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。     

带有色噪声的机动目标跟踪

众所周知,有色噪声可能会降低跟踪算法的性能。一种常见的补救办法是按自回归(AR)过程建立有色噪声的模型,并应用量测差分方法。该方法存在的问题是AR参数通常是未知的。本文提出一种新的方法来自适应地估计AR参数。该方法简单可行。我们将该方法与交互多模型(IMM)跟踪算法结合起来,并说明其性能几乎与已知参数的情况一样好。     

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。     

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。     

导弹制导控制系统性能评估

使用比例导引的制导飞行器,有一个测量视线角速率的目标跟踪器。由于跟踪回路增益变化,跟踪器不完善的稳定性和跟踪器加速度的灵敏度引起了跟踪器动力学的不确定性。 在包含这些不确定性的制导系统中,目标跟踪器测量噪声,像闪烁白噪声和衰减白噪声会使系统性能恶化。 在该制导系统中使用伴随方法,可以获得新的性能指标。它可以从系统性能的观点评估这种不确定性。另外,还介绍了指标与系统性能之间的关系,     

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。     

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。     

利用多传感器跟踪机动目标:数据越多总意味着估计越好吗?

在文献中考虑利用多传感器跟踪机动目标一类的问题时,支持特定目标跟踪的传感器数量及类型通常相对于目标假定位置是固定的。然而,在许多多传感器系统中,支持某一特定目标跟踪的传感器数量及类型,可由于各个传感器的机动性、类型及资源的制约而随时变化。这种在传感器系统配置上的变化性,在跟踪机动目标时造成严重的问题,这是由于目标运动模型存在不确定性。卡尔曼滤波器通常用于滤波位置测量,以估计目标的位置,速度和加速度。在设计卡尔曼滤波器时,过程噪声(加速度)方差Qk的如此选定以致于65％到95％的概率区间能包含目标的最大加速度水平。然而,当目标机动时,加速度以一种确定性方式变化。于是,与过程噪声相关的白噪声假设发生偏离,滤波器在目标机动期间产生状态估计偏差。如果选定一个较大的Qk,则在机动时的状态估计偏差较小。但当目标不作机动时,此时的Qk只能粗劣地表征目标运动,而且滤波性能远远偏离最优了。这里,举出了目标在单一坐标系运动的例子,说明了利用多传感器跟踪机动目标存在的问题,从中表明两传感器(在确定条件下,其中包括各传感器的正确配置)具有较之单一传感器更糟糕的跟踪性能。将交互式多模型算法(IMM)应用于该范例中,证明了它是一种解决跟踪滤波器性能问题的潜在方法。     

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。     

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。     

基于交互式多模型的多假设航迹起始算法

多假设(MHT)方法是一种理想的航迹起始算法,将交互式多模型算法(IMM)应用于MHT算法中(IMMMHT),改进了MHT算法在滤波时单独采用一个模型会受到模型自身局限性的影响使得滤波的精度不高的缺点.通过仿真表明,IMMMHT算法在虚警概率、快速性和跟踪精度上都优于原MHT算法.     

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.     

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。     

基于高阶累积量的滑动加窗参数型多径时延估计

针对传统方法不适合估计多径时延和难以抑制相关高斯噪声,构造了基于高级累积量的滑动加窗参数估计模型。该模型利用高阶累积量抑制高斯噪声,应用滑动窗充分利用采集数据。通过理论分析和仿真实验表明,该方法能够准确地估计时延,有效地抑制干扰和相关噪声的影响,且在性能估计方面,优于传统基于相关的方法。     

跟踪机动目标的一种新的多模型算法

在机动目标跟踪的多模型(MM)方法的研究中,提出了一种新的多模型方法,即最小子模型集切换(MSMSS)算法.这种MSMSS算法从总模型集中自适应确定最小模型集,用来完成多模型(MM)估计.仿真结果表明,和标准的交互式MM(IMM)相比,所提到的算法,在保持同等的跟踪性能的前提下需要很小的计算量,在计算量相等的情况下具有更好的跟踪性能.     

临近空间高超声速机动目标跟踪的IMM-QB算法北大核心

经典的交互式多模型(IMM)算法由于转移概率矩阵固定不变,在跟踪运动状态未知且多变的临近空间高超声速目标时存在一定的不合理性。通过采用准贝叶斯(Quasi-Bayesian)估计对转移概率矩阵在线调整的方法,与基于CV-CA-Singer的经典交互式多模型算法进行融合形成了IMM-QB算法。Monte Carlo仿真实验表明,IMM-QB算法对临近空间高超声速滑跃式机动目标的跟踪精度有一定程度的提高。     

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LMS2UKF的主/被动雷达融合算法

在主/被动雷达双传感器目标跟踪背景下,针对IMM算法的计算量大,提出一种基于变结构多模型思想的LMS2UKF分布式融合算法。该算法将LMS算法和UKF滤波算法结合进行矩阵加权融合。与IMM2UKF算法进行仿真比较,结果表明在相同情况下,本算法有较好的稳定性和较好的定位精度。     

临近空间高超声速机动目标跟踪的IMM-QB算法

经典的交互式多模型(IMM)算法由于转移概率矩阵固定不变,在跟踪运动状态未知且多变的临近空间高超声速目标时存在一定的不合理性。通过采用准贝叶斯(Quasi-Bayesian)估计对转移概率矩阵在线调整的方法,与基于CV-CA-Singer的经典交互式多模型算法进行融合形成了IMM-QB算法。Monte Carlo仿真实验表明,IMM-QB算法对临近空间高超声速滑跃式机动目标的跟踪精度有一定程度的提高。     

压制干扰环境下目标跟踪的改进粒子滤波算法

针对压制干扰环境下传统粒子滤波算法跟踪效果不佳的问题,在传统粒子滤波算法的基础之上,融合压制干扰条件下的有用量测信息,构造了一种新的粒子滤波算法。在算法的实现过程中,通过采用伯努利(Bernoulli)分布重新构造了压制干扰环境下发生量测数据丢失的传感器模型,在此基础上通过充分考虑有效量测值以及量测丢失时的一些有用量测信息,推导出了闪烁噪声条件下的似然函数,直接用于粒子权重更新的计算,并且通过纯方位跟踪以及协同转弯机动模型,仿真验证了该算法极大改善了标准粒子滤波算法的稳定性和提升了粒子滤波算法的估计精度。