF)算法应用于导弹寻的制导中。首先,在三维空间中对大机动目标进行建模分析,并建立相应的导弹制导模型及导引头测量模型;其次,结合IMM模型与CKF方法设计了目标跟踪算法;最后,通过仿真验证了该算法对空中大机动目标跟踪的准确性,结果表明该算法在实时性方面也具有一定的优势,适合用于弹载计算机。