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。     

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.     

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。     

一种改进的当前统计模型自适应跟踪算法

针对"当前"统计模型算法跟踪弱机动目标时存在较大跟踪误差,同时对机动加速度极限值存在依赖的缺陷,在分析传统"当前"统计模型适用范围的基础上,提出一种改进的"当前"统计模型自适应跟踪算法。算法首先通过泰勒级数展开和忽略高阶项的方法得到模型加速度极值和均值的修正结果,使算法能更好地描述强机动和弱机动2种情况下目标的机动特征。之后,通过引入强跟踪滤波器,进一步增强模型对目标突发机动的自适应跟踪能力。最后,针对具有周期性运动特征的跳跃巡航目标,与IMM,CS算法仿真比对,验证了算法的可行性和合理性。     

基于神经网络的修正“当前”统计模型算法

“当前”统计模型及其自适应卡尔曼滤波算法虽能对强机动目标进行较好跟踪,但存在对弱机动目标跟踪误差较大的缺陷.针对这二问题,在推导传统“当前”统计模型适用范围的基础上,对“当前”加速度的概率密度函数进行改进,得到一种修正的“当前”统计模型算法.为克服算法对加速度极限值的依赖,进一步提高跟踪精度,利用神经网络将2种参数信息融合,通过其输出对系统方差作加权调整.仿真结果表明,不论是对弱机动目标还是强机动目标,新算法较传统的算法都有较高的跟踪精度.     

基于截断正态概率模型的模糊自适应跟踪算法

当前统计模型和截断正态慨率模型都需要预先设计目标最大机动加速度,不能适应各种机动情况.在截断正态概率加速度模型的基础上,提出了一种基于截断正态概率模型的模糊自适应算法.该算法使系统状态噪声方差随着机动特性能够自适应调整,自适应各种机动情况.仿真结果表明,该算法在跟踪精度和收敛速度都优于传统的基于"当前"统计模型和截断正态概率模型的跟踪算法.     

基于加速度的马尔可夫参数自适应IMM算法

针对标准的交互式多模型算法(IMM)模型切换存在滞后性,使得目标机动改变时跟踪误差增大的问题,提出了一种基于加速度的自适应转移概率矩阵的IMM算法。该算法通过当前时刻IMM算法输出的加速度估计值,得到相应的修正因子,修正下一时刻的转移概率矩阵,使得模型切换速度加快,减小目标机动时的跟踪误差。最后通过仿真实验证明,改进的IMM算法能够有效减小目标机动改变时跟踪误差,提高模型切换速度,同时还指出了该算法的适应范围。     

“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。     

一种“当前统计”模型的模糊自适应算法

"当前"统计模型作为一种先进的时间相关模型,在跟踪机动目标的时候,具有着很好的跟踪效果,但是当目标的机动较弱时,该模型的效果变差。通过对该模型进行分析得知,在该模型中由于机动加速度的最大值不能自适应地调整,导致低机动时系统过程噪声较大,因此在跟踪低机动目标时跟踪效果不太理想。为了克服这一缺点,给出了一种可行的采用模糊自适应调整"当前"模型最大加速度的方法,对模型的最大加速度进行自适应调整。通过仿真结果可知,与标准的"当前"统计算法相比具有更好的跟踪效果。     

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.     

IMM-EKF雷达与红外序贯滤波跟踪机动目标

雷达与红外数据融合能够实现信息互补,改善对目标的跟踪、识别以及提高系统的生存能力.为了解决空中目标高速机动时,单一模型的雷达/红外序贯滤波跟踪发散的问题,提出了一种基于序贯滤波和交互多模型的雷达/红外融合跟踪机动目标的方法,通过在雷达与红外序贯滤波融合中引入交互多模型来跟踪机动目标.仿真结果表明,该方法与基于最优数据压缩的雷达与红外传感器融合跟踪机动目标相比,跟踪精度明显提高,是一种雷达与红外传感器融合跟踪机动目标的有效方法.     

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。     

自适应交互多模型算法在机动目标跟踪中的应用

针对多模型算法在机动目标跟踪中存在的问题,运用交互多模型算法(IMM)和自适应滤波理论,设计了一种自适应交互多模型算法(AIMM),结合目标运动模型对目标当前加速度和其方差进行估计,并在此基础上给出了AIMM中模型集和模型转移概率的设计方法,进行了计算机仿真.蒙特卡罗仿真结果表明,与标准IMM算法相比,该算法比IMM算法的跟踪性能有很大提高,跟踪复杂机动目标比IMM有更快的收敛速度,跟踪滞后问题得到较好的解决,跟踪目标的稳定性和精确性均优于IMM算法,有利于机动目标的实时跟踪.     

机动目标IMM三维并行滤波跟踪算法

由于复杂的空中目标机动,其三维方向的机动强度是不一致的,传统IMM算法存在模型匹配不准确的问题,提出一种机动目标IMM三维并行滤波的跟踪算法。算法以CV和修正的CS模型为子集,在3个坐标轴上分别根据目标机动的分量实际更新其模型概率,并行IMM滤波方法,尽量确保模型的适配性,提高滤波精度。仿真结果表明,该算法比传统IMM方法跟踪精度更高,对空中机动目标跟踪适应性更强。     

一种修正的机动目标模型及自适应滤波算法

在"当前"统计模型的基础上,通过修正目标加速度的概率分布、机动加速度与方差的自适应关系及过程噪声协方差矩阵,提出了一种修正的机动目标模型及其自适应跟踪算法。理论分析和仿真结果表明,该模型能够准确描述目标的各种机动情况,跟踪算法具有良好的跟踪性能,具有实际应用价值。     

一种新的机动目标模型及其自适应跟踪算法

针对机动目标跟踪问题,在截断正态概率密度模型的基础上,通过目标机动状况与相邻采样时刻间位置估计量变化之间的函数关系实现噪声方差自适应调整,提出了一种新的自适应滤波算法——基于截断正态概率密度模型修正的自适应滤波算法。计算机仿真结果表明,该算法在跟踪机动目标时,具有良好的跟踪性能,并极大地改善了跟踪非机动目标的能力。     

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.     

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。     

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。