一种新的非线性/非高斯滤波方法

自主滤波方法是一种递归式贝叶斯估计方法 ,该方法采用一组抽样值来近似目标状态的概率密度函数 ,可用于非线性系统模型和观测模型、非高斯观测噪声条件下的滤波。将该算法与扩展卡尔曼滤波方法进行了比较 ,仿真结果表明 ,该算法性能优于扩展卡尔曼滤波方法     

基于随机集的传感器网络多目标航迹跟踪研究

针对利用有限集统计理论对声学WSN下的多目标跟踪时,无法实现前后两个时刻目标状态的关联问题,利用最近邻方法和粒子标签法对WSN多目标的航迹跟踪问题进行了研究。仿真结果表明,两种算法都能够有效实现对多个目标航迹的跟踪;另外,粒子标签方法进行多目标跟踪时能够同时实现对多目标状态的估计和对多目标航迹的跟踪。     

一种新的机动目标模型及其自适应跟踪算法

针对机动目标跟踪问题,在截断正态概率密度模型的基础上,通过目标机动状况与相邻采样时刻间位置估计量变化之间的函数关系实现噪声方差自适应调整,提出了一种新的自适应滤波算法——基于截断正态概率密度模型修正的自适应滤波算法。计算机仿真结果表明,该算法在跟踪机动目标时,具有良好的跟踪性能,并极大地改善了跟踪非机动目标的能力。     

极坐标下雷达多目标跟踪及其实现

导出极坐标下雷达多目标跟踪的非线性滤波方程和预测方程 ,获得了稳定和渐近无偏估计 ;采用最优配对法进行点迹与航迹相关 ,避免相关模糊 ;利用记分法进行航迹质量管理 ,并在计算机上实现了多目标跟踪数据处理     

一种多目标航迹处理的方法

通过对等速直航目标的方位随时间变化规律的研究 ,找到了一个形式简洁的方位随时间线性变化的可量测函数。随后利用该函数的线性以及工作点随时间变化的规律 ,根据目标航迹交叉之前的目标方位序列 ,拟合出方位随时间变化的函数 ,再用该函数与交叉后的目标方位序列之间的相关性完成多目标航迹交叉的处理。     

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。     

面向信息栅格的多目标跟踪体系架构

结合当前目标跟踪体系的优缺点及信息栅格的优势,构建了一种面向信息栅格的机动目标跟踪体系架构,分析了系统的网格体系结构及各层之间的关系,并对其中的重要组成模块进行了详细描述。该框架有利于解决多传感器多目标跟踪中的航迹起始和数据关联等难题,对于面向信息栅格的作战应用/防御体系架构研究具有一定的参考性作用。     

舰载指控系统的目标跟踪技术现状与未来

考虑到目标跟踪在作战中的重要性,论述了目前的跟踪滤波技术:卡尔曼滤波、扩展卡尔曼滤波,重点论述了未来可用于跟踪的基于贝叶斯原理的粒子滤波技术,是最近几年出现的解决非线性跟踪问题的有效方法。     

基于SDE模型的雷达组目标角度跟踪方法

针对低信噪比下的组目标实时跟踪精度低的问题,提出一种基于随机微分方程(stochastic differential equation,SDE)模型的多输入多输出雷达目标角度跟踪方法.应用随机微分方程进行建模描述,利用马尔可夫链蒙特卡罗粒子滤波算法来进行连续推理.仿真结果验证了该方法的有效性,并显示低信噪比情况下的组目...     

连续动态贝叶斯网络实现多传感器融合跟踪

利用多传感器数据进行目标跟踪,关键是怎样将多传感器的数据合理应用来对系统的状态做出最佳估计。提出应用连续动态贝叶斯网络的方法,结合卡尔曼滤波器模型,实现用多传感器数据进行目标跟踪的方法,并对算法进行了推导和验证。仿真结果证明了提出的多传感器数据互相修正融合滤波方法具有良好的滤波效果,并能够弥补传感器数据缺失和抑制脉冲噪声。     

用改进的当前统计模型对机动目标快速跟踪

当空中目标机动时,如何快速实现对机动目标的自适应跟踪,是雷达情报处理系统中必须解决的问题之一.对多种目标模型进行比较,选用了\"当前\"统计模型,并对模型进行改进,以达到对机动目标快速跟踪.此算法已在雷达情报指挥自动化系统中得到广泛应用.     

基于最小模型集切换的变结构IMMPF算法

为提高对机动目标的跟踪精度,提出了一种新的基于最小模型集切换的变结构IMMPF跟踪算法,其中以"当前"统计模型为基础的不同最小模型集在不同时刻之间的切换实现了多模型的结构变换。当目标机动方式发生改变时,通过最小模型集的切换实现算法的滤波模型与目标实际机动方式的快速匹配,减小了目标机动的响应时间。通过仿真实验,与通用的IMM估计进行了比较,证明了算法的优越性。     

一种基于满意滤波的纯方位目标跟踪算法

针对潜艇纯方位目标跟踪算法存在算法初始化困难、收敛速度慢、稳定性差等问题,借鉴交互式多模型算法(IMM)的思想,将EKF实时解算出的滤波增益和满意滤波解算出的稳态增益实时融合并行工作,以求克服滤波初值对滤波器的影响,尽可能地消除线性化误差,最终输出具有更高精度的估计结果。仿真实验表明,提出的单站纯方位算法对滤波初值的设置有较大的领域范围,较好地克服了算法对滤波初值的敏感性问题,同时增加了算法的稳定性。     

统计线性化无序量测更新算法

在实际的多传感器系统中,由于各种传感器具有不同的采样率,预处理时间,以及数据通信延迟,因而会出现多个传感器量测不同步到达融合中心的现象。进一步地,当较早时刻产生的量测在较晚时刻产生的量测之后到达融合中心时,无序量测问题就出现了。针对离散时间非线性系统,提出基于统计线性化固定点平滑器的最佳统计线性化无序量测算法,它可以处理单步和两步延迟(甚至多步)无序量测,且能达到与重新滤波法相同的估计精度。     

一种单站纯方位目标跟踪中的线性近似化滤波算法

针对EKF算法中存在初始化困难的缺陷,利用近似线性化的方法,构建基于修正极坐标系下的近似线性最小二乘滤波算法ALF;以ALF作为EKF滤波器的初始化算法,实现联合ALF和EKF的两阶段滤波算法,并将它应用在水下单站纯方位目标跟踪中。仿真结果表明,由ALF和EKF组成的两阶段滤波算法具有很好的稳定性,算法精度较高,是一种有效的算法,对潜艇实施隐蔽探测与跟踪具有重要意义.     

最小二乘滤波在目标跟踪中的应用

根据目标在运动过程中具有轨迹连续性的特点,基于最小二乘法通过设计综合预测器的方法,并结合坐标变换得出目标的预测位置信息。这种方法结合了线性预测器与平方预测器的特点,对于目标跟踪过程中的预测更加贴近,且能减少跟踪算法的计算量;对于实现导弹的稳定跟踪具有一定的应用价值。