压制干扰环境下目标跟踪的改进粒子滤波算法

针对压制干扰环境下传统粒子滤波算法跟踪效果不佳的问题,在传统粒子滤波算法的基础之上,融合压制干扰条件下的有用量测信息,构造了一种新的粒子滤波算法。在算法的实现过程中,通过采用伯努利(Bernoulli)分布重新构造了压制干扰环境下发生量测数据丢失的传感器模型,在此基础上通过充分考虑有效量测值以及量测丢失时的一些有用量测信息,推导出了闪烁噪声条件下的似然函数,直接用于粒子权重更新的计算,并且通过纯方位跟踪以及协同转弯机动模型,仿真验证了该算法极大改善了标准粒子滤波算法的稳定性和提升了粒子滤波算法的估计精度。     

跟踪状态下射频隐身功率实时控制方法

雷达辐射的功率会影响射频隐身性能,基于对射频隐身原理的分析,提出了目标跟踪状态下射频隐身功率实时控制的方法。实现了在射频隐身状态下,雷达跟踪单目标和多目标的辐射功率的实时控制。利用射频隐身性能指标和雷达临界截获模型,建立跟踪状态下雷达低截获模型。并以截获概率为优化目标,雷达最小接收功率为约束条件,得到了跟踪状态下单次辐射功率控制模型。提出基于目标跟踪状态下跟踪单目标和多目标的射频隐身功率控制方法。仿真实验与传统的功率最小法比较,得到该方法实现较低的雷达截获概率,证明了功率控制方法的合理性和有效性。     

基于AHP—ML Ⅱ融合算法的先验分布研究

在缺乏可靠性试验数据的情况下,为得到可信的评定结论减少主观影响,需要从信息融合的角度出发,充分利用产品先验信息。以获得关于产品可靠性的更完整和更准确的判断信息,从而进一步形成对产品性能的可靠估计或预测。提出一种基于AHP-ML II的融合算法,对先验信息进行层次分析法处理后,再使用第二类极大似然估计法进行二次处理,通过不同的信息在融合后的先验分布中所起作用的大小,确定出各部分的权重因子,最后通过实例仿真分析得出该算法确实比融合前具有更好的合理性和可靠性。     

基于IMM-RUASFF的网络化目标跟踪算法

针对目前网络化目标跟踪算法存在实时性差、精度低等问题进行了研究。首先,基于网络信息共享需求,建立了网络探测节点的目标跟踪模型;其次,网络探测节点目标跟踪需求和实战要求发现目标经常是有多种运动状态并存,而单一模型的滤波器不能满足对机动目标跟踪性能的要求,采用了基于交互式多模型(Interacting Multiple Model,IMM)的有反馈实时更新的异步状态融合算法。最后,针对多个探测节点目标跟踪的状态融合估计问题,提出了一种有反馈实时更新的异步状态融合算法,通过仿真验证了算法的有效性。