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。     

自适应平方根无迹滤波的雷达组网状态估计算法

从最小方差的角度分析了雷达组网无迹滤波(Unscented Filter,UF)状态估计的统计学本质,并且针对UF的Cholesky分解遇到非半正定矩阵容易发散、不准确滤波初值造成滤波发散以及异常扰动影响滤波效果等问题,提出将自适应平方根无迹滤波(Adaptive Square Root Unscented Filter,ASQUF)用于雷达组网状态估计,结合合理的滤波初始化策略,提高了UF的工程可用性。仿真验证表明,提出的ASRUF算法用于雷达组网空域目标状态估计时,初始化平稳无波动,工程可用性好,状态估计精度高,明显优于扩展卡尔曼滤波(Extended Kalman Filter,EKF)算法。     

基于观测预测粒子滤波的雷达组网目标状态估计

雷达组网系统跟踪目标时,观测数据与目标跟踪状态成严重非线性关系,难以用卡尔曼滤波最优估计方法,处理非高斯非线性系统滤波估计问题的粒子滤波算法容易产生粒子退化问题。因此,使用观测预测粒子滤波算法解决这个问题,该算法基于观测似然进行重要性采样,结合一步预测信息计算粒子权值,保证了采样粒子处于高观测似然区,并充分利用了一步预测信息。仿真验证表明,将观测预测粒子滤波算法应用于目标状态估计,避免了粒子退化,收敛快,估计精度高。