交互多模自适应容积Kalman滤波算法设计及履带车辆跟踪应用

为满足履带车辆作为机动目标的实时跟踪和对目标速度、航向角的准确估计,针对测量值含有相关乘性噪声,采用新息分析法依据噪声相关系数已知和未知改进容积Kalman滤波算法。考虑到单模型滤波器难以准确地实现机动目标的跟踪,采用交互式多模型算法对履带车辆运动轨迹进行描述,提出一种交互式多模自适应容积Kalman滤波算法。仿真表明交互式多模型自适应容积Kalman滤波算法对车辆机动具有稳定的跟踪效果且乘性噪声得到有效处理。     

非线性系统中的机动目标跟踪算法

对于非线性系统中的机动目标跟踪问题 ,首先针对“当前”统计模型的缺陷提出了一种修正算法 ,然后应用转换测量Kalman滤波算法进行跟踪。仿真结果表明在非线性观测条件下 ,算法明显提高了对弱机动和非机动目标的跟踪性能 ,同时保持了对强机动目标的高性能跟踪     

基于粒子滤波的目标跟踪抗野值算法

运用粒子滤波对目标位置进行跟踪时,测量数据的异常突变点、目标的机动转弯、粒子数量的制约和重要性密度函数的优劣都会导致估计误差较大的野值出现,这将严重影响雷达对目标的跟踪精度。现有的野值剔除方法在目标发生机动时,都存在误剔率较高的问题。针对这个问题,采用莱特准则与机动门限准则相结合的方法,提出了不确定观测点的概念,设计了一种适用于机动目标的抗野值粒子滤波算法。仿真结果表明,该方法能较好地检测和更新野值,降低跟踪误差,提高跟踪精度。     

目标跟踪系统中野值的判别与剔除方法

目标跟踪系统观测的目标坐标值,不仅包含随机误差,有时由于干扰等原因,使得测量值含有远大于随机误差的粗大误差,通常称为野值。带有野值的测量值将导致滤波系统产生记忆效应和误差,甚至导致滤波过程发散。因此,对测量过程产生的野值应予剔除。结合对Kalman滤波原理的分析,说明了基于Kalman滤波的野值判别与剔除方法,并提出了野值判别门限值的计算方法。     

双基地系统收站自主的自适应跟踪算法

本文介绍了双基地系统收站自主的定位原理及跟踪算法WMEKF (WeightedModified Extended Kalman Filter),提出了一种对机动目标的自适应跟踪算法AWMEKF(Adaptive WMEKF),并对典型的机动目标航迹进行了计算机仿真。     

基于集合Kalman滤波的目标被动跟踪系统

针对传统的目标被动跟踪技术计算量大和滤波不稳定的问题,引入了基于集合预报思想的集合Kalman滤波算法,联合利用到达角和多普勒频率信息实现机动目标被动跟踪,探讨了不同条件下集合成员的数量和初始集合的差异对目标被动跟踪性能的影响。仿真结果表明,集合Kalman滤波能够应用到目标被动跟踪系统中,并且跟踪性能更好。     

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。     

一种基于Jerk模型的机动目标单站无源定位算法

针对采用非线性较强的观测角、角度变化率、脉冲到达时间差等参数的单站无源定位跟踪系统,提出了一种新的跟踪滤波算法IMM-Jerk。该方法用Jerk模型对做复杂机动的运动目标建模,采用经过UKF滤波改进的交互多模(IMM)算法对目标实现跟踪滤波。该算法可适用于对做多种机动运动的目标的跟踪,提高了目标跟踪收敛精度和跟踪系统的稳定性。仿真试验证明了该方法的可行性和有效性,并具有较高的应用价值。最后,对IMM-Jerk算法的研究方向进行了讨论。     

一种基于增益调整策略的自适应滤波算法

针对现实C3I系统的工程要求,通过限定下限的衰减稳态增益滤波算法对Kalman滤波的稳态形式进行了扩展,提出了一种新的实时机动辨识算法和滤波增益的调整策略,同时对于航迹起始时的暂态过程进行了特殊的处理.仿真结果表明,该算法减小了自适应的滞后误差,提高了跟踪精度,极大地改善了滤波的收敛速度.     

改进的强跟踪容积卡尔曼滤波的机动目标跟踪

机动目标的跟踪在实际中有着广泛的应用,其核心问题是机动建模和滤波算法。采用当前统计模型和容积卡尔曼滤波对机动目标进行跟踪。针对容积卡尔曼滤波在目标突发机动时跟踪性能较差的问题,借鉴强跟踪滤波思想,将渐消因子引入滤波过程,提出了一种改进的强跟踪容积卡尔曼滤波算法,该算法实现简单,估计精度高,鲁棒性强。仿真结果表明,该算法有效增强了系统对目标突发机动的自适应跟踪能力,并保持了对弱机动和非机动目标良好的跟踪性能,且运算速度较快。     

改进的强跟踪容积卡尔曼滤波的机动目标跟踪北大核心

机动目标的跟踪在实际中有着广泛的应用,其核心问题是机动建模和滤波算法。采用当前统计模型和容积卡尔曼滤波对机动目标进行跟踪。针对容积卡尔曼滤波在目标突发机动时跟踪性能较差的问题,借鉴强跟踪滤波思想,将渐消因子引入滤波过程,提出了一种改进的强跟踪容积卡尔曼滤波算法,该算法实现简单,估计精度高,鲁棒性强。仿真结果表明,该算法有效增强了系统对目标突发机动的自适应跟踪能力,并保持了对弱机动和非机动目标良好的跟踪性能,且运算速度较快。     

基于滑动窗口的三维机动目标在线Kalman滤波研究

对机动目标的在线跟踪是军民领域中的重要研究课题。基于雷达数据设计了一个实现三维机动目标在线跟踪的模型。首先,针对一类三维机动目标的跟踪模型,利用窗口平滑的方法获得了运动方程噪声的功率谱密度矩阵;其次,通过构造目标的运动方程和观测方程,利用Kalman滤波给出目标的最优估计。数值例子表明,对于高机动目标,该方法能够提供比较好的跟踪效果。     

只有角度测量的机动目标非线性预测滤波器设计

提出了一种直接根据信息的机动目标跟踪非线性预测滤波算法,该算法不需要假定目标的机动加速度模型,而将系统的初始状态偏差和机动目标的未知加速度的综合作用结果作为系统的未知输入,利用角度的测量信息直接估计出来。通过对不同机动形式的机动目标进行仿真,结果表明文章所提出的预测滤波算法具有优良的估计性能。     

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.     

基于UKF-SOFNN的近距机动目标跟踪滤波算法

对于多目标杂波环境中的机动目标跟踪,由于目标集群中各个目标间的空间距离可能小于探测器的空间分辨率,因而可能出现误跟、诱饵欺骗与杂波虚警等一系列严重后果。对此,提出一种综合运用UKF(不敏卡尔曼滤波)和SOFNN(自组织模糊神经网络)的UKF-SOFNN滤波跟踪算法,将机动目标模型视作严格的非线性系统,利用UKF-SOFNN对非线性参数的辨识能力提高对锁定机动目标的跟踪能力。仿真实例表明,该算法能有效地辨识目标群中的目标,并进行可靠的跟踪。     

基于分治采样粒子滤波的三维跟踪算法

粒子滤波在处理三维机动目标跟踪问题时,粒子点难以均匀覆盖目标状态空间,较低的样本多样性和算法冗余直接影响跟踪性能。针对该问题提出一种基于分治采样粒子滤波的跟踪算法,算法通过划分独立的状态子空间,使随机样本在各子空间内单独抽样,对目标机动实现降维处理,提高跟踪性能。仿真实验表明,相对于标准粒子滤波,该算法有效提高了样本多样性,具有更好的跟踪性能,对复杂机动状况适应性更强。     

自适应采样数粒子滤波算法

基于统计决策规则提出自适应采样数粒子滤波算法,在定义综合性能风险函数的基础上,推导出粒子数与滤波误差方差之间的关系式,使得在跟踪过程中,可以根据目标的机动情况在线调节粒子数,以使跟踪性能达到最优。在Matlab仿真平台下进行了闪烁噪声下的机动目标跟踪实验,结果表明,自适应采样数粒子滤波算法是一种有效的机动目标跟踪方法,跟踪性能较基本粒子滤波算法提高了3.7倍。     

一种新的线性最优滤波器的设计与研究

针对一类未知机动目标设计了一种线性最优滤波器.该滤波器采用有限记忆模型作为滤波模型,模型参数用动态最小二乘方法辨识得到.由此得到的滤波器称为基于辨识有限记忆模型的线性最优滤波器.有限记忆模型克服了时间多项式模型(如CV模型、CA模型、Singer模型等)对目标物理特性的依赖性,它从目标运动轨迹入手对目标运动特性进行描述,更适合于战场未知目标的跟踪滤波.通过原理分析和Monte Carlo仿真实验验证了该滤波方法的有效性,并且和Kalman滤波方法进行了比较.     

高超声速飞行器新息滤波交互式多模型跟踪算法

研究临近空间高超声速飞行器在运动特点,针对强杂波环境下高速、高机动目标跟踪问题,提出用新息滤波减小观测噪声以修正模型概率更新过程的算法。Monte-Carlo仿真结果表明:该算法可以有效减小量测噪声对系统滤波的影响,提高滤波精度,在临近空间强杂波环境下具有较好的跟踪精度,具有一定工程实用价值。     

CS模型下IMM-PF算法在机动目标跟踪中的应用

为了解决机动目标定位跟踪问题,提出了一种基于CS(current statistical)模型的交互式多模型粒子滤波算法.在交互式多模型粒子滤波算法的基础上,计算CS模型的概率,自适应地调整CS模型中的目标加速度,反映出了目标的机动特性,充分发挥2种算法的优点,改善了CS模型的加速度不能自适应调整的缺点,提高了CS模型的自适应性和应用范围.另外,CS模型的自适应滤波方法由Kalman滤波改为粒子滤波.通过Monte Carlo对比仿真试验表明了该算法的可行性和优越性.