用于跟踪机动目标的固定增益的二节估值器

二节α-β-γ估值器被推荐为跟踪机动目标的α-β和α-β-γ滤波器产生自适应增益的一种补充方案。本文的目的是,完成具有二节的固定增益的,可变维数的α-β-γ估值器的设计。二节α-β-γ估值器是由二节的卡尔曼估值器推导出来的,噪音方差化简矩阵和稳态误差协方差矩阵被作为稳态增益的函数。作为滤波器参数选择的步骤也随着对付机动响应的技术和用于置初始值的增益列表技术一起被给出来。常速目标的运动学限制也被结合进二节估值器中,形成α-β-γ估值器。给出了与α-β-γ滤波器性能相比较的模拟结果。     

基于遗传算法的低探测概率稳态滤波器优化

低探测概率机动目标跟踪α-β-γ滤波器收敛速度和精度是一对难题.通过对目标机动域的划分,提出基于遗传算法稳态α-β-γ滤波器的参数优化.在滤波计算中,根据目标机动估计值并结合跟踪波门的设定实时调整滤波器参数.通过在目标位置信息可测条件下的稳态滤波仿真表明,经优化的α-β-γ滤波器跟踪精度和收敛速度显著提高,较好解决了滤波环境恶劣时稳态滤波跟踪问题.     

基于α-β滤波算法的目标运动信息滤波与估计

针对目标运动量测信息的特点,通过分析α-β滤波算法,指出该算法常增益的特点影响其对机动目标的跟踪效果.为了克服这个缺点,给出了一种新的目标运动信息滤波和估计的自适应算法,该算法可直接利用构造的函数关系自适应调整α,β的值.仿真结果表明,该自适应α-β滤波算法对目标运动信息的滤波和估计具有较好的性能.     

一种基于多项式和α-β-γ滤波的双工跟踪模式研究

针对测控实时数据处理中,α-β-γ滤波器启动阶段弹道参数误差较大的问题,提出了一种双工的跟踪模式。该模式下α-β-γ和多项式滤波器同时对弹道参数进行滤波,只选取一套滤波后的数据输出,通过数据的优选,最终得到高精度弹道参数。理论分析和仿真结果表明:双工的跟踪模式跟踪精度高,适合实时系统应用。     

系统分析法确定α—β滤波器

用系统分析的原理把滤波器在连续系统中频率域的要求和在离散系统中Z 域的要求转换成时域中在典型信号激励下的时间响应的特征值的要求,然后在时间域中以特征值的要求进行综合,再把综合的结果转换回Z 域中,最后获得所确定的α—β滤波器即简易的卡尔曼α—β滤波器。同时分析了对该滤波器的静态误差,导出了滤波器的加速度迟后误差系数的计算方法。     

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。     

临近空间高超声速滑翔弹跟踪模型

为了提高临近空间高超声速滑翔目标的跟踪精度,基于目标的航迹倾角变化规律建立了一种新的机动模型。为了在雷达测量直角坐标系下估计目标的位置和速度,分析了目标的弹道剖面角,基于航迹倾角变化率和倾角变化率有相近似的变化规律,提出用倾角代替航迹倾角,将倾角变化率描述为零均值正弦自相关随机过程建立角度域的Markov模型,然后将角度关系映射到位置维度建立空间模型。为了使得系统总体状态模型线性,将模型拆分为前端的角度子滤波器和后端的位置子滤波器,由角度滤波器驱动位置滤波器联合跟踪滤波。通过仿真设置了模型的参数,实验结果表明其模型具有更好的跟踪精度。     

机动目标跟踪的修正输入估计(MIE)算法与自适应α-β算法

机动目标的跟踪是雷达数据处理中的重要问题,对此进行了探讨的代表性的算法有Singer算法、IE算法、VD算法、IMM算法等。本文提出了修正的输入估计(MIE)与自适应的α—β两种新算法。MIE算法性能与IE算法相当,但运算量比IE算法小。自适应α—β算法的性能略低于以上几种算法,但运算量则大大低于上述几种算法,在对性能要求不很高的情况下,采用这种算法是较为合适的。     

α-β跟踪滤波器的零极点分析法

利用α-β跟踪滤波器的状态空间方程和离散传递函数之间的转换关系,将位置和速度的滤波及预报估计问题,转化为Z域内讨论根轨迹中零极点的分布问题,对目标平衡跟踪时滤波和估计参数变化规律给予了一种新的解释.     

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。     

杂波环境下基于IMM-PSNF的机动目标跟踪算法

鉴于现有算法对杂波环境下的机动目标跟踪,在杂波密度较大、机动性强的情况下滤波器容易发散且算法复杂度较大的问题,提出了交互式概率最强邻算法(IMM-PSNF)。该算法以传统的机动目标跟踪算法IMM为基础,利用算法复杂度较小的概率最强邻算法(PSNF)进行滤波更新,并借助两级模型概率加权波门技术增强滤波器的稳健性。理论分析和仿真结果都表明,通过最强邻思想对量测的有效选择,IMM-PSNF无论是跟踪精度还是航迹丢失率都要优于全邻滤波器IMM-PDAF。     

用于机动目标跟踪的联合IMM Viterbi数据关联算法

针对低检测概率、重杂波环境下的机动目标跟踪问题,提出一种联合交互式多模型Viterbi数据关联(C-IMM-VDA)机动目标跟踪算法.该算法利用各模式下的滤波器的量测预测、量测预测协方差及模式概率构造一个统一的综合波门,排除不可能的路径转移,减少到达一个目的节点的源节点的个数.机动目标仿真结果表明,与IMM-VDA(交互式多模型Viterbi数据关联)算法相比,C-IMM-VDA算法在大大减小计算量的同时,降低了航迹失跟率,提高了航迹平均跟踪精度.     

一种自适应α、β、γ滤波算法

针对Ｋａｌｍａｎ滤波运算量大和目前的一些自适应α－β滤波算法存在的不足,本文给出了一种新的自适应α、β、γ滤波算法,仿真结果表明了该算法的可行性。     

用目标幅值特性的交互多模型跟踪

本文介绍利用目标回波强度改进涉及杂波环境中目标机动的航迹形成性能和航迹保持的递归跟踪算法。本技术把交互多模型方法(IMM)和广义概率数据互连(PDA)结合在一起,利用了与目标和杂波回波的概率模型相结合的量测的回波幅值。该方法的优点是通过评估目标模型概率可自动产生关键的跟踪决策,以便在航迹形成中提供快速而准确的真航迹确认和假航迹撤消的决策。它还能对等位转向目标机动实施精确的继续跟踪。     

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IMM-UKF的分层航迹融合算法

为提高对机动目标的跟踪精度,通过对目标跟踪和航迹融合算法进行研究,提出了一种基于IMM-UKF的分层航迹融合算法。基于交互式多模型无迹卡尔曼滤波(IMM-UKF)算法给出了各局部节点的航迹估计方法,在此基础上,结合各局部估计值构造了系统先验统计量,实现了利用分层航迹融合算法对多个局部节点估计值的融合。仿真结果表明,该算法在实现机动目标自适应跟踪的同时,有效提高了目标跟踪精度,增强了跟踪系统的稳定性。     

用具有输入估计的可变维滤波器跟踪

本文提出一种跟踪机动目标的改进方法。通过组合输入估计方法和可变维滤波方法的递归公式,构成所提出的跟踪滤波器。在所提出的方法中,当探测到目标机动时,滤波器还提供目标开始机动瞬时的估计。用这种估计的机动开始时间,也估计机动输入并且跟踪系统变成了机动模型。所提出过程的计算负载与输入估计方法的计算负载不相上下。为了说明所提出跟踪滤波器的效果,进行了仿真,把输入估计滤波器和可变维滤波器与交互式多模型(IMM)滤波器进行了比较。     

基于当前统计模型的VDA机动目标跟踪算法

针对天波超视距雷达环境下的机动目标跟踪问题,提出一种基于当前统计模型的VDA机动目标跟踪算法.该算法将当前统计模型与VDA(Viterbi数据关联)算法相结合,在VDA算法框架下,利用当前模型算法对目标出现的机动进行自适应滤波,以解决目标状态估计和数据关联两方面的问题.通过目标漏跟率、虚假航迹占有率、航迹自动起始时延、输出航迹条数和航迹跟踪精度等多种跟踪性能指标,对算法进行了全方面的仿真验证.仿真结果表明,对天波超视距雷达所面临的密集杂波环境,该算法能够较好地跟踪机动目标.     

基于反步法的无人翼伞航迹跟踪控制

为实现无人翼伞飞行器的直线航迹跟踪控制,提出了一种基于模拟对象的可变增益反步跟踪控制方法。基于模拟对象方法得到翼伞飞行器的航迹跟踪误差模型,并针对该模型设计了可变增益反步跟踪控制律,在保证稳定性的同时提高了系统的跟踪精度。将控制器应用于无人翼伞飞行器平面航迹跟踪控制中,仿真实验表明,所设计的控制器可以实现航迹的精确跟踪,且具有很好的鲁棒性。     

用批递归估计器纯方位跟踪机动目标

本文介绍一种新的批递归估计器用杂波中的纯方位量测跟踪机动目标(即,低信噪比(SNR)目标)。标准的递归估计器跟广义卡尔曼滤波器(EKF)一样由于缺乏初始目标距离信息而造成粗劣收敛和不稳定状态。另一方面,批估计器不可以处理目标机动。为了纠正这些缺陷,本文用概率数据互联将批最大似然——概率数据互联估计器(ML-PDA)同递归交互多模型(IMM)估计器组合,在有杂波的条件下产生较好的航迹初值和航迹保持结果。还论证,批递归估计器可以用于基于目标状态估计的自适应己舰机动决策,以提高目标的可观测性。跟踪算法对有8dB信噪比的目标被证明是有效的。