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。     

用于机动目标跟踪的自适应交互式多模型算法

针对当前统计模型对弱机动或非机动目标跟踪效果不理想等问题,提出了一种修正当前统计模型与匀速模型的自适应交互式多模型算法,可在线修正当前统计模型的加速度极限值,调整过程噪声方差,提高了当前统计模型的自适应性。同时,通过在常规匀速模型中引入机动检测机制,抑制了常规匀速模型对机动目标跟踪的滤波发散,通过引入强跟踪算法,增强了模型对目标突发机动的自适应跟踪能力。仿真结果表明,该算法充分发挥了当前统计模型和交互式多模型算法的优势,对强机动和弱机动目标都具有很好的效果。     

基于UKF的自适应网格交互式多模型算法

针对非线性观测条件下的机动目标跟踪问题,基于机动目标的协同转弯（CT）模型,采用无迹卡尔曼滤波（UKF）方法和自适应网格（AG）的模型集自适应策略,研究了一种变结构交互式多模型算法,即：基于UKF的自适应网格交互式多模型（UKF-AGIMM）算法。对二维机动目标跟踪的仿真结果表明,本算法与相应的固定结构交互式多模型算法相比,可以解决固定结构多模型算法存在的问题,有效提高多模型算法的精度和费效比,缩短计算时间,且适合工程应用     

一种改进的当前统计模型自适应跟踪算法

针对"当前"统计模型算法跟踪弱机动目标时存在较大跟踪误差,同时对机动加速度极限值存在依赖的缺陷,在分析传统"当前"统计模型适用范围的基础上,提出一种改进的"当前"统计模型自适应跟踪算法。算法首先通过泰勒级数展开和忽略高阶项的方法得到模型加速度极值和均值的修正结果,使算法能更好地描述强机动和弱机动2种情况下目标的机动特征。之后,通过引入强跟踪滤波器,进一步增强模型对目标突发机动的自适应跟踪能力。最后,针对具有周期性运动特征的跳跃巡航目标,与IMM,CS算法仿真比对,验证了算法的可行性和合理性。     

防发散无迹卡尔曼滤波自适应网格交互式多模型算法

针对非线性观测条件下的机动目标跟踪问题,基于机动目标的协同转弯模型,采用防发散无迹卡尔曼滤波方法和自适应网格的模型集自适应策略,研究了一种变结构交互式多模型算法。对二维机动目标跟踪的仿真结果表明,该算法与相应的固定结构交互式多模型算法相比,可以解决固定结构多模型算法存在的问题,有效提高多模型算法的精度和费效比,缩短计算时间,且适合工程应用。     

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.     

一种双门限自适应多模多目标跟踪算法

针对机动目标的交互多模跟踪滤波器,提出了基于模型过程噪声自适应调整的双门限的AIMM算法,并对其性能进行了研究,该算法对模型初始参数不敏感,具有稳定性,在目标模型与目标实际运动偏差较大的情况下,具有较好的跟踪性能;针对密集杂波和多目标情况下的目标跟踪,将多模交互滤波的模型自适应调整算法与JPDA算法结合,提出了AIMMJPDA算法的思想与实现。仿真结果显示该方法在机动目标跟踪方面具有模型调整简单、跟踪实时性良好的效果。     

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。     

一种修正的机动目标模型及自适应滤波算法

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。     

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。     

一种修正的自适应网格交互多模型算法

将径向速度引入到自适应网格交互多模型算法中,并针对自适应网格算法在跟踪过程中网格中心不稳定的问题增添模型集改变阈值,提出了一种修正的自适应网格交互多模型算法。同时对一些关键参数作了深入研究。仿真表明,提出的修正算法提高了算法稳定性,增强了模型滤波器与真实运动模式的匹配程度,减小了跟踪的速度误差和距离误差,很好地改善了跟踪性能,并具有全面自适应的跟踪能力。     

一种新的机动目标跟踪中的变结构多模型算法

实践证明变结构多模型(VSMM)算法在机动目标跟踪领域有着广阔的应用前景。动态地辨识机动目标的机动参数是提高目标状态估计精度的理想方法。因此,将二者结合,提出了一种新的VSMM算法,即带有修正装置的自适应网格法。算法核心所在是对系统输入量采用了协方差匹配技术来对系统不确定性进行修正,即对系统噪声协方差阵Q的实时辨识上,使滤波器具有高度自适应性。     

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。     

基于变结构多模型算法的机动目标无源跟踪

研究了变结构多模算法对机动目标的跟踪,提出了基于可能模型集的期望模式增广算法,并将其应用于机动目标的无源跟踪中。算法的思想是:固定网格模型集采用LMS算法进行自适应,得到有效的固定网格模型集;然后根据该模型集生成期望模式集;最后基于有效的固定网格模型集及期望模式集进行滤波并融合处理得到总体的模型。通过仿真验证了该算法的性能。     

基于神经网络的修正“当前”统计模型算法

“当前”统计模型及其自适应卡尔曼滤波算法虽能对强机动目标进行较好跟踪,但存在对弱机动目标跟踪误差较大的缺陷.针对这二问题,在推导传统“当前”统计模型适用范围的基础上,对“当前”加速度的概率密度函数进行改进,得到一种修正的“当前”统计模型算法.为克服算法对加速度极限值的依赖,进一步提高跟踪精度,利用神经网络将2种参数信息融合,通过其输出对系统方差作加权调整.仿真结果表明,不论是对弱机动目标还是强机动目标,新算法较传统的算法都有较高的跟踪精度.     

基于虚拟检测函数下的IMM-UKF机动目标跟踪

为了有效提高对机动目标的跟踪效果,将无迹卡尔曼滤波(UKF)引入到交互多模型(IMM)算法框架内,加强状态估计精度;引入强跟踪滤波器(STF)到UKF算法中,避免对强机动目标的过大时间延迟和跟踪性能差的缺点;提出虚拟检测函数法,在跟踪过程中自适应调整"当前"统计模型的机动参数,加大模型集与目标真实运动模式匹配概率。仿真结果验证了改进算法的有效性。     

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。     

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。     

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.