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。     

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。     

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。     

空中大机动目标跟踪算法研究

为了解决在导弹末制导阶段对空中大机动目标的准确跟踪问题,将交互式多模型(IMM)及容积卡尔曼滤波(CKF)算法应用于导弹寻的制导中。首先,在三维空间中对大机动目标进行建模分析,并建立相应的导弹制导模型及导引头测量模型;其次,结合IMM模型与CKF方法设计了目标跟踪算法;最后,通过仿真验证了该算法对空中大机动目标跟踪的准确性,结果表明该算法在实时性方面也具有一定的优势,适合用于弹载计算机。     

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。     

基于模糊推理的机动目标自适应多模型跟踪算法

针对当前空中来袭目标的主要特点,运用模糊理论和多模型理论探索空中机动目标跟踪问题,并设计了一种模糊自适应多模型(FAMM)目标跟踪算法,该算法采用五个基本模型,以加速度估值作为模糊推理系统的输入,经模糊推理融合得到系统状态和方差的估计值以及下一时刻的滤波模型(最多三个).经Monte Carlo仿真研究,与IMM算法相比较,该算法不仅在目标弱机动或不机动条件下,而且在复杂机动时能更稳定、精确地跟踪目标,较好地满足了海上对空防御作战中跟踪机动目标的需求.     

多传感器多机动目标跟踪方法研究进展

讨论了多传感器多机动目标的研究现状,分析了几种跟踪滤波器的性能,着重探讨了交互多模型(IMM)算法的发展状况和应用。同时还研究了多传感器跟踪多机动目标过程中的数据关联方法。最后指出,寻求采用自适应变结构的IMM算法,研究模型切换过程中算法的过渡性能,以及在数据关联中引入混沌、遗传算法等智能控制方法,将是未来多传感器多机动目标研究的方向。     

基于EMA算法的变结构交互多模型算法

标准交互多模型(IMM)算法使用固定数目和时不变的模型集,往往不能兼顾算法的实时性与跟踪精度。基于增加期望模型(EMA)算法的思想,提出综合利用前一时刻的模型匹配概率与当前时刻的混合概率作为加权系数调整系统噪声模型集,调整后的模型集被认为非常接近系统实际噪声模型。将该模型集自适应技术与IMM算法结合得到一种变结构交互多模型(EMA-VIMM)算法。使用机动目标跟踪仿真实例,与标准IMM算法进行了仿真对比,分析了跟踪性能与RMSE误差。仿真结果表明,EMA-VIMM算法不仅极大地提高了跟踪精度,而且与标准IMM算法相比,具有稳定的跟踪性能和较低的计算量。     

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。     

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。     

基于IMM的估计算法对机动目标跟踪的比较

机动目标跟踪一直是倍受关注的问题,而交互式多模型方法(IMM)是解决这类问题的经典方法.由于传感器的发展或受某种客观条件的限制等,产生了各种基于IMM的算法.为此,介绍了IMM及基于IMM的几种经典估计算法,对它们进行比较研究,并通过机动目标跟踪的仿真算例说明各算法的适用条件、原理、异同点、性能及复杂性,对机动目标跟踪估计器的选择有重要参考价值.     

对策论在机动目标跟踪中的应用

针对机动目标与目标跟踪的动态对抗特性,在介绍对策论基本理论的基础上,结合典型IMM算法模型集,将对策论应用在了机动目标跟踪领域.通过产生赢得矩阵,计算赢得概率,探讨了IMM算法模型集中最优模型组合的选择问题.并利用对策理论对跟踪模型集进行了改进,引入“当前”统计跟踪模型,改善了跟踪效果,提高了期望收益,所得结论具有一定工程实践指导意义.     

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%。     

基于期望系统噪声的自适应机动目标跟踪研究

状态估计是目标跟踪中的基本问题,也是目标跟踪的一个难点。首先对标准IMM算法的优缺点进行了论述,针对其缺点和不足,提出了基于期望系统噪声模型（MIMM）的自适应多模型算法,该算法能有效地对机动目标的状态进行自适应估计。仿真结果表明,该算法比标准的IMM算法有较好的改善。     

用于机动目标跟踪的分布式多传感器异步融合算法

目前,随着目标机动性能的不断提高,单个传感器越来越难于对目标进行有效地跟踪.分布式多传感器网络是当前国内外研究的热点,也是解决机动目标跟踪的有效途径之一.提出了一种适用于机动目标跟踪的异步融合算法:融合中心采用交互式多模型(IMM)算法,在给定融合周期的基础上,对多传感器数据进行异步融合,得到有效跟踪航路.蒙特卡罗仿真表明,该算法可以有效地改善对机动目标的跟踪性能,可为工程应用提供有益参考.     

杂波环境下机动目标跟踪模拟

蒙特卡洛仿真为提高次最优贝叶斯估计精度提供了可能。有文献提出了一种新的自举仿真逼近方法——自举多模型滤波(BMM)来对机动目标进行跟踪。本文对这种算法进行了扩展,使其适用于杂波环境中,即把概率数据关联(PDA)和BMM算法进行组合来克服观测样本的不确定性。并通过模拟把BMM PDA算法和通用的解决此类问题的交互多模型概率数据关联(IMM PDA)滤波方法进行了比较。结果证明,BMM PDA算法更加行之有效。     

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。     

修正的马尔科夫转移矩阵自适应IMM算法

机动目标跟踪算法中,交互式多模型(IMM)算法是一种相当有效的方法.但该算法中存在Markov矩阵据先验知识给定且不变的问题.针对此问题,提出一种Markov矩阵自适应的IMM算法.该算法利用后验信息实时修正Markov矩阵,改善了位置和速度的滤波结果,使IMM算法的模型概率变化更加符合目标真实运动.经仿真验证,提出的算法具有更好的跟踪性能.     

自调整交互多模型

本文提出了一种在X-Y平面内跟踪机动目标的新算法。该算法使用模糊if-then规则和指数衰减方法在过程噪声方差增加和减少时调整噪声方差值的大小.此外还提出了一种估计转弯机动角速度的新方法。并通过仿真数据和真实的数据对该算法和交互多模型(IMM)算法进行了比较。