基于“当前”统计模型的综合滤波-参数识别模型

在机动目标“当前”统计模型的基础上建立了新的综合滤波－参数识别模型,并用识别－滤波两步走的方法在线识别机动示性参数和量测噪音参数,由此实现对机动目标跟踪的动态建模,使数学模型更加符合实际情况。     

机动目标状态估计的最小均方误差界

基于多项式模型的各种自适应滤波算法被广泛应用于机动目标跟踪领域,但尚没有统一的评估标准来衡量这些跟踪算法的优劣。由于存在确定的时变未知输入,机动目标的状态估计实际为有偏估计。基于状态估计均方误差最小的准则,推导了多项式模型滤波的最小均方误差界计算方法,获得了使状态估计均方误差最小的过程噪声方差变化规律。该方法给出了各种基于多项式模型的机动目标跟踪算法的估计均方误差下限,也为机动目标跟踪中最优过程噪声方差的设定提供了依据。仿真结果验证了算法的有效性。     

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。     

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。     

基于模型概率估计的两层交互多模型算法

在机动目标跟踪问题的研究中,针对转弯机动目标跟踪精度差的问题,设计了一种利用模型概率对模型集合进行实时计算的两层交互多模型算法。该算法由第一层目标转弯速率的粗估计和第二层目标状态向量的精估计构成,它利用第一层模型计算出的目标运动估计转弯速率,构建与当前目标运动状态匹配程度较高的第二层转弯模型集合,并将该转弯模型集合运用于状态估计中。仿真结果证明了该算法在针对转弯机动目标时仍有较好的跟踪精度。     

基于IMM-UKF的网络化作战目标跟踪算法

针对网络化作战中单探测节点对机动目标的运动模型不确定性导致滤波精度低,为提高目标跟踪的稳定性和精确性,提出了多节点探测跟踪算法。基于网络体系中信息的共享需求,建立网络探测节点的目标跟踪模型;通过网络探测节点目标跟踪需求和实战要求发现目标经常有多种运动状态并存现象,而单一模型的滤波器不能满足对机动目标跟踪性能的要求。因此,探测节点采用了基于交互式多模型(IMM)的无迹卡尔曼滤波(UKF)算法进行状态估计,融合中心将各节点发送的目标状态估计融合后进行状态估计,有效地降低了目标机动造成的模型误差,提高了跟踪性能。仿真结果表明,所提出的算法提高了网络节点对机动目标的跟踪精度,并且收敛速度快,有较强的鲁棒性和实用性。     

基于渐消因子的双机协同机动目标定位

传统的双机协同组网目标定位模型中,滤波方法大多为交互式多模型算法。交互式多模型算法的缺陷为需要目标机动先验模型,且模型个数的选择难以同时满足工程上关于跟踪精度和算法复杂性的要求。通过引入渐消因子,实时自适应校正机动目标的状态估计偏差,有效降低了目标运动先验模型对滤波的影响,提高了系统的机动处理能力和模型的工程实用性。     

航空火控系统中的目标状态估值器

本文研究了一套适用于航空火控系统的机动目标状态估值算法。该算法以卡尔曼滤波理论为依据,为了提高估值精度,采用了自适应滤波措施;为了减少实时计算量,采用了滤波增益解析计算措施。对于高速的测量数据采用了数据预处理技术。该算法不需限定目标机动方式,仿真表明:它对非机动目标有较高的估值精度,而对机动目标有较强的适应能力,可以在航空火控系统中应用。     

“当前”统计模型机动目标跟踪的改进算法

针对“当前”统计模型最大加速度取固定值,对加速度较小的非机动及弱机动目标的跟踪精度不高的弱点,提出了一种新的跟踪算法。新算法中根据当前加速度的大小给出前最大加速度并为尽快响应目标机动采用状态噪声方差补偿方法,因此能够根据机动特性自适应调整当前最大加速度的值,自适应调整系统方差,实现了对机动目标的更为精确的跟踪。     

基于模糊推理的机动目标自适应多模型跟踪算法

针对当前空中来袭目标的主要特点,运用模糊理论和多模型理论探索空中机动目标跟踪问题,并设计了一种模糊自适应多模型(FAMM)目标跟踪算法,该算法采用五个基本模型,以加速度估值作为模糊推理系统的输入,经模糊推理融合得到系统状态和方差的估计值以及下一时刻的滤波模型(最多三个).经Monte Carlo仿真研究,与IMM算法相比较,该算法不仅在目标弱机动或不机动条件下,而且在复杂机动时能更稳定、精确地跟踪目标,较好地满足了海上对空防御作战中跟踪机动目标的需求.     

一种新的机动目标跟踪中的变结构多模型算法

实践证明变结构多模型(VSMM)算法在机动目标跟踪领域有着广阔的应用前景。动态地辨识机动目标的机动参数是提高目标状态估计精度的理想方法。因此,将二者结合,提出了一种新的VSMM算法,即带有修正装置的自适应网格法。算法核心所在是对系统输入量采用了协方差匹配技术来对系统不确定性进行修正,即对系统噪声协方差阵Q的实时辨识上,使滤波器具有高度自适应性。     

目标自动跟踪参数辨识模型的工程化动态辨识

为解决机动目标参数辨识模型工程应用问题,采用扩张状态观测器等先进的非线性滤波算法,从实测的含有观测噪声的目标位置数据的序列中,直接估计出机动目标运动的一阶、二阶、三阶导数,并结合目标运动模型辨识的理论算法,在工程应用上首次实现了机动目标运动模态和运动模型的双重动态辨识,完成了目标模型动态辨识的工程化设计.     

基于Doppler量测的CS-EKF机动目标跟踪平行滤波算法

为提高非线性机动目标跟踪精度,在基于"当前"统计模型(CSM)的扩展卡尔曼滤波(CS-EKF)算法的基础上,提出一种基于多普勒径向速度量测和三维平行滤波的机动目标跟踪算法(CS3D-EKFrv)。该算法通过引入径向速度量测扩充量测矩阵的维数,然后利用扩展卡尔曼滤波(EKF)方法解决量测方程中状态向量和量测向量的非线性问题,最后采用"当前"统计模型对目标的三维状态进行平行滤波估计,解决三坐标轴上机动强度不一致的问题。对CS-EKF,CS3D-EKF及CS3D-EKFrv算法的仿真结果和实测数据检验表明,CS3D-EKFrv算法能够有效改善机动目标的跟踪精度。     

多机动目标跟踪的BFG-GMPHD算法

针对高斯混合概率假设密度(GMPHD)滤波算法中的机动目标跟踪问题,提出BFG-GMPHD算法,扩展了GMPHD滤波算法的适用范围。算法利用最佳拟合高斯(BFG)分布来近似目标动态模型中的状态转移矩阵和过程噪声的协方差矩阵,实现了滤波器与不同动态模型的匹配;在对BFG分布进行递推时,引入了模型概率更新过程,解决了BFG仅依赖于先验信息的问题;并利用UKF算法对GMPHD的高斯分量进行递推,使得算法能处理量测方程为非线性的情况。仿真实验表明,BFG-GMPHD算法能快速匹配目标模型的变化,实现对多机动目标的有效跟踪,准确估计出目标的数目和状态。     

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。     

基于当前统计模型的VDA机动目标跟踪算法

针对天波超视距雷达环境下的机动目标跟踪问题,提出一种基于当前统计模型的VDA机动目标跟踪算法.该算法将当前统计模型与VDA(Viterbi数据关联)算法相结合,在VDA算法框架下,利用当前模型算法对目标出现的机动进行自适应滤波,以解决目标状态估计和数据关联两方面的问题.通过目标漏跟率、虚假航迹占有率、航迹自动起始时延、输出航迹条数和航迹跟踪精度等多种跟踪性能指标,对算法进行了全方面的仿真验证.仿真结果表明,对天波超视距雷达所面临的密集杂波环境,该算法能够较好地跟踪机动目标.     

导弹末制导中的目标机动估计

在空空导弹末制导段为了能更好地估计目标的逃逸机动,以满足制导要求,基于"当前"模型描述目标加速度,提出了一种利用相对速度估值差来调整目标加速度方差的算法.并在导弹-目标相对运动的三维空间内,由导弹对目标的速度测量值偏差调整状态噪声,并通过自适应扩展卡尔曼滤波实现对目标机动的估计.仿真结果表明,该算法在末制导中目标的机动估计精度要优于传统方法.     

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。     

无序量测下的机动弱目标检测前跟踪

针对无序量测(OOSM)情况下的机动微弱目标检测与跟踪问题,提出一种基于OOSM和多模粒子滤波(OOSM-MMPF)的检测前跟踪(TBD)算法。该算法通过直接利用OOSM对粒子权重进行更新,并在此基础上对粒子集进行重采样,从而实现OOSM情况下的目标状态更新。由于充分利用了OOSM包含的信息,该算法可以有效提高机动微弱目标的正确检测概率与跟踪精度。仿真结果表明,该算法可以有效处理OOSM问题,实现对机动弱目标的有效检测和跟踪,其算法性能接近顺序量测滤波时的MMPF算法性能。     

基于“当前”统计模型的模糊自适应滤波算法

"当前"统计模型需要预先设计目标最大机动加速度和目标机动频率,不能适应各种机动情况。在"当前"统计模型的基础上,提出了一种基于"当前"统计模型的模糊自适应滤波算法。该算法能使目标最大机动加速度和目标机动频率随着机动特性自适应调整,适应各种机动情况。仿真结果表明,该算法的跟踪精度优于传统的基于"当前"统计模型的跟踪算法。