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。     

基于多时刻目标运动模式分布的多模型算法

在机动目标跟踪过程中,传感器在利用量测数据计算目标状态的同时,需要完成对目标运动模式的估计,并根据估计结果对传感器滤波方程的参数或结构进行调整,以减小滤波方程与目标运动模式之间的差异,提高对机动目标的跟踪精度.针对已有多模型算法的不足,利用多个时刻的目标运动模式分布来解决混合估计问题,提出一种新的次优多模型(MTMM)算法.仿真结果证明了MTMM算法的有效性.     

防发散无迹卡尔曼滤波自适应网格交互式多模型算法

针对非线性观测条件下的机动目标跟踪问题,基于机动目标的协同转弯模型,采用防发散无迹卡尔曼滤波方法和自适应网格的模型集自适应策略,研究了一种变结构交互式多模型算法。对二维机动目标跟踪的仿真结果表明,该算法与相应的固定结构交互式多模型算法相比,可以解决固定结构多模型算法存在的问题,有效提高多模型算法的精度和费效比,缩短计算时间,且适合工程应用。     

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.     

IMM-Singer模型的机动目标跟踪算法

交互式多模型(IMM)算法是一种有效机动目标跟踪算法,但其性能与模型的选择、个数以及参数有关。Singer模型算法可以实现对机动目标的跟踪,但该算法存在机动频率和过程噪声大小等参数难以选取的问题。针对以上情况,利用IMM算法易于结合其他算法的特点,提出一种基于IMM-Singer模型的机动目标跟踪算法,实现Singer模型参数的自适应选择。仿真结果表明,该算法比单一的Singer模型算法或一般的IMM算法更能有效提高机动目标跟踪精度。     

一种改进的基于交互式模型的机动目标跟踪算法

针对传统的以匀速(CV)或匀加速(CA)运动作为目标运动模型的卡尔曼跟踪滤波器的计算量大及跟踪精度低的固有缺陷,提出了一种基于CV和CA的交互式卡尔曼滤波模型的机动目标跟踪算法,该算法能在保持直线运动跟踪精度不变的前提下,使做曲线运动的目标的跟踪精度逼近做直线运动的目标的跟踪精度。并将CV和CA模型混合起来进行仿真估计,系统仿真结果表明该算法提高了系统的跟踪精度。     

机动目标跟踪的交互式多模型自适应滤波算法

采用"当前"统计模型、匀加速模型以及匀速模型,运用交互式多模型算法的思想,提出了一种用于机动目标跟踪的交互式多模型自适应滤波算法.基本思路是上述三种模型并行工作,利用马尔可夫切换系数在它们之间进行切换,目标状态估计是上述三种模型交互作用的结果.蒙特卡罗结果表明该算法不仅克服了上述三种模型各自的缺点,提高了对机动目标的跟踪精度,同时具有全面自适应跟踪能力.     

扩展式机动目标可调白噪声模型

在目标跟踪过程中,每个量测周期所得到的雷达量测数据以极坐标形式表示。量测方程在极坐标中是线性的,但在笛卡儿坐标系中却是非线性的。此时,目标跟踪实际上是非线性的。随着现代航空、航天技术的发展,飞行器的机动性得到了更大的加强,这就使跟踪问题变得更加困难和复杂。针对非线性机动目标跟踪问题,提出了一种扩展式当前统计模型机动目标跟踪算法。该算法不需要假定目标的机动加速度模型,而是直接正确地估计出机动目标的当前状态,不存在任何估计滞后与修正问题。最后,给出了算法的仿真分析。     

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。     

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。     

潜艇战术应用软件及其建模

潜艇战术软件研制是一项复杂的系统工程,建立模型是这项系统工程中的核心部分,它直接关系到潜艇战术软件的各项性能指标。对潜艇战术软件的建模问题进行了探讨和研究。     

基于小采样周期的机动目标模型跟踪性能研究

分析了小采样周期条件下“当前”统计模型、基于速度估计的自适应模型及自适应常加速度模型,对3种模型的稳态性能和动态性能进行了分析比较,并对3种模型的机动目标跟踪效果进行了仿真。仿真结果表明：小采样周期条件下,3种模型的稳态跟踪性能一致,而在动态跟踪条件下自适应加速度模型性能更优。     

基于MDA的MARTE模型形式化转换

非形式化/半形式化模型到形式化模型之间的转换是当前软件工程领域的研究热点。根据异构模型转换,提出了基于MDA的MARTE模型到Object-Z规约之间的转换方法。针对Object-Z在实时领域表达能力不足的问题,首先扩展Object-Z元模型;然后在MDA的元元模型体系下,定义了MARTE元模型和扩展的Object-Z元模型之间的转换规则。MARTE模型可以重用这些转换规则以实现到Object-Z形式化描述之间的转换,进而可以对模型进行形式化验证;最后通过一个实例使用该方法完成模型转换,具体说明了转换规则的应用。     

战时装备保障过程建模仿真研究

目前战时装备保障方案制定,多是依靠基本原则和经验,过程描述随意性大,同时保障活动的组织缺乏有效的手段,导致方案缺乏科学性、可操作性差。为此借鉴过程管理的思想,应用IDEF3方法建立装备保障准备阶段过程模型,形成规范的、易于交流的保障流程,依据过程模型采用离散事件仿真的方法对不同活动组合的过程效率进行了分析,改变以往根据排队理论经过大量计算分析效率的方式,实现战时快速准确优化过程的目的,为装备保障方案的形成提供方法支持。     

基于MDA的HLA仿真技术框架设计

近年来MDA在分布式仿真特别是在HLA仿真技术中的应用情况缺乏对MDA与HLA结合的仿真技术整体性的认识,不利于仿真系统开发的宏观指导.基于MDA的HLA仿真技术框架的提出就是从系统的角度研究基于MDA的仿真系统开发过程.该框架从模型通用性的静态角度和建模仿真过程的动态角度出发,分为HLA仿真系统主题域的划分和HLA仿真系统开发过程两部分进行了全面的分析,为今后开展基于MDA的HLA仿真研究提供了一种宏观的指导方法.     

雷达信号级仿真中的模型耦合问题研究

针对目标回波小尺度幅度起伏特性模型进行了介绍。对雷达线性接收机和对数接收机的特性和模型进行了对比。对雷达信号级仿真中,由于雷达采用非线性对数接收机造成的目标回波小尺度幅度起伏特性模型与接收机模型相互耦合的原因和所产生的影响进行了分析。提出对这样的模型耦合问题必须解决,以保证仿真研究结果的有效性。     

离散作战模型的连续化兰切斯特模型研究

通过兰切斯特方程的分析,定义了作战力量变换系数概念,推导出作战力量变换系数的兰切斯特方程,得到了衡量交战双方作战力量等效值,而作战力量变换系数的兰切斯特方程正是适用于离散型作战的兰切斯特作战模型,使具有深刻影响力的兰切斯特方程适用范围扩大到了交战双方离散数量型的作战领域,从而赋予兰切斯特方程新的生命,为复杂的格斗作战分析提供了新的工具。     

战术互联网网络管理模型

战术互联网具有与一般通信网络不同的特征与要求,为此其网络管理需要采用新的方案来解决。采用模型分析方法,对战术互联网网络管理的活动模型、功能模型、组织模型、运行模型、通信模型与视图模型进行了分析研究,从而为战术互联网网络管理方案确立了总体框架,并为战术互联网网络管理系统设计提供了指导思路。基于所研究的模型,可以使战术互联网网络管理系统适应战术互联网的特殊性,满足战术互联网的作战运用需求,保障战术互联网充分发挥作战效能。     

坦克射击视景建模与实时动态显示

根据坦克射击视景景物的特征,采用了一种较优越的方案将视景进行分类建模.对景物模型进行简化和各种实时技术处理后,能在微机图形工作站上实时动态显示逼真的坦克射击视景.     

二维浅水波并行模式的伴随

以二维浅水波为例,详细探讨如何开发并行模式的切线性模式和伴随模式。切线性模式的并行机制和原始模式一致,而伴随模式不同。三个模式采用一致的数据剖分方法可提高并行效率。在集群并行计算机系统上采用一维数据剖分,切线性模式的通信量与原始模式相当,而计算量几乎是原始模式的2倍;伴随模式的通信量大约是原始模式的2倍,而计算量几乎是原始模式的3倍。在三个模式中,切线性模式的加速比最大。