共查询到19条相似文献,搜索用时 125 毫秒
1.
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... 相似文献
2.
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。 相似文献
3.
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。 相似文献
4.
5.
6.
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。 相似文献
7.
8.
9.
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。 相似文献
10.
11.
利用神经网络算法对基于机动目标“当前”统计模型的均值和方差自适应滤波算法进行修改 ,提高该算法的性能 ;然后与匀速模型交互作用 ,利用概率数据关联处理密集回波环境下机动目标的跟踪问题 ,这样既保持了对强机动目标的跟踪性能 ,同时又提高了对弱机动目标的跟踪精度。仿真结果证明该算法确为一种非常有效的方法 相似文献
12.
13.
一种修正的机动目标模型及自适应滤波算法 总被引:5,自引:0,他引:5
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。 相似文献
14.
本文考虑了杂波环境下机动目标的多雷达跟踪问题,提出了一种分布式联合估计算法。子站独立于总站,并单独跟踪,把当地估计结果周期地传送给总站,由总站进行合并,得出基于所有子站量测的全局估计。数字仿真表明,分布式联合、估计算法在各种性能指标上都优于单站跟踪算法。 相似文献
15.
本文介绍了双基地系统收站自主的定位原理及跟踪算法WMEKF (WeightedModified Extended Kalman Filter),提出了一种对机动目标的自适应跟踪算法AWMEKF(Adaptive WMEKF),并对典型的机动目标航迹进行了计算机仿真。 相似文献
16.
当前统计模型及其自适应滤波(CSMAF)算法是机动目标跟踪中的一种有效方法.但该方法对目标机动加速度极限值有依赖,并且对弱机动目标跟踪的精度不高.为解决这一问题,利用一种改进的加速度方差自适应调整公式克服了对加速度极限值的依赖,同时利用神经网络对滤波参数信息进行融合,自适应调整过程噪声.仿真结果表明,该方法有很好的机动... 相似文献
17.
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。 相似文献
18.
19.
Tracking maneuvering target in real time autonomously and accurately in an uncertain environment is one of the challenging missions for unmanned aerial vehicles(UAVs).In this paper,aiming to address the control problem of maneuvering target tracking and obstacle avoidance,an online path planning approach for UAV is developed based on deep reinforcement learning.Through end-to-end learning powered by neural networks,the proposed approach can achieve the perception of the environment and continuous motion output control.This proposed approach includes:(1)A deep deterministic policy gradient(DDPG)-based control framework to provide learning and autonomous decision-making capa-bility for UAVs;(2)An improved method named MN-DDPG for introducing a type of mixed noises to assist UAV with exploring stochastic strategies for online optimal planning;and(3)An algorithm of task-decomposition and pre-training for efficient transfer learning to improve the generalization capability of UAV's control model built based on MN-DDPG.The experimental simulation results have verified that the proposed approach can achieve good self-adaptive adjustment of UAV's flight attitude in the tasks of maneuvering target tracking with a significant improvement in generalization capability and training efficiency of UAV tracking controller in uncertain environments. 相似文献