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.     

粒子滤波算法的关键技术应用

针对基于贝叶斯原理的序贯蒙特卡罗粒子滤波器出现退化现象的原因,以无敏粒子滤波(UPF)、辅助粒子滤波(ASIR)及采样重要再采样(SIR)等改进的粒子滤波算法为例,对消除该缺陷的关键技术(优化重要密度函数及再采样)进行了分析研究.说明通过提高重要密度函数的似然度、引进当前测量值、预增和复制大权值粒子等方式,可以有效改善算法性能.最后通过对一无源探测定位问题进行仿真,验证了运用该关键技术后,算法的收敛精度和鲁棒性得到进一步增强.     

一种新的线性最优滤波器的设计与研究

针对一类未知机动目标设计了一种线性最优滤波器.该滤波器采用有限记忆模型作为滤波模型,模型参数用动态最小二乘方法辨识得到.由此得到的滤波器称为基于辨识有限记忆模型的线性最优滤波器.有限记忆模型克服了时间多项式模型(如CV模型、CA模型、Singer模型等)对目标物理特性的依赖性,它从目标运动轨迹入手对目标运动特性进行描述,更适合于战场未知目标的跟踪滤波.通过原理分析和Monte Carlo仿真实验验证了该滤波方法的有效性,并且和Kalman滤波方法进行了比较.     

由序列图像获取点目标的三维运动参数和空间位置

利用图像获取目标的运动参数和空间位置在目标定位、跟踪和计算机视觉中具有重要的意义。本文在目标和成像系统都运动的情况下,给出了由单目序列图像获取点目标绝对运动参数和三维空间坐标的条件,提出了利用多帧单目序列图像和应用非线性递推滤波算法来估计点目标的运动参数和空间位置。实验仿真结果证明,本文提出的算法是有效的。     

简化的块变步长自适应算法

本文提出了一项特别适用于进行实时信号处理、可作为评估自适应算法性能的新指标——收敛时间。然后依据此指标,提出了一种简化的块变步长(SBVS)自适应算法,并导出了它的频域实现。计算机模拟结果表明,该算法在性能上优于BLMS 算法。     

自适应滤波算法的新进展

本文综述了自适应滤波算法研究的进展情况;指出了现有方法存在的问题。最后,对进一步研究的趋势提出了展望。     

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。     

基于U-D分解滤波的交互多模型算法

简要回顾了基于相控阵雷达的三维空间中机动目标建模与自适应跟踪的机理,针对交互多模型算法在其跟踪应用过程中可能会出现的滤波发散问题,提出了一种基于U-D分解的交互多模型目标跟踪算法.该算法可以有效地限制交互多模型算法滤波计算过程中的滤波发散的可能性,从而使得IMM算法更加稳定.     

目标自动跟踪与信息处理综合系统的研究与实现

根据将目标自动跟踪与信息处理综合的思想,在目标自动跟踪与信息处理综合的实现方面作了大量工作.实验结果表明,只有在自动跟踪系统中综合目标信息处理,火控系统性能才能有质的提高.同时,数字信号处理技术、自适应滤波算法的应用使得系统设计能够基本达到实际应用的阶段.     

杂波环境下机动目标跟踪模拟

蒙特卡洛仿真为提高次最优贝叶斯估计精度提供了可能。有文献提出了一种新的自举仿真逼近方法——自举多模型滤波(BMM)来对机动目标进行跟踪。本文对这种算法进行了扩展,使其适用于杂波环境中,即把概率数据关联(PDA)和BMM算法进行组合来克服观测样本的不确定性。并通过模拟把BMM PDA算法和通用的解决此类问题的交互多模型概率数据关联(IMM PDA)滤波方法进行了比较。结果证明,BMM PDA算法更加行之有效。