用于跟踪机动目标的交互式加速度补偿算法

两级卡尔曼估计器研究针对在有随机偏差的情况下的状态估计,通过把目标加速度视为一偏差向量,用于对机动目标的跟踪。此时,目标加速度作为一个偏差,第一级估计器包含了一个常速机动模型,由其估计出目标位置和速度,而第二级估计器则估计目标加速度。当目标机动被检测出时,则该加速度估计用于修正第一级估计器中的估计。本文介绍的交互式加速度补偿算法(IAC)能克服对两级估计器明显机动检测的要求。此IAC算法被视为是一个具有两个加速度模型的两级估计器:零加速度的等速度模型和等加速度模型。交互式多模型算法(IMM)用于计算加速度估值,以补偿等速滤波器的估值。仿真结果表明,IAC算法的跟踪性能和IMM算法的性能相当,而计算量大约是IMM算法的50%。     

机动目标跟踪算法

文中提出了一种新的机动目标跟踪方法。一种基于新息序列的最快检测方案被设计出来,用于目标机动的快速检测。对给定的虚警概率,得出了最小机动检测延迟的最佳滑动窗口长度。检测到机动后,用增加机动项的方法修正系统模型。文中提出用递推算法来估计机动幅度。使用该估计,修正的卡尔曼(Kalman)滤波器可被用来对目标实施跟踪。仿真结果表明尤其是在目标机动过程中该算法具有优越的性能。     

利用多传感器跟踪机动目标:数据越多总意味着估计越好吗?

在文献中考虑利用多传感器跟踪机动目标一类的问题时,支持特定目标跟踪的传感器数量及类型通常相对于目标假定位置是固定的。然而,在许多多传感器系统中,支持某一特定目标跟踪的传感器数量及类型,可由于各个传感器的机动性、类型及资源的制约而随时变化。这种在传感器系统配置上的变化性,在跟踪机动目标时造成严重的问题,这是由于目标运动模型存在不确定性。卡尔曼滤波器通常用于滤波位置测量,以估计目标的位置,速度和加速度。在设计卡尔曼滤波器时,过程噪声(加速度)方差Qk的如此选定以致于65％到95％的概率区间能包含目标的最大加速度水平。然而,当目标机动时,加速度以一种确定性方式变化。于是,与过程噪声相关的白噪声假设发生偏离,滤波器在目标机动期间产生状态估计偏差。如果选定一个较大的Qk,则在机动时的状态估计偏差较小。但当目标不作机动时,此时的Qk只能粗劣地表征目标运动,而且滤波性能远远偏离最优了。这里,举出了目标在单一坐标系运动的例子,说明了利用多传感器跟踪机动目标存在的问题,从中表明两传感器(在确定条件下,其中包括各传感器的正确配置)具有较之单一传感器更糟糕的跟踪性能。将交互式多模型算法(IMM)应用于该范例中,证明了它是一种解决跟踪滤波器性能问题的潜在方法。     

TWS 雷达中的机动目标跟踪问题

采用非零均值相关加速度模型建立ｋａｌｍａｎ滤波器,以解决ＴＷＳ雷达中的机动目标跟踪问题。建立在载准线直角坐标系的机动检测器根据残差的变化可自动调整机动加速度方差以保证非机动目标的跟踪精度和跟踪器对机动目标的跟踪。仿真表明了本文方法的有效性。     

基于参数自适应CS模型的机动目标跟踪算法

为提高对机动目标的跟踪精度,提出一种基于参数自适应当前统计(CS)模型的跟踪算法。即利用加速度增量与位移的关系,自适应调整加速度方差,根据量测残差的统计距离判别目标机动特性,并调整模型的机动频率和滤波器增益系数,提高算法模型与目标机动模式的匹配程度。仿真结果表明,基于参数自适应CS模型跟踪算法能够较好地改善对强机动目标的跟踪性能。     

用具有输入估计的可变维滤波器跟踪

本文提出一种跟踪机动目标的改进方法。通过组合输入估计方法和可变维滤波方法的递归公式,构成所提出的跟踪滤波器。在所提出的方法中,当探测到目标机动时,滤波器还提供目标开始机动瞬时的估计。用这种估计的机动开始时间,也估计机动输入并且跟踪系统变成了机动模型。所提出过程的计算负载与输入估计方法的计算负载不相上下。为了说明所提出跟踪滤波器的效果,进行了仿真,把输入估计滤波器和可变维滤波器与交互式多模型(IMM)滤波器进行了比较。     

一种改进机动目标跟踪算法跟踪精度分析

＂当前＂统计模型在一定程度上解决了机动目标跟踪问题,但是其加速度均值估计并不是最优估计,本文改进了＂当前＂统计模型的加速度估计方法。分析了机动加速度方差对跟踪精度的影响,同时进行了仿真验证.。仿真结果表明,改进预测算法的＂当前＂统计模型对高速机动目标的跟踪具有一定的优势.     

机动目标跟踪的模式集自适应IMM算法的设计和比较

变结构多模型状态估计器方法适用于雷达跟踪空中机动目标。本文研究和设计了两种自适应时变模式集交互多模型(IMM)跟踪滤波器;切换网格(SG)IMM和自适应网格(AG)IMM算法。针对不同的飞行想定,通过Monte Carlo仿真方法对这些算法及相应的固定网格(FG)IMM滤波器的性能进行了评估和比较。仿真显示,对特定的机动目标跟踪问题,SGIMM和AGIMM跟踪滤波器在性能和计算量等方面要比固定结构多模型算法(FGIMM滤波器)有明显地提高。     

机动目标建模及机动检测算法

为解决机动目标跟踪问题,建立了非机动(匀速直线运动)和机动目标当前统计两种动态模型,并对机动目标当前统计模型的输入控制的估计进行了适当改进.同时对非机动模型的观测残差和机动模型的输入估计进行检验,以便准确检测目标机动.     

自适应互作用多模型(AIMM)算法在机动目标跟踪中的应用

首先,对自适应互作用的多模型（AIMM）算法在机动目标跟踪中的应用作了介绍。此算法不需事先已知模型,而是用一个二级卡尔曼估计器估计目标的加速度,然后,采用相互作用的多模型（IMM）算法,将估计加速度送给加速度参数不同的子滤波器。最后,对不同机动目标情形进行仿真,将AIMM算法和IMM算法做一比较。考虑到有关计算的需要和容易实现等要求,此算法可以在并行机上计算。     

“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。     

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。     

机动目标跟踪的模糊逻辑方法

作者描述了一种使用模糊逻辑理论推广的交互式多模型(IMM)算法。每一个卡尔曼滤波器都被认为是局部有效的,适用于滤波调节值所确定的目标加速度空间的区域。每个卡尔曼滤波器的有效性是由模糊集合和目标的加速度估值所决定的。用选择适当的模糊集合的叠区间判断接近加速度估值要求的模型的子集。仿真结果包括了典型的机动目标情况,它说明了不同形式的模糊集合的作用。这些证明了这种方法在估计精度和计算量两方面都比IMM优越。     

一种新型非线性滤波器在目标状态估计中的应用

研究了球坐标系中目标状态估计问题,应用一种新型非线性滤波器设计了目标状态估计器,选择了机动目标“当前”统计模型作为目标加速度模型,对所设计的状态估计器进行了仿真,仿真结果表明该估计器具有令人满意的性能。     

多种滤波器方案对机动目标跟踪自适应性比较

在过去几年对机动目标跟踪这个复杂问题取得了许多成果。目前已普遍认为混合状态估计交互式多模型算法(IMM)对机动目标就跟踪精度而言比其它类型的滤波器(如自适应单模型,输入估计,变维等等)实现效果更好。然而,IMM算法的复杂性阻碍了其应用,在这些应用中,简单算法不能提供必要的精度,又不能承受IMM算法的计算负荷。本文介绍评价一个应用并行运行的3个不同常速模型(3CV-PAR)和一个机动检测器的多模型航迹滤波器的跟踪精度。输出估计由选择其似然函数比目标机动门限值(TMTh)低的模型确定。3常速并行航迹滤波器的跟踪效果与如下滤波器比较:·自适应单运动模型卡尔曼滤波器(ASMMKF);·交互式多模型(IMM)滤波器中运用相同的3个常速运动(CV)模型作为3CV-PAR滤波器;·交互式多模型(IMM)滤波器中应用一个等速(CV)模型和一个等加速(CA)模型成为CVCA滤波器;·交互式多模型(IMM)滤波器中应用一个常速(CV)模型和两个仅过程噪声水平不同的常加速(CA)模型(CA1、CA2)成为CV2CA滤波器。通过在具挑战性的多传感器想定下100次蒙特卡洛(Monte-Carlo)试验平均均方根(RMS)误差的计算结果,比较3CV-PAR航迹滤波器与上述算法方案,评价跟踪精度。     

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。     

用批递归估计器纯方位跟踪机动目标

本文介绍一种新的批递归估计器用杂波中的纯方位量测跟踪机动目标(即,低信噪比(SNR)目标)。标准的递归估计器跟广义卡尔曼滤波器(EKF)一样由于缺乏初始目标距离信息而造成粗劣收敛和不稳定状态。另一方面,批估计器不可以处理目标机动。为了纠正这些缺陷,本文用概率数据互联将批最大似然——概率数据互联估计器(ML-PDA)同递归交互多模型(IMM)估计器组合,在有杂波的条件下产生较好的航迹初值和航迹保持结果。还论证,批递归估计器可以用于基于目标状态估计的自适应己舰机动决策,以提高目标的可观测性。跟踪算法对有8dB信噪比的目标被证明是有效的。     

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。     

二阶马尔可夫加速度模型下的机动目标预测器

采用二阶马尔可夫加速度模型建立机动目标跟踪滤波器,并将其扩展到预测器中形成六阶多项式预测模型来解决机动目标预测问题。仿真的结果表明本文建立的预测器使机动目标预测精度有了明显的提高。     

基于Matlab仿真的当前统计模型的参数校正

当前统计模型能真实地反映目标机动范围和强度的变化,是目前较好的实用模型。大量实验表明该算法在跟踪机动目标时具有良好的跟踪结果。然而实验中也发现该算法在跟踪具有加速度的目标机动情况时,其速度与加速度估计的动态时延明显位置误差较大,因此不能很好地实时反映目标的机动情况。因此需要进行新的调整参数的设定与比较,使其克服以上的缺点,文章借鉴强跟踪滤波器,在滤波器状态预测协方差矩阵中引入了加权因子并利用M atlab仿真技术,针对当前统计模型中对动态时延影响比较大的几个重要参数,进行了仿真对比和调整。跟踪结果表明:动态时延明显减小,位置误差大幅下降,达到了比较理想的跟踪效果。