一种纯方位跟踪中的自适应滤波算法

针对纯方位被动目标跟踪中扩展卡尔曼滤波算法易发散的不足,提出了一种自适应的改进算法。该算法利用极大后验噪声估计器Sage-Husa对虚拟观测噪声进行实时在线估计,动态补偿线性化带来的误差。算法的对比仿真分析结果表明,AEKF较之EKF滤波效果有所改善,增强了稳定性,提高了精度,为水下纯方位被动目标跟踪的实现提供一种新的方法。     

纯方位跟踪时利用方位变化规律检测目标机动问题

针对纯方位跟踪中目标变向变速机动导致方位信息可能出现的非平滑变化,首先推导出观测平台与目标均匀速直航时目标方位变化的准确规律,运用最小二乘估计法选取了模型参数并设定了阈值的大小,并设计出具体的算法流程,通过仿真计算,对本算法的可行性进行了验证。结果表明,方位变化规律作为目标机动检测的证据具有一定的可行性,但在一些特殊的态势下,检测灵敏度不高,并对这些态势时行了分析。     

基于方位线性预测的远距离目标机动检测方法

随着拖曳线列阵声纳的应用,水下声探测的范围成倍增大,纯方位目标定位与跟踪技术面临严峻的挑战,特别是在对抗条件下的目标机动检测与跟踪问题难度更大。本文针对基于拖曳线列阵声纳探测的远距离目标机动检测问题,通过对以往纯方位目标机动检测方法的适用性分析,结合远距离目标方位变化的特点,提出了基于方位序列线性预测的累积和机动检测模型,解决了远距离、大误差、纯方位量测条件下的目标机动检测问题。实验室仿真验证结果表明,算法对幅度稍大的目标转向机动,具有较灵敏的机动检测效果及较强的鲁棒性。     

量测坐标系下的纯距离自适应跟踪算法

为避免传统雷达数据处理方法中因坐标变换而导致噪声统计规律变化的问题,基于“当前”统计模型,在量测坐标系下提出一种纯距离自适应跟踪算法。算法基于拟合的思想,利用纯距离信息在量测坐标系下进行滤波计算,避免了由于坐标系的变换而产生的偏差和耦合误差。针对目标发生机动的情况,实时地调整加速度方差,从而达到自适应跟踪目标的效果。仿真结果表明,该算法对目标状态的估计更加精确,对机动目标具有较好的跟踪性能。     

纯方位目标跟踪系统的可观测程度

首先建立了纯方位目标跟踪系统的动态模型和一个最小二乘估计器,分析了该系统的完全可观测性。在系统完全可观测的条件下,引入可观测程度这一概念。文中定义了两种描述系统可观测程度的方法。它们都很好地反映了系统可观测程度随跟踪时间的变化过程。研究发现,纯方位目标跟踪系统往往是弱可观测系统,这正是系统跟踪效果不佳的原因所在。然而,文中表明的系统可观测程度同跟踪几何态势关系密切这一事实,又使得从己艇机动入手解决跟踪效果差的问题成为可能,就是通过极大化系统的可观测程度优化己艇的机动策略。     

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。     

非线性可观测性及辅助变量法在纯方位目标跟踪中的应用

本文从非线性系统的可观性出发,研究纯方位目标跟踪系统的可观测性和滤波算法。给出了纯方位系统适应于一般目标运动假定的更完善的可观测性判据,并指出了该系统的不可观测本质。在对一般非线性观测过程的可观测性分离的概念和可行性定理建立之后,本文结合辅助变量法,给出了纯方位目标跟踪的一种算法——可观测性分离的辅助变量法。Monte—Carlo仿真表明,它优于以往直角坐标系中的各种纯方位跟踪算法,而且是渐近无偏的。     

弱机动目标的参数估计

本文探讨了卡尔曼滤波用于估计弱机动目标状态参数问题。在极坐标系下建立目标机动的相关加速度模型,通过对运动目标斜距二阶变化率和方位角加速度的定量分析,建立了自适应估计目标动态模型噪声强度的弱机动目标参数估计算法。对几种典型航路的模拟证实了在选择适当参数时该算法对目标机动,不同类型的机动间的转换,不仅能较好地压制随机量测噪声,而且能满意地估计目标的速度和航向。     

纯方位目标运动分析可观测性研究

纯方位目标运动分析(BOTMA)仅利用方位信息实现对目标状态参数的估计,是一种有效的无源被动定位跟踪方法。纯方位系统中的可观测性条件、目标跟踪与估计策略、观测器最优机动轨迹构成了BOTMA的核心研究内容。可观测性问题是BOTMA首先必须解决的关键问题,可观测性条件是后续目标定位与跟踪的前提和基础。介绍了纯方位系统中可观测性的基本概念,从几何方法、线性与非线性方法、数值分析方法等角度,对BOTMA的可观测性研究成果进行了系统的总结和评述,最后对这一领域的研究提出了新的展望。     

基于滑动窗口的三维机动目标在线Kalman滤波研究

对机动目标的在线跟踪是军民领域中的重要研究课题。基于雷达数据设计了一个实现三维机动目标在线跟踪的模型。首先,针对一类三维机动目标的跟踪模型,利用窗口平滑的方法获得了运动方程噪声的功率谱密度矩阵;其次,通过构造目标的运动方程和观测方程,利用Kalman滤波给出目标的最优估计。数值例子表明,对于高机动目标,该方法能够提供比较好的跟踪效果。     

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。     

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.     

一种改进的机动辐射源单站无源跟踪变维滤波算法

针对机动辐射源的单站无源跟踪问题,提出了一种利用多普勒频率变化率和角度测量,结合匀速(CV)模型和Singer模型对机动辐射源进行跟踪的改进变维滤波(VDF)自适应算法.在该方法中引入了模型最短生存期概念,即利用模型最短生存期和机动检测结果联合控制VDF模型切换,改善VDF的滤波性能.对改进VDF方法和交互多模型(IMM)方法进行了仿真比较,结果表明,改进VDF方法减小了运算量,能够得到与IMM方法相当甚至更好的跟踪效果.     

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。     

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。     

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.     

密集回波环境下的一种交互式多模型算法

利用神经网络算法对基于机动目标“当前”统计模型的均值和方差自适应滤波算法进行修改 ,提高该算法的性能 ;然后与匀速模型交互作用 ,利用概率数据关联处理密集回波环境下机动目标的跟踪问题 ,这样既保持了对强机动目标的跟踪性能 ,同时又提高了对弱机动目标的跟踪精度。仿真结果证明该算法确为一种非常有效的方法     

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。     

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。     

A Fuzzy Adaptive Algorithm Based on“Current”Statistical Model for Maneuvering Target Tracking

The basic"current"statistical model and adaptive Kalman filter algorithm can not track a weakly maneuvering target precisely,though it has good estimate accuracy for strongly maneuvering target.In order to solve this problem,a novel nonlinear fuzzy membership function was presented to adjust the upper and lower limit of target acceleration adaptively,and then the validity of the new algorithm for feeblish maneuvering target was proved in theory.At last,the computer simulation experiments indicated that the new algorithm has a great advantage over the basic"current"statistical model and adaptive algorithm.