基于H∞滤波的无序量测更新算法

在目标跟踪系统中,传感器量测因通信延迟无序地到达融合中心,产生无序量测融合问题。针对此问题,将H∞滤波作为基础滤波算法,提出了一种可处理单步或多步延迟无序量测的新算法。新算法借鉴有序滤波思想,利用等价量测来代替无序量测发生时刻后的量测序列,然后从该时刻起利用无序量测和等价量测进行有序更新。仿真实验表明,新算法相比于传统算法有更高的滤波精度,尤其在系统模型误差较大时仍有良好的滤波效果。     

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。     

可删除无序量测的交互多模型算法

在集中式多传感器系统中,常会出现如何从当前状态估计中删去已使用过的旧量测的问题。Bar-shalom将需要被删除的量测也称为无序量测。Bar-shalom的可删除无序量测的交互多模型算法是基于标准交互多模型算法和等价量测提出的。然而,在标准交互多模型算法中正态概率密度函数和概率质量函数的混用,导致模型更新权值仅仅是一个近似概率值。并且,等价量测的使用会导致该算法有时候出现性能恶化和Rank Deficiency问题。针对这些缺点,基于最优多传感器融合规则和前向预测最优无序量测删除算法,提出了新型的可删除无序量测的交互多模型算法。该算法没有上述那些缺点,而且仿真表明了新算法的可行性和优越性。     

不完全量测下基于面目标的火控系统性能分析

针对实际工程中出现的不完全量测下火控系统性能的理论研究,将水面舰船建模为椭圆形面目标,建立了不完全量测下基于面目标测量的数学模型,给出了火控跟踪系统统计意义下的估计误差Cramer-Rao下界(CRLB);根据目标状态与射击诸元间的非线性误差传递关系,基于UT变换得到不完全量测下基于面目标的火控系统射击诸元误差方差下界。以某型舰载火控系统为例,仿真结果表明,在不完全量测下,与传统的质点目标火控系统相比,基于面目标测量的火控系统在估计性能上提高36%,火控性能提高34%。     

多传感器量测融合算法的性能比较

归纳三类多传感器量测融合算法,即扩维滤波法、伪序贯滤波法和复合量测滤波法。采用协方差分析的方法比较各类算法的滤波精度,证明它们均能在各自给定的条件下实现线性最小均方意义上的最优滤波。仿真实例对各类算法的计算量和灵活性等性能进行比较,结果表明扩维型信息滤波器的计算量最小、灵活性最高,扩维型Kalman滤波器、伪序贯滤波器的计算量较大,而两种复合量测滤波器对各传感器的量测矩阵有一定要求,以致灵活性较差。所得结论对量测融合算法的实际应用具有一定的指导意义。     

基于运动特征的机载雷达目标断续量测处理

机载预警雷达对目标的量测经常出现断续现象,影响了航迹连续性要求。通过对机载脉冲多普勒雷达量测出现断续的机理分析,考虑目标进入雷达多普勒盲区的情况,基于目标运动特征提出利用联合关联波门与盲区预测相结合的处理方法,将重新出现的目标点迹与原有航迹进行关联,避免同一目标航迹因量测断续而重复起始。仿真结果表明了该方法的有效性与可行性。     

基于量测噪声方差估计的GM-CBMeMBer算法

针对目标跟踪系统下量测噪声统计特性不准确甚至难以获取的问题,提出一种量测噪声统计特性自适应的高斯混合势均衡多目标多伯努利(Cardinality Balanced Multi-Target Multi-Bernoulli,GM-CBMe MBer)滤波算法。该算法引入Sage-Husa自适应滤波器的思想,利用遗忘因子对量测噪声协方差误差进行修正;建立检验统计量,判断算法敛散性;若滤波发散,则采用有偏估计方法来保证算法收敛性。仿真结果表明在非时变、时变量测噪声方差未知情况下,改进算法的跟踪性能优于传统的GM-CBMe MBer滤波算法,对量测噪声的变化具有较强的适应能力。     

多传感器量测噪声对航迹融合性能影响分析

针对多传感器量测噪声相关性和量测噪声方差比值对航迹融合性能有影响的问题,分别采用凸组合航迹融合、最优航迹融合和小航迹融合算法进行融合,对融合性能和单个传感器滤波性能进行分析对比。仿真实验表明:(1)当量测噪声相关系数趋向-1时,融合性能良好;当量测噪声相关系数趋向1时,融合性能退化。(2)当量测噪声方差比值大致处于[0.1,10]时,融合性能良好;当量测噪声方差比值超出此范围时,融合性能退化。     

高斯马尔可夫融合算法在卡尔曼滤波中的应用

针对目前常用的按标量、对角阵、矩阵加权融合方法过程较复杂,计算负担较重的问题,结合三维目标跟踪模型提出一种高斯马尔可夫融合方法来融合卡尔曼滤波估计值,不需要计算局部稳态滤波误差互协方差,只需要知道传感器的观测噪声方差就可以了。计算方法和操作相对简单,省略了很多繁琐步骤也能达到不错的滤波融合效果,通过仿真证明了此方法的可行性和高效性。     

基于极坐标多普勒伪状态的最佳线性无偏估计算法

理论和实践已经证明,除位置量测外,包含目标速度信息的多普勒量测具有有效提高目标状态的估计精度的潜力。基于目标匀速运动场景在直角坐标系下提出了一种可使用多普勒伪量测(即距离量测与多普勒量测的乘积)和多普勒伪状态的跟踪算法。从理论上讲,它是在最佳线性无偏估计准则下的近似最优线性无偏滤波器,并且避免了量测转换方法的根本缺陷。通过与目前几种流行的方法进行仿真比较,验证了新算法的优越性和可靠性。     

基于最小模型集切换的变结构IMMPF算法

为提高对机动目标的跟踪精度,提出了一种新的基于最小模型集切换的变结构IMMPF跟踪算法,其中以"当前"统计模型为基础的不同最小模型集在不同时刻之间的切换实现了多模型的结构变换。当目标机动方式发生改变时,通过最小模型集的切换实现算法的滤波模型与目标实际机动方式的快速匹配,减小了目标机动的响应时间。通过仿真实验,与通用的IMM估计进行了比较,证明了算法的优越性。     

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     

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。     

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.     

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。     

基于纯方位信息的目标跟踪线性修正模型?

在基于几何关系的纯方位航迹不变量信息处理过程中,对非线性模型进行细致分析,提出了线性修正模型,在处理问题时更加清晰、可靠,减小了大量的计算和计算误差,使纯方位信息的非线性处理实用化。     

增加运动预测的模板匹配方法在战车火控系统中的应用

分析研究了一种新的增加运动预测的模板匹配算法,并将其应用到战车火控系统中。实验证明该算法可以满足跟踪系统实时性的要求,对于运动目标的平移,旋转运动具有不变性。     

基于被动雷达和红外传感器的数据融合

提出基于被动雷达和红外传感器组成的复合探测系统,利用D-S证据理论提高目标识别率,借助神经网络改善目标跟踪算法的性能,同时保持跟踪滤波的计算结构尽可能简单,尤其是减少了数字计算上的复杂性。仿真结果表明了应用新算法的复合探测系统的有效性。