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.     

多传感器多机动目标跟踪方法研究进展

讨论了多传感器多机动目标的研究现状,分析了几种跟踪滤波器的性能,着重探讨了交互多模型(IMM)算法的发展状况和应用。同时还研究了多传感器跟踪多机动目标过程中的数据关联方法。最后指出,寻求采用自适应变结构的IMM算法,研究模型切换过程中算法的过渡性能,以及在数据关联中引入混沌、遗传算法等智能控制方法,将是未来多传感器多机动目标研究的方向。     

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EMA算法的变结构交互多模型算法

标准交互多模型(IMM)算法使用固定数目和时不变的模型集,往往不能兼顾算法的实时性与跟踪精度。基于增加期望模型(EMA)算法的思想,提出综合利用前一时刻的模型匹配概率与当前时刻的混合概率作为加权系数调整系统噪声模型集,调整后的模型集被认为非常接近系统实际噪声模型。将该模型集自适应技术与IMM算法结合得到一种变结构交互多模型(EMA-VIMM)算法。使用机动目标跟踪仿真实例,与标准IMM算法进行了仿真对比,分析了跟踪性能与RMSE误差。仿真结果表明,EMA-VIMM算法不仅极大地提高了跟踪精度,而且与标准IMM算法相比,具有稳定的跟踪性能和较低的计算量。     

多种滤波器方案对机动目标跟踪自适应性比较

在过去几年对机动目标跟踪这个复杂问题取得了许多成果。目前已普遍认为混合状态估计交互式多模型算法(IMM)对机动目标就跟踪精度而言比其它类型的滤波器(如自适应单模型,输入估计,变维等等)实现效果更好。然而,IMM算法的复杂性阻碍了其应用,在这些应用中,简单算法不能提供必要的精度,又不能承受IMM算法的计算负荷。本文介绍评价一个应用并行运行的3个不同常速模型(3CV-PAR)和一个机动检测器的多模型航迹滤波器的跟踪精度。输出估计由选择其似然函数比目标机动门限值(TMTh)低的模型确定。3常速并行航迹滤波器的跟踪效果与如下滤波器比较:·自适应单运动模型卡尔曼滤波器(ASMMKF);·交互式多模型(IMM)滤波器中运用相同的3个常速运动(CV)模型作为3CV-PAR滤波器;·交互式多模型(IMM)滤波器中应用一个等速(CV)模型和一个等加速(CA)模型成为CVCA滤波器;·交互式多模型(IMM)滤波器中应用一个常速(CV)模型和两个仅过程噪声水平不同的常加速(CA)模型(CA1、CA2)成为CV2CA滤波器。通过在具挑战性的多传感器想定下100次蒙特卡洛(Monte-Carlo)试验平均均方根(RMS)误差的计算结果,比较3CV-PAR航迹滤波器与上述算法方案,评价跟踪精度。     

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     

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。     

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。     

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。     

修正的马尔科夫转移矩阵自适应IMM算法

机动目标跟踪算法中,交互式多模型(IMM)算法是一种相当有效的方法.但该算法中存在Markov矩阵据先验知识给定且不变的问题.针对此问题,提出一种Markov矩阵自适应的IMM算法.该算法利用后验信息实时修正Markov矩阵,改善了位置和速度的滤波结果,使IMM算法的模型概率变化更加符合目标真实运动.经仿真验证,提出的算法具有更好的跟踪性能.     

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.     

基于IMM的估计算法对机动目标跟踪的比较

机动目标跟踪一直是倍受关注的问题,而交互式多模型方法(IMM)是解决这类问题的经典方法.由于传感器的发展或受某种客观条件的限制等,产生了各种基于IMM的算法.为此,介绍了IMM及基于IMM的几种经典估计算法,对它们进行比较研究,并通过机动目标跟踪的仿真算例说明各算法的适用条件、原理、异同点、性能及复杂性,对机动目标跟踪估计器的选择有重要参考价值.     

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.     

基于期望系统噪声的自适应机动目标跟踪研究

状态估计是目标跟踪中的基本问题,也是目标跟踪的一个难点。首先对标准IMM算法的优缺点进行了论述,针对其缺点和不足,提出了基于期望系统噪声模型（MIMM）的自适应多模型算法,该算法能有效地对机动目标的状态进行自适应估计。仿真结果表明,该算法比标准的IMM算法有较好的改善。     

基于S修正RBUKF的自适应网格交互式多模型算法

针对观测方程为非线性,状态方程为线性,且噪声为加性情况下的机动目标跟踪问题,应用Rao-Blackwellised UKF(RBUKF)算法滤波并对其进行了s修正,在此基础上,采用自适应网格(AG)方法对模型集进行自适应调整,得到一种基于S修正RBUKF的自适应网格交互式多模型(SRBUKF-AGIMM)算法。对二维蛇形机动目标跟踪的仿真结果表明,该算法与固定结构多模型(FSMM)算法相比,可在计算量相当的情况下大幅提高跟踪精度,大幅提高算法的费效比。     

基于模糊推理的机动目标自适应多模型跟踪算法

针对当前空中来袭目标的主要特点,运用模糊理论和多模型理论探索空中机动目标跟踪问题,并设计了一种模糊自适应多模型(FAMM)目标跟踪算法,该算法采用五个基本模型,以加速度估值作为模糊推理系统的输入,经模糊推理融合得到系统状态和方差的估计值以及下一时刻的滤波模型(最多三个).经Monte Carlo仿真研究,与IMM算法相比较,该算法不仅在目标弱机动或不机动条件下,而且在复杂机动时能更稳定、精确地跟踪目标,较好地满足了海上对空防御作战中跟踪机动目标的需求.     

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。     

自适应互作用多模型(AIMM)算法在机动目标跟踪中的应用

首先,对自适应互作用的多模型（AIMM）算法在机动目标跟踪中的应用作了介绍。此算法不需事先已知模型,而是用一个二级卡尔曼估计器估计目标的加速度,然后,采用相互作用的多模型（IMM）算法,将估计加速度送给加速度参数不同的子滤波器。最后,对不同机动目标情形进行仿真,将AIMM算法和IMM算法做一比较。考虑到有关计算的需要和容易实现等要求,此算法可以在并行机上计算。     

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.