空中目标战术机动类型的实时识别

空中目标的战术机动类型是识别其战术意图的重要依据.根据空中目标战术机动类型的特点,采用时间序列编码表示空中目标战术机动类型,推导了空中目标转向机动的判据,提出了机动动作之间的相似度计算模型,建立了空中目标战术机动类型的识别算法.最后提出了识别算法的仿真验证方法.     

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。     

IMM-EKF雷达与红外序贯滤波跟踪机动目标

雷达与红外数据融合能够实现信息互补,改善对目标的跟踪、识别以及提高系统的生存能力.为了解决空中目标高速机动时,单一模型的雷达/红外序贯滤波跟踪发散的问题,提出了一种基于序贯滤波和交互多模型的雷达/红外融合跟踪机动目标的方法,通过在雷达与红外序贯滤波融合中引入交互多模型来跟踪机动目标.仿真结果表明,该方法与基于最优数据压缩的雷达与红外传感器融合跟踪机动目标相比,跟踪精度明显提高,是一种雷达与红外传感器融合跟踪机动目标的有效方法.     

几种结合目标战术意图的跟踪模型研究*

传统的数据处理方法没有与机动目标的战术意图结合起来,往往不能适应现代反舰导弹的运动模式.针对这一问题,结合导弹战术意图信息,根据运动学或动力学规律推导得出机动目标跟踪模型,可较真实地匹配目标的机动情况,目前,此类模型主要有转弯运动模型、比例导引运动模型和跃升俯冲运动模型等.在特定的作战时机,可取得较高的跟踪精度和较理想的作战效果.     

人工智能在火控系统中的应用

研究了空战时的决策问题,并对人工智能技术用于空战中机动目标的战术机动决策模拟做了尝试,讨论了计算机控制机动目标的战术机动决策逻辑的设计方法,同时也进行了数字仿真。     

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。     

临空高速目标模糊机动检测的IMM-EKPF算法

针对临空高速目标运动状态多变,跟踪困难的问题,将扩展卡尔曼粒子滤波与交互多模算法相结合,提出IMM-EKPF算法,该算法不需要计算雅可比矩阵,能有效求解非线性非高斯环境的机动目标跟踪问题。在此基础上,有效结合模糊机动检测,可以在目标机动和非机动之间转换跟踪算法,以提高跟踪精度,减少计算量。仿真验证该方法在临空高速目标运动状态多变的情况下跟踪效果较好。     

机动目标运动数学模型评述

近十几年来,人们对机动目标的跟踪问题进行了大量研究。问题的核心是如何建立机动目标运动的数学模型。本文主要对现有的空中机动目标的数学模型进行评述和比较研究。     

基于动态时间规整的空中目标机动识别

针对现有空中目标机动识别方法识别率较低且耗时较长的问题,提出一种基于动态时间规整(Dynamic Time Warping,DTW)的空中目标机动识别方法。对目标跟踪产生的空中目标飞行轨迹进行机动序列提取,并将其作为测试模板,用动态时间规整算法匹配测试模板和参考模板,以识别空中目标的机动类型。最后基于相同的训练样本和测试库,在相同拒识率下,将DTW算法与隐马尔科夫(Hidden Markov Model,HMM)算法进行识别效果对比。实验结果表明,相较于HMM算法,所提算法在低训练样本条件下的识别率较高,且识别时间更短。     

无人机规避或跟踪空中目标的自适应运动导引方法

无人机规避或跟踪空中目标可以看作是一个非线性运动导引控制问题。针对这类任务中无人机和目标存在高机动性、高时敏性等特点,提出了一种基于Lyapunov稳定性理论的无人机规避或跟踪目标运动导引方法。构建了基于精细时间运动导引方法的无人机规避或跟踪空中目标问题求解框架,并将无人机碰撞规避和机动目标跟踪问题分别转化为到达虚拟目标点和与虚拟目标点交会的问题。针对碰撞规避问题,将其转化为实现平行导引的控制问题,基于Lyapunov稳定性理论设计了无人机碰撞规避导引律。针对机动目标跟踪问题,在碰撞规避基础上,根据目标点交会的要求设计了相应的目标跟踪导引律。在Gazebo平台上开展了仿真验证实验,实验结果表明:所提方法能够有效避免大过载情况的出现,并具有较强的时变和参数适应性。     

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Rényi信息增量的机动目标协同跟踪算法

针对基于多传感器组网进行机动目标跟踪的传感器管理问题,提出了一种基于Rényi信息增量的机动目标协同跟踪算法。首先结合"当前"统计模型和交互式多模型不敏卡尔曼滤波算法设计了一种变结构多模型算法,来进行机动目标的状态估计;然后以Rényi信息增量为评价准则,选择使Rényi信息增量最大的单个传感器进行目标跟踪;最后利用得到的最优加速度估计进行网格划分,更新变结构多模型中的模型集合。在一般机动及强机动场景下进行了算法性能分析,仿真结果表明,该算法能够合理地选择传感器,提高了对机动目标的跟踪精度。     

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。     

基于SRUKF的异类信源多模型跟踪算法

针对多传感器系统中基于冗余和互补信息的机动目标跟踪,以及传感器探测任务平稳交接问题,提出基于SRUKFIMM多信源综合滤波算法进行目标状态估计,提高了目标状态估计精度;并依据当前最新相关量测与滤波预测值的偏差等信息,进行自适应航迹升/降维控制。仿真结果表明:滤波输出稳定平滑、精度高,可有效降低部分信源采样缺失对目标跟踪稳定性的影响,具有较强的鲁棒性能。     

基于反馈线性化及滑模控制的俯冲机动制导方法

以高超声速飞行器为研究对象,针对俯冲段精确制导及机动突防问题,基于反馈线性化与滑模控制研究了机动突防滑模跟踪制导方法。首先设计纵向俯冲及侧向机动弹道,其次利用反馈线性化将非线性运动方程转化为线性方程,基于该线性方程利用滑模控制对已设计的弹道进行跟踪,最终将线性跟踪制导律转换到非线性系统中获得非线性滑模跟踪制导律,该制导律完全基于飞行器当前运动状态,所需的相对运动信息大大减少。CAV-H飞行器制导实例仿真表明,该方法能够实现俯冲段精确制导及机动飞行,且对初始及过程偏差具有较强的鲁棒性,能够为高超声速飞行器俯冲段制导提供有益参考。     

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.     

一种新的机动目标模型及其自适应跟踪算法

针对机动目标跟踪问题,在截断正态概率密度模型的基础上,通过目标机动状况与相邻采样时刻间位置估计量变化之间的函数关系实现噪声方差自适应调整,提出了一种新的自适应滤波算法——基于截断正态概率密度模型修正的自适应滤波算法。计算机仿真结果表明,该算法在跟踪机动目标时,具有良好的跟踪性能,并极大地改善了跟踪非机动目标的能力。     

基于Jerk模型的一种改进多传感器数据融合算法

简要介绍了目前存在的一些机动模型和基于状态估计的滤波算法。将Jerk模型与强跟踪滤波算法有机地结合起来,并提出了一种通过时空综合分析的测量方差自适应估计方法以优化强跟踪滤波算法中次优渐消因子和滤波增益的在线选择,同时结合多传感器数据融合具有改善滤波精度的性质,最终给出了一种基于Jerk模型的改进多传感器数据融合算法。最后,通过蒙特卡罗仿真验证了该算法的有效性。