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.     

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。     

改进的强跟踪容积卡尔曼滤波的机动目标跟踪北大核心

机动目标的跟踪在实际中有着广泛的应用,其核心问题是机动建模和滤波算法。采用当前统计模型和容积卡尔曼滤波对机动目标进行跟踪。针对容积卡尔曼滤波在目标突发机动时跟踪性能较差的问题,借鉴强跟踪滤波思想,将渐消因子引入滤波过程,提出了一种改进的强跟踪容积卡尔曼滤波算法,该算法实现简单,估计精度高,鲁棒性强。仿真结果表明,该算法有效增强了系统对目标突发机动的自适应跟踪能力,并保持了对弱机动和非机动目标良好的跟踪性能,且运算速度较快。     

用于机动目标跟踪的分布式多传感器异步融合算法

目前,随着目标机动性能的不断提高,单个传感器越来越难于对目标进行有效地跟踪.分布式多传感器网络是当前国内外研究的热点,也是解决机动目标跟踪的有效途径之一.提出了一种适用于机动目标跟踪的异步融合算法:融合中心采用交互式多模型(IMM)算法,在给定融合周期的基础上,对多传感器数据进行异步融合,得到有效跟踪航路.蒙特卡罗仿真表明,该算法可以有效地改善对机动目标的跟踪性能,可为工程应用提供有益参考.     

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。     

改进的强跟踪容积卡尔曼滤波的机动目标跟踪

机动目标的跟踪在实际中有着广泛的应用,其核心问题是机动建模和滤波算法。采用当前统计模型和容积卡尔曼滤波对机动目标进行跟踪。针对容积卡尔曼滤波在目标突发机动时跟踪性能较差的问题,借鉴强跟踪滤波思想,将渐消因子引入滤波过程,提出了一种改进的强跟踪容积卡尔曼滤波算法,该算法实现简单,估计精度高,鲁棒性强。仿真结果表明,该算法有效增强了系统对目标突发机动的自适应跟踪能力,并保持了对弱机动和非机动目标良好的跟踪性能,且运算速度较快。     

非线性系统中的机动目标跟踪算法

对于非线性系统中的机动目标跟踪问题 ,首先针对“当前”统计模型的缺陷提出了一种修正算法 ,然后应用转换测量Kalman滤波算法进行跟踪。仿真结果表明在非线性观测条件下 ,算法明显提高了对弱机动和非机动目标的跟踪性能 ,同时保持了对强机动目标的高性能跟踪     

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。     

基于改进截断正态概率密度模型的防发散多尺度卡尔曼滤波

借鉴对机动频率建模的思想,对机动目标的截断正态概率密度模型进行改进,提出了一种改进的截断正态概率密度模型(ICN模型),并将防发散算法与多尺度估计理论结合,用克服滤波器发散的S(k)算法对基本的多尺度估计进行机动检测和相应改进,得到单模型单传感器系统的防发散多尺度估计算法,旨在减小噪声影响,减小机动目标模型不准确带来的跟踪误差,改善跟踪效果。     

强跟踪滤波器在机载云台目标跟踪中的应用

针对小型无人机地面目标跟踪系统,设计了自适应的强跟踪滤波器(STF),实现了对机载云台姿态的控制,使机动目标保持在机载云台的视场中心.根据无人机、目标与视场中心的位置关系,建立了跟踪系统的数学模型.为解决“当前”统计模型跟踪强机动过程效果较差的问题,提出了强跟踪滤波器(STF)的自适应滤波算法.当无人机加速度较大时,加入强跟踪滤波器后的跟踪曲线较平滑,误差更小.最后,仿真结果表明,机载云台姿态控制器对机动目标的跟踪效果良好,被跟踪目标保持在机载云台的视场中心.     

一种新的多传感器多机动目标快速跟踪算法

基于FAFDA滤波算法,根据Houles和Shalom将PDA算法推广到解决两个传感器单目标的跟踪问题的思路中,构造一种两个同类传感器的序列观测数据的融合来跟踪多个机动目标的数据关联方法(MSFAFDA)。它主要使用的是点/航迹联合和序列估计法。算法计算量远小于原先的顺序和并行多传感器联合概率数据关联算法,蒙特卡洛仿真结果也表明它对多机动目标的跟踪具有比FAFDA更好的跟踪性能。     

杂波环境下机动目标跟踪算法研究

杂波环境下的机动目标跟踪问题具有非线性、非高斯、不完全观测的特点,其难点在于观测值与目标的对应关系及每一时刻的运动模式均呈现高度不确定性。文中将多模型理论和辅助粒子滤波算法相结合,提出了一种新的杂波环境下机动目标跟踪算法——多模型辅助粒子滤波算法(MMAPF)。仿真结果表明,该算法与传统的交互多模型——扩展卡尔曼滤波算法、辅助粒子滤波算法相比,在相同的情况下,具有更高的滤波精度和较好总体性能。     

一种基于灰色粒子滤波算法的机动AUV航深内测方法

本文提出了一种将灰色预测和小波变换与标准粒子滤波相结合的灰色粒子滤波算法（GPF）,并将其应用于机动AUV的航深内测。GPF针对机动AUV航深内测过程中由于AUV运动状态未知和测量噪声不断变化而导致的滤波失效问题,在粒子采样过程中结合了标准采样和灰色预测采样,保证了采样得到充分多的有效粒子。在计算粒子权重时,利用小波变换跟踪测量噪声统计特性的变化,提高了各粒子似然概率计算和权重分配的正确性。最后以外测法测得的高精度的机动AUV航深作为真实航深,对该GPF算法进行了实验对比验证,并与EKF和MMPF算法的结果作对比,实验结果表明了本文方法的有效性和实用性。     

警卫专业综合演练的原则

专业综合演练对专业教学来讲是一个全新的课题，需要进行多方面的探索和实践。从研究警卫专业综合演练的原则入手，提出了组织实施综合演练应当遵循的几个原则。目的在于恰当地把握和评估演练，使演练更好地为提高学员执勤和处突能力服务。     

BAT子弹药对二维声目标的角跟踪

针对BAT(Brainpower Antitank)智能子弹药声探测系统不能定距问题,提出一种在仅有方向角信息条件下对地面机动声目标跟踪算法.首先分析了BAT声探测系统做三维运动时的定向算法;然后结合弹体运动特点,给出一种仅利用目标方向信息对地面机动目标跟踪算法,分别推导了目标静止、匀速、匀加速以及更高阶次运动时的角跟踪公式,并指出了定向误差存在的前提下其成立的充分条件;最后,给出了一个该算法的精确度函数,可以量化评估算法的精度,优化跟踪轨迹.理论分析表明BAT不需要在水平方向上做出比机动目标更高阶次的运动即可实现对目标的角跟踪.     

基于模板的无人机机动动作建模与仿真

研究了常用的无人机机动模板构建和机动动作生成算法,构建了基于控制量的基本机动模板,以低空跃升攻击动作为例,对动作进行了分解,将此机动动作的各部分利用基本机动模板进行拼接,并对其进行了仿真。结果表明,算法可依据任务和无人机控制约束将模板拼接成可行的机动动作,从而较大程度地提升了无人机机动动作设计的灵活性。     

机动目标跟踪的非线性算法

卡尔曼滤波器对线性高斯滤波问题能提供最优解, 而对目标运动模型、观测方程等要求的非线性就不再适合,提出了一种机动目标自适应非线性粒子滤波算法-" 粒子滤波器"(Particle Filters PF)法, 这种方法不受线性化误差和高斯噪声假定的限制,适用于任何状态转换或测量模型, 分析比较了粒子滤波(PF)与扩展卡尔曼滤波算法(EKF) 的滤波精度、运算量等方面指标.给出了基于典型非线性模型的算法仿真, 仿真结果表明粒子滤波新方法优于EKF对机动目标跟踪.     

Maneuvering target tracking of UAV based on MN-DDPG and transfer learning

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.     

图像跟踪系统中机动目标预测的实现

针对装甲车上的图像跟踪系统,提出了一种机动目标预测方法.将目标的运动分解为两部分,即全局运动和局部运动,并根据各自的动态特性分别进行预测.以局部运动预测为重点,通过对机动目标跟踪技术的研究,建立起性能优良的跟踪滤波器,并将其扩展到预测滤波器中对目标的未来运动状态进行预测,从而提出了"交互式多模型预测算法".仿真结果表明,该算法具有预测精度高、自适应能力强的特点,同时给出了计算方法.