一种新型杂波环境下突发机动目标跟踪算法

针对杂波环境下突发机动目标跟踪性能下降问题,提出了一种基于自适应匀加速模型的交互式自适应概率数据关联算法。该算法在交互式概率关联算法基础上,采用带渐消因子的自适应匀加速模型(ACA)与匀速模型(CV)相交互,克服了卡尔曼和扩展卡尔曼滤波的三大缺陷,保证了在突发机动下的良好跟踪性能,扩大了机动目标的跟踪范围,实现了杂波环...     

用于机动目标跟踪的联合IMM Viterbi数据关联算法

针对低检测概率、重杂波环境下的机动目标跟踪问题,提出一种联合交互式多模型Viterbi数据关联(C-IMM-VDA)机动目标跟踪算法.该算法利用各模式下的滤波器的量测预测、量测预测协方差及模式概率构造一个统一的综合波门,排除不可能的路径转移,减少到达一个目的节点的源节点的个数.机动目标仿真结果表明,与IMM-VDA(交互式多模型Viterbi数据关联)算法相比,C-IMM-VDA算法在大大减小计算量的同时,降低了航迹失跟率,提高了航迹平均跟踪精度.     

基于多雷达组网IMM-GMPHDF的机动多目标检测跟踪

高斯混合概率假设密度滤波(GMPHDF)有牢固的理论基础,是解决高斯条件下跟踪强杂波环境中目标数未知的多目标问题的有效方法。但当目标发生机动时,就难以跟踪到目标,因此,在GMPHDF中引入交互多模型(IMM)算法,对继续存在目标的运动模型进行建模,根据计算的模型概率融合各模型滤波器估计得到的继续存在目标概率假设密度,解决了运动模型机动问题。仿真实验表明,IMM-GMPHDF能实时跟踪到强机动超音速多目标,在多雷达组网系统中跟踪强机动超音速多目标精度(OSPA距离均方根误差)能达到70 m,满足了工程使用要求。     

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。     

幅度信息辅助的多机动目标跟踪算法

针对密集杂波下现有的多机动目标跟踪算法计算量大且性能严重衰退的问题,提出了联合幅度信息的多模型标签多伯努利(AI-MM-LMB)滤波器。首先,对目标状态进行扩展,引入幅度信息;然后,建立幅度信息及位置信息的联合量测似然函数;最后,基于MM-LMB滤波器框架,给出新的更新方程。仿真实验结果表明:低杂波下,AI-MM-LM算法同MM-LMB算法跟踪性能相当;高杂波下,AI-MM-LMB算法性能明显优于MM-LMB算法。     

用目标幅值特性的交互多模型跟踪

本文介绍利用目标回波强度改进涉及杂波环境中目标机动的航迹形成性能和航迹保持的递归跟踪算法。本技术把交互多模型方法(IMM)和广义概率数据互连(PDA)结合在一起,利用了与目标和杂波回波的概率模型相结合的量测的回波幅值。该方法的优点是通过评估目标模型概率可自动产生关键的跟踪决策,以便在航迹形成中提供快速而准确的真航迹确认和假航迹撤消的决策。它还能对等位转向目标机动实施精确的继续跟踪。     

使用IMM/JPDA和固定延迟平滑滤波方法进行杂波环境下多机动目标跟踪

本文考虑用转换多目标运动模型对杂波环境下多机动目标进行跟踪。在马尔科夫转换系统中,次最优算法采用基本的交互多模型(IMM)逼近和联合概率数据互联(JPDA)技术。本文在IMM和JPDA的基础上发展出次最优固定延迟平滑算法应用于增广状态系统,并通过对两个高机动目标的跟踪举例说明了这种算法的有效性。     

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。     

一种双门限自适应多模多目标跟踪算法

针对机动目标的交互多模跟踪滤波器,提出了基于模型过程噪声自适应调整的双门限的AIMM算法,并对其性能进行了研究,该算法对模型初始参数不敏感,具有稳定性,在目标模型与目标实际运动偏差较大的情况下,具有较好的跟踪性能;针对密集杂波和多目标情况下的目标跟踪,将多模交互滤波的模型自适应调整算法与JPDA算法结合,提出了AIMMJPDA算法的思想与实现。仿真结果显示该方法在机动目标跟踪方面具有模型调整简单、跟踪实时性良好的效果。     

杂波环境中机动目标跟踪算法性能分析

由于概率数据互联算法不具有跟踪机动目标的能力,为了解决杂波环境下机动目标跟踪问题,提出了很多基于概率数据互联的修正算法。这些算法各有特点,因而它们在不同的情况下,算法的跟踪精度、实时性等方面各有优劣。假定一种典型的目标机动情况,在这种情况下对几种比较具有代表性的修正算法进行仿真实验,并根据实验结果对它们各方面的性能进行综合分析。     

密集杂波环境下一种新的机动目标跟踪算法

针对密集杂波环境下的机动目标跟踪问题,在传统方法基础上结合模糊推理的思想,提出一种模糊自适应交互多模型概率数据关联算法。该算法将目标运动模式分为机动和非机动两类区别对待,无需选取大量模型来覆盖机动目标的运动模式,而是动态调节模型集合中部分模型的参数,具有更强的自适应跟踪能力。最后,给出了算法的仿真分析,结果表明:该方法能够有效地跟踪密集杂波中的机动目标,并且跟踪性能较传统方法有所提高。     

一种新的IMM-PDA滤波器跟踪门

针对杂波环境下跟踪机动目标问题,研究了两种现行的跟踪门,模型跟踪门(MBG)和集中跟踪门(CG)。在此基础上提出了新的跟踪门,分别是模型概率加权跟踪门(MPWG)和两级模型概率加权跟踪门(TS-MPWG)。用RMS误差、跟踪丢失百分比和计算量比较了这几种跟踪门的性能。从仿真结果可以看出,在杂波环境下用IMM-PDAF进行机动目标跟踪,TS-MPWG跟踪门优于其它方法。     

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。     

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。     

一种改进的联合概率数据关联算法

联合概率数据关联算法(JPDA)是密集杂波环境下一种有效的多目标跟踪算法,但该算法的复杂度会随着目标和观测值的增加而显著增长。为了减少JPDA算法所需要的存贮空间和计算时间,提出了一种改进的联合概率数据关联算法(I-JPDA)。首先通过合理选取跟踪门门限的阈值,去除小概率事件,然后再根据跟踪门内目标的关联概率对关联事件的概率密度值进行衰减,计算出跟踪门内各目标的关联概率。经过理论分析和仿真试验,证明了该方法在保证跟踪成功率的同时,还具有算法简单、计算量小和易于工程实现等优点。     

基于IMM滤波器的纯方位机动目标跟踪

针对无源纯方位跟踪中目标机动的问题,提出了一种基于交互式多模型的目标跟踪算法。该算法用伪量测变换估计器(PLE)将纯方位跟踪中非线性观测模型线性化,避免了计算雅克比行列式。机动目标跟踪中通过实时调整模型匹配概率,提高了滤波器对状态变化的跟踪能力。同时该算法实时修正观测噪声协方差,消除目标远离基阵时观测噪声对目标定位的影响。最后通过与MGEKF进行比较,Monte Carlo仿真结果验证了该算法的优越性。     

强跟踪滤波器在机载云台目标跟踪中的应用

针对小型无人机地面目标跟踪系统,设计了自适应的强跟踪滤波器(STF),实现了对机载云台姿态的控制,使机动目标保持在机载云台的视场中心.根据无人机、目标与视场中心的位置关系,建立了跟踪系统的数学模型.为解决“当前”统计模型跟踪强机动过程效果较差的问题,提出了强跟踪滤波器(STF)的自适应滤波算法.当无人机加速度较大时,加入强跟踪滤波器后的跟踪曲线较平滑,误差更小.最后,仿真结果表明,机载云台姿态控制器对机动目标的跟踪效果良好,被跟踪目标保持在机载云台的视场中心.     

模糊自适应PMHT机动目标跟踪算法

对目标机动的检测和准确跟踪,是目标跟踪研究中非常重要但难度较大的问题.将统计距离、统计距离增量作为系统方差的调整参量,采用模糊专家规则系统,提出了一种适用于机动目标的模糊自适应概率多假设跟踪(FA-PMHT)算法.该算法将数据关联寻优与运动模型寻优联合处理,从而实现了数据关联寻优、目标模型寻优一体化.仿真结果表明,所提算法与交互式多模型概率多假设跟踪(IMM-PMHT)算法相比在跟踪精度上有明显提高,并且满足实时性要求,证明该算法是有效的.     

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。     

模型参数自适应的交互多模强跟踪算法

基于强跟踪滤波器对突变状态的良好跟踪能力,设计了一种自适应交互多模算法.在交互多模算法框架内,计算"当前"统计模型的概率和目标机动强度信息(由残差统计距离来表征),自适应地调整"当前"统计模型的加速度等参数,提高了"当前"统计模型的自适应性和滤波器的鲁棒性,增强了系统对目标突发强机动的跟踪能力.仿真结果验证了该算法的有效性.