双基阵纯方位TMA的一种自适应算法仿真

为了改善普通卡尔曼滤波算法在观测噪声统计特性未知情形下处理双基阵纯方位TMA问题时的滤波性能,提出了一种在线估计观测噪声统计特性的自适应卡尔曼滤波算法,计算机仿真结果表明,该算法能够在线估计观测噪声统计特性,使Kalman滤波器始终处于稳定状态,并精确地估计目标的运动参数,同时指出了自适应算法的初值选取对滤波收敛速度的重要影响,当滤波初值选取恰当时会明显加快滤波收敛过程.     

UKF算法及其在纯方位目标跟踪中的应用

为克服扩展卡尔曼滤波算法的缺陷,将UKF算法应用于纯方位目标跟踪问题中.该算法是一种以扩展卡尔曼滤波算法为基本框架,以贝叶斯理论和UT变换为理论基础的新型滤波算法.对UKF算法进行了深入的研究,并给出了一个纯方位目标跟踪的算例.仿真结果表明,该算法提高了滤波的稳定性和精确性,优于一般的扩展卡尔曼滤波算法,具有广泛的应用前景.     

纯方位TMA的变增益扩展卡尔曼滤波算法

通过对水下纯方位目标运动分析中的扩展卡尔曼滤波(EKF)算法的分析,利用方位新息,构成了一条反馈回路,从而将EKF算法改进为变增益扩展卡尔曼滤波(VGEKF)算法.对比仿真分析表明,VGEKF较之EKF滤波效果有所改善,增强了稳定性,提高了精度,为水下纯方位目标运动分析的实现提供新的途径.     

一种基于增益调整策略的自适应滤波算法

针对现实C3I系统的工程要求,通过限定下限的衰减稳态增益滤波算法对Kalman滤波的稳态形式进行了扩展,提出了一种新的实时机动辨识算法和滤波增益的调整策略,同时对于航迹起始时的暂态过程进行了特殊的处理.仿真结果表明,该算法减小了自适应的滞后误差,提高了跟踪精度,极大地改善了滤波的收敛速度.     

一种纯方位跟踪中的自适应滤波算法

针对纯方位被动目标跟踪中扩展卡尔曼滤波算法易发散的不足,提出了一种自适应的改进算法。该算法利用极大后验噪声估计器Sage-Husa对虚拟观测噪声进行实时在线估计,动态补偿线性化带来的误差。算法的对比仿真分析结果表明,AEKF较之EKF滤波效果有所改善,增强了稳定性,提高了精度,为水下纯方位被动目标跟踪的实现提供一种新的方法。     

粒子滤波在雷达方位配准中的应用

在多雷达数据处理系统中,雷达本身的系统误差是影响目标跟踪和数据融合质量的一个重要因素,尤其是正北方位误差.针对现有非线性滤波算法收敛性及鲁棒性较差的问题,将粒子滤波算法应用于雷达方位配准.通过与传统的扩展卡尔曼滤波方法仿真比较,结果表明采用粒子滤波的方法解决非线性雷达方位配准模型行之有效,能有效地克服扩展卡尔曼滤波方法中很容易出现的滤波发散问题,且粒子滤波比扩展卡尔曼滤波的估计精度要高.     

纯方位跟踪问题研究及算法性能

针对纯方位跟踪系统的特点,对修正增益扩展卡尔曼滤波、伪线性滤波、基于无迹变换的卡尔曼滤波、修正球坐标系下的扩展卡尔曼滤波、直接对角度信息建模的卡尔曼滤波等被动目标跟踪算法予以详细的讨论,并在满足可比性的条件下,对各个跟踪算法进行了仿真实验,比较和分析了仿真结果,指出了修正增益扩展卡尔曼滤波的算法优势,对实际工程应用中算法选择问题提出了参考性建议.     

用于纯方位目标跟踪的修正极坐标自适应卡尔曼滤波算法

针对纯方位被动目标跟踪中,直角坐标系下的扩展卡尔曼滤波器容易发散而导致滤波精度很差的问题,提出了一种修正极坐标系下的自适应卡尔曼滤波算法,对虚拟系统噪声进行估计,动态补偿模型线性化误差,对其滤波理论及算法进行了研究和仿真。仿真结果表明,该算法提高了滤波的稳定性、快速性和精确性,优于一般的扩展卡尔曼滤波算法。     

改进型自适应推广卡尔曼滤波器的应用

针对在被动方式下进行水下目标跟踪容易导致滤波发散和收敛精度不高的问题,介绍了一种改进的自适应推广卡尔曼滤波算法。它能够在线估计虚拟观测噪声的统计特性,从而克服了观测模型线性化误差带来的不良影响。同时,通过引入修正增益函数,克服了由于观测噪声的统计特性不能精确已知而导致的滤波不稳定问题。仿真结果表明,不管是滤波精度还是收敛速度,都优于原来的自适应推广卡尔曼滤波算法     

卡尔曼滤波框架下优化增益异类噪声处理方法及其应用

针对基于卡尔曼滤波框架算法只能处理已知高斯噪声系统的局限性,设计能够同时处理含有异类噪声系统的改进算法。将不确定系统受到的干扰分成高斯噪声和未知有界噪声,对噪声特点进行分析,并将其加入状态方程和观测方程;在吸收集员滤波优点的基础上,对标准卡尔曼滤波进行改进,通过计算包含两种异类噪声系统状态的最小均方误差,得到该条件下滤波增益的调整值;将利用集员滤波得到的状态统计量以及两类噪声信息和调整后的滤波增益代入卡尔曼滤波体系,得到改进后的滤波算法。将提出的改进方法应用于不确定车辆导航系统中进行解算,仿真结果表明:改进滤波方法能够有效克服异类噪声的干扰,性能优于扩展卡尔曼滤波方法,对异类噪声具有较好的抵抗能力。     

隶属度信息辅助的红外多目标模糊关联算法

针对红外多目标跟踪,利用红外序列图像中目标隶属度信息建立改进的多目标关联算法。该算法是基于模糊c均值聚类方法,以红外目标运动状态和背景环境变化引起的红外目标隶属度信息变化为选择门限,适时切换算法赋值策略,以提高特殊环境下多目标关联的适应性。通过仿真对比证明了该方法具有更好的跟踪精度和稳定性。     

基于雷达数字孪生的水上多目标跟踪方法研究

雷达的采样数据经过多目标跟踪处理后可为无人艇提供障碍状态,以保障无人艇的安全.对雷达数字孪生的水上多目标跟踪方法进行了研究.首先,以雷达采样的真实数据为研究对象,建立雷达观测数据多目标跟踪算法全流程处理策略,提出了雷达和惯性导航/全球定位组合导航的采样数据的时钟二次同步对准算法;然后,建立了雷达数据的起始航迹、暂时航迹...     

基于模糊自适应变维Kalman滤波器的跟踪算法(英文)

针对不同阶数的Kalman滤波器具有不同的跟踪能力与跟踪效率之间存在的矛盾,设计了一种模糊自适应变维跟踪算法(FAVD)。该算法使用两级滤波器,根据目标机动性的变化,适当地调整滤波器的阶数,使跟踪结果快速收敛,很好地解决了矛盾。同时通过模糊推理机制,在线调节高阶滤波器的参数,使适用范围大大增强,提高自适应能力,从而使该算法可以采用较少的模型覆盖较多的目标运动模式,达到很好的跟踪滤波效果,计算量也会大大减小。通过对计算机仿真结果分析表明,提出的算法具有可靠、计算简便、快速等特点,模型滤波精度较高,并可实现实时跟踪预测,具有一定的理论价值和实用价值。     

基于自适应EKF的高动态载波跟踪算法

针对载波跟踪算法在大频偏或动态剧烈变化时易失锁的问题,提出一种无数据辅助情况下基于自适应R/Q扩展卡尔曼滤波(AEKF)的高动态载波跟踪算法。该算法在AEKF代替鉴相器和滤波器的环路结构基础上,引入两倍相位转换来消除数据位跳变的影响,并利用载噪比估计方法和基于加加速度的信号动态监测方法来修正观测噪声协方差(R)和系统状态噪声方差(Q),进而兼顾环路的跟踪精度和动态稳定性。实验结果表明:利用该算法的GPS软件接收机能够在加速度200 g,瞬间加加速度10 000 g/s的动态指标下正常工作。     

超空泡航行体深度跟踪串级控制策略

针对空泡与航行体之间非线性滑行力导致的超空泡航行体稳定性问题,提出了基于圆判据理论和Nelder-Mead算法的超空泡航行体深度跟踪串级控制方法。介绍了超空泡航行体数学模型以及圆判据定理基础知识。结合模型特性推导了超空泡航行体串级误差状态方程,利用圆判据定理研究了内环绝对稳定性。通过Nelder-Mead算法对内环反馈参数进一步优化。仿真分析结果表明：所提控制方法便于反馈参数整定,可以充分利用超空泡航行体的控制量实现深度跟踪。     

基于跟踪连续性的多传感器多跟踪任务管理方法

雷达组网系统中,当进行多目标连续性跟踪时,传统跟踪方法过多关注多传感器之间的跟踪精度和切换率,而轻视跟踪的连续性,无法满足现有连续性跟踪工程需求。因此,提出了一种新的基于跟踪连续性的多传感器多跟踪任务资源管理算法,该算法分为两个优化过程,第1次优化过程尽量保证跟踪目标个数的最大化,第2次优化过程中提出了一种用于衡量目标跟踪连续性的优化指标,基于该指标,提出了一种快速的传感器资源管理算法。仿真结果表明,该算法能够在较短的时间内对多传感器进行有效的快速分配,既跟踪了更多的目标,又保持了跟踪的连续性。     

一种改进的Mean-shift目标跟踪算法

提出了一种利用多帧图像中目标区域颜色直方图特征信息的Mean-shift目标跟踪算法,该算法以Mean-shift为核心,在对目标模板建立特征模型时,不仅考虑了前一帧的目标区域的颜色直方图,而且将前数帧中目标区域的颜色直方图通过加权一起考虑,从而提高了跟踪的稳定性。     

一种基于Jerk模型的机动目标单站无源定位算法

针对采用非线性较强的观测角、角度变化率、脉冲到达时间差等参数的单站无源定位跟踪系统,提出了一种新的跟踪滤波算法IMM-Jerk。该方法用Jerk模型对做复杂机动的运动目标建模,采用经过UKF滤波改进的交互多模(IMM)算法对目标实现跟踪滤波。该算法可适用于对做多种机动运动的目标的跟踪,提高了目标跟踪收敛精度和跟踪系统的稳定性。仿真试验证明了该方法的可行性和有效性,并具有较高的应用价值。最后,对IMM-Jerk算法的研究方向进行了讨论。     

基于极坐标的稳定UKF单站无源目标跟踪算法研究

单站无源目标跟踪系统中存在着可观测性弱、初始误差大的问题,目标跟踪算法的稳定性和快速收敛性显得尤为重要.结合利用空频域信息的单站无源目标跟踪系统的特点,提出了一种稳定的改进UKF算法,采用一组新的状态变量替代了原有状态变量,选取径向速度作为系统状态量,并将其初始估计误差控制在一定范围内,明显改善了目标跟踪算法的稳定性和收敛性.增加二次采样过程,取代了传统UKF算法的状态变量扩展,降低了算法的计算量,实现更容易.与现有的单站元源目标跟踪算法(如EKF、UKF)相比,算法具有稳定性好、收敛速度快、跟踪误差小的特点,是一种稳定的单站无源目标跟踪算法.数值仿真结果表明了算法的正确性和有效性.