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。     

基于影响图方法的信息战模型

由于粒子滤波的算法原理,其计算量很大。研究了针对机动目标的交互式多模型粒子滤波器(IMMPF)算法和多速率交互式多模型(MRIMM)算法,提出了多速率交互式多模型粒子滤波器(MRIMMPF)算法。该算法是在交互式多模型粒子滤波器(IMMPF)的基础上引入多速率技术,期望在保持IMMPF的性能同时能够减少因为粒子滤波带来的计算量;最后通过和一般基于EKF的IMM算法、IMMPF算法的比较,验证了该算法的有效性。     

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。     

多速率交互式多模型粒子滤波研究

由于粒子滤波的算法原理,其计算量很大.研究了针对机动目标的交互式多模型粒子滤波器(IMMPF)算法和多速率交互式多模型(MRIMM)算法,提出了多速率交互式多模型粒子滤波器(MRIMMPF)算法.该算法是在交互式多模型粒子滤波器(IMMPF)的基础上引入多速率技术,期望在保持IMMPF的性能同时能够减少因为粒子滤波带来的计算量;最后通过和一搬基于EKF的IMM算法、IMMPF算法的比较,验证了该算法的有效性.     

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。     

变结构MM估计器的模型集合序列条件估计

变结构多模型(VSMM)估计最重要、自然和实用的方法是递归自适应模型集合(RAMS)方法。它由两个功能部分组成:模型集合自适应和模型集合序列条件估计。本文是针对第二部分。具体一点,就是通过推广著名的交互多模型(IMM)算法得到基于任意时变模型集合序列的一般的最优单步高效的递归模型集合序列条件估计。这种递归提供了一种在RAMS中是最优的为新激活的模型分配概率并且对基于这些模型的滤波器进行初始化的自然和系统的方法。此外,还给出了基于任意两个模型集合(未必是不相交)获得整体估计的最优和高效的融合方法。最优递归和融合为模型集合序列条件估计问题提供了对于大多数实际问题都相当令人满意的解决方案。这里给出的结果已经应用在最近建立起来的两个变结构MM估计器,似然模型集合和模型群切换算法中。这些算法是普遍适用和容易实现,并且明显优于可用的最好的固定结构的MM估计器。     

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。     

一种基于当前统计模型的模糊交互多模型算法

研究了模糊交互多模型算法(FIMM)和基于当前统计模型(CS)的自适应滤波算法,提出了一种基于当前统计模型的模糊交互多模型算法(CSFIMM)。该算法克服了模糊交互多模型算法精度较低和当前统计模型自适应滤波器方差调整有限的缺点。通过仿真,对所提出的算法和交互多模型(IMM)算法以及FIMM算法在估计精度和计算量两个方面进行了比较。     

LMI的鲁棒H∞滤波在惯导初始对准中的应用

给出了基于线性矩阵不等式(LMI)的鲁棒H∞滤波器的设计过程,该方法克服了传统的代数Riccati方程方法诸多条件的限制.当把系统模型不确定性用多胞型表示时,只需求解线性矩阵不等式组,可以方便的设计滤波器.在惯性导航系统(INS)初始对准中的应用表明,基于LMI的鲁棒H∞状态估计器在系统参数具有不确定性时,仍能保证较短的对准时间,并可使估计失准角收敛,具有良好的鲁棒性.     

捷联导引头视线转率估计的交互式多模型样条滤波算法

针对捷联导引头测量信息的弹目惯性视线转率估计,提出了一种基于交互式多模型算法的样条滤波方法(IMM-SF)。基于体视线和惯性视线的映射关系解算惯性视线角,将其作为虚拟观测量进行滤波,设置多个过程噪声模型,每个模型分别采用样条滤波器进行滤波,IMM-SF滤波器的估值结果为各滤波器估值的加权综合。该方法不必对目标的未知机动建模,应用更加方便,并且可在交互式多模型算法的框架下自适应地调整滤波器的噪声。Monte-Carlo仿真结果表明该方法可有效估计视线转率,并可提高估值精度。     

基于转弯模型的自适应交互式多模型跟踪算法

针对舰炮火控系统中搜索雷达对来袭导弹跟踪为背景,提出一种基于坐标转弯模型(CT)的自适应交互多模型跟踪算法(AIMM-CV/CT),模型集取为一个匀速和一个坐标转弯模型,滤波器采用各子滤波器模型噪声方差在线计算调整的自适应交互式多模型算法;给出了比例导引规律来袭导弹的航路仿真方法,并对AIMM-CV/CT与IMM-CV/CT算法进行了仿真比较.仿真结果证明了本文算法的正确性和有效性.     

基于随机有限集的多目标跟踪算法

对基于有限集统计的多目标跟踪算法进行研究。PHD滤波器针对传统多目标跟踪中计算量较大的问题,通过计算多目标分布后验密度的一阶矩模拟多目标贝叶斯迭代,取得了良好的效果。针对PHD滤波器对目标漏检较为敏感的缺陷,Cardinalized PHD(CPHD)滤波器同时估计得到后验密度分布和后验势分布,是对PHD滤波的泛化。通过实现PHD和CPHD滤波的混合高斯模型,分析比较两者的性能。实验表明,由于引入了势分布,CPHD滤波提高了对目标估计的准确率,总体性能优于PHD滤波算法。     

发射波束域MIMO-STAP雷达发射接收联合设计方法

研究了信号相关杂波背景下机载多输入多输出(multiple-input multiple-output,MIMO)雷达发射波束形成和接收滤波器的联合设计问题,建立了机载MIMO雷达发射波束域空时自适应处理(space-time adaptive processing, STAP)信号模型。为了提升杂波环境下目标的检测性能,通过最大化输出信干噪比构建了发射波束形成和接收滤波器的联合设计问题;然后,设计了一种新的基于优化最小化(majorization-minimization,MM)框架的迭代优化算法来解决联合设计问题。该算法通过合理寻找目标函数的下界可以有效提升算法的收敛速度并降低算法的运行时间。此外,与传统的相控阵雷达和MIMO雷达相比,优化后的发射波束形成和接收滤波器可以显著提升输出信干噪比,仿真实验验证了所提方法的有效性。     

多传感器定位误差对跟踪性能影响的研究

集中讨论了带有传感器定位误差的多传感器跟踪问题中的滤波方法 ,设计了两个基于一个非线性飞机等效机动模型的扩展卡尔曼滤波器 (EKFs) :最优 EKF(OF)和次优 EKF(SF) ,并应用于带有定位误差的多传感器跟踪问题中。 Monte-Garlo模拟结果表明定位误差对飞机的位置估计影响较大 ,但不影响速度或加速度估计 ;同时说明 OF的性能明显优于 SF。     

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。     

使用位置量测值乘积的多目标跟踪(一)

本文主要介绍用于多目标跟踪(MTT)中航迹保持的对称量测方程(SME)滤波器的继续研究。与其他的MTT方法比较起来,在SME滤波器中,为了进行目标状态估计,没有必要考虑目标/量测互联,这将导致MTT问题计算复杂性的实质性的简化。本文集中在由原始位置量测值的积构成的和产生SME的情况。对于其运动包括围绕等速轨迹随机扰动的N个目标情况研制了SME滤波器。假设x坐标位置的量测值是可得到的,并假定量测数等于目标个数。研究了SME滤波器的各种解析特征,尤其是证明了:在极不充分的条件下,估计误差方程是局部指数稳定的。通过把SME滤波器与最佳(最小方差)估计器比较和在六个目标情况下进行的计算机模拟研究了SME滤波器的性能。     

最优滤波的综合方法

与用于现代最优滤波理论中的解析方法相反,本文介绍一种综合方法。由计算机模拟或者实际实验产生的信号的传感器数据,通过训练一个递推多层感知机(RMLP)而综合到一个滤波器中,其中多层感知机至少具有一个隐蔽层,其神经元完全或部分内连,有或者没有输出反馈。 经过适当训练后的递推多层感知机,对于给定的结构是一个递推的最优滤波器,在每一个时刻,包含最优条件统计量的延滞反馈。最重要地是,随着隐蔽层神经元数的增加,它收敛于最小方差滤波器。我们称这种RMLP为神经滤波器。 模拟结果表明:只有少数隐蔽神经元的神经滤波器,对于所研究的简单非线性信号/传感器系统,它始终胜过广义卡尔曼滤波器,甚至迭代的广义卡尔曼滤波器(IEKF)。     

线性测量海上机动目标状态估值器

本文导出了在惯性坐标系内利用线性测量卡尔曼滤波器(LMKF)来估值海上机动目标的状态估值器。LMKF 可以用于非线性测量条件下的目标状态估值。同时,LMKF 的公式比延伸的卡尔曼滤波器(EKF)要容易推导得多。在飞机坐标系里用蒙特卡罗方法进行了大量的数学模拟。模拟结果表明,两种滤波器的估值误差相同,但是LMKF 只需要比较少的计算量。应用线性测量的方法,导出了在飞机地理水平面坐标系内的LMKF。该滤波器有较高的溶液精度和较少的计算量。     

幅度信息辅助的多机动目标跟踪算法

针对密集杂波下现有的多机动目标跟踪算法计算量大且性能严重衰退的问题,提出了联合幅度信息的多模型标签多伯努利(AI-MM-LMB)滤波器。首先,对目标状态进行扩展,引入幅度信息;然后,建立幅度信息及位置信息的联合量测似然函数;最后,基于MM-LMB滤波器框架,给出新的更新方程。仿真实验结果表明:低杂波下,AI-MM-LM算法同MM-LMB算法跟踪性能相当;高杂波下,AI-MM-LMB算法性能明显优于MM-LMB算法。     

基于AFSA-WNN的Sallen-Key滤波器电路软故障诊断

为提高对Sallen-Key滤波器的软故障诊断能力,提出一种基于多分辨率变换与小波神经网络(WNN)的软故障诊断方法。该方法先引入多分辨率变换提取Sallen-Key滤波器电路的软故障特征,在此基础上,采用人工鱼群算法优化的WNN构建电路软故障诊断模型。仿真结果表明,与单纯的WNN相比,所提出方法对电路软故障的诊断性能更好,总正确率达到94.1%。从而证明该方法用于Sallen-Key滤波器软故障诊断是可行的,也是有效的。