基于SNF的一种检测和跟踪性能优化方法

对于一个监视系统,跟踪性能的优化要求检测系统和跟踪系统通过引入反馈进行联合设计,针对最大量测幅值邻域滤波器(SNF),提出了先验和后验检测跟踪优化准则,通过分析得出先验优化准则不可行这一结论,而利用后验优化准则同时对检测阈值和门值的联合优化,仿真结果表明,用后验优化准则进行检测和跟踪性能优化,不仅具有比恒虚警率更好的跟踪精度,而且其计算代价也大为降低.     

目标自动跟踪在对抗系统中的仿真

研究了在OpenGVS仿真平台上实现目标自动跟踪系统仿真的方法。根据目标自动跟踪系统的基本原理建立了其系统的仿真数学模型,然后运用MFC,OpenGVS在HLA搭建的对抗仿真环境中实现了半实物仿真。     

改进的多目标GM-PHD分量融合算法

密集杂波的平行多目标跟踪场景中,高斯混合概率假设密度滤波器的计算代价随着分量的增多而不断变大,且其目标状态估计精度较低.为了解决这些问题,基于高斯混合概率假设密度滤波框架,提出一种改进的目标分量融合算法.通过目标分量的权重、均值及协方差的充分协作,该算法能够极大程度地融合目标强度中的相似分量,同时能够有效地避免真实目标分量被错误融合.仿真结果表明,密集杂波环境下该算法不仅具有较高的目标状态估计精度,而且其计算代价相对较低.     

非线性目标跟踪滤波算法的比较研究

针对不同的非线性目标跟踪滤波算法在性能上存在较大差异的问题,展开了5种非线性滤波算法的比较分析研究,通过分析不同滤波框架下非线性目标跟踪性能,阐述了算法理论中的关键异同点.通过仿真实验和跑车试验,比较了基于Kalman框架下非线性滤波算法和基于Monte Carlo贝叶斯估计的粒子滤波在估计精度、计算量等方面的优劣性.实验结果表明,在复杂的非线性环境中,粒子滤波相对于其他4种滤波器滤波精度更高,但计算复杂耗时长,该结果可为非线性目标跟踪滤波算法的选取提供有益的参考.     

基于多机载预警雷达的机动目标融合跟踪方法

机动目标跟踪是多机载预警雷达数据融合中的一个难点,传统的卡尔曼滤波本身不足以解决该问题.基于量测噪声协方差估计设计了一种可适用于机动目标的卡尔曼滤波器;引入了协方差交集,提出了一种针对多机载预警雷达数据融合中机动目标跟踪的新方法.仿真实验表明,该方法能够成功稳定地跟踪机动目标,与现有的主流方法相比,该方法的误差性能是最佳的.     

考虑地球曲率的三维目标APBR跟踪算法

针对机载被动双基站雷达(Airborne Passive Bistatic Radar,APBR)三维目标跟踪问题,提出一种杂波环境下考虑地球曲率的航迹起始与目标跟踪算法.在地心地固坐标系中建立包含地球曲率的目标运动模型和测量模型.利用多帧测量构建对数似然比函数,并通过遗传算法求解最优值,获得目标的三维状态初值.最后,利用概率数据关联结合扩展卡尔曼算法对杂波环境下的目标进行状态估计.仿真结果表明,所提方法比不考虑地球曲率的方法能获得更好的估计性能.     

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.     

多因素观测来源不确定的多目标跟踪算法

杂波、低检测概率和目标间观测相互干扰等因素,使得目标观测的来源难以辨别,提出一种基于改进GMPHD滤波的多目标跟踪算法,通过引入目标标记和权重向量,增广了标准GMPHD迭代中目标信息.基于高斯分量合并策略、目标状态估计策略和高斯分量优化策略,能够有效地改善目标状态估计精度和滤波迭代效率.目标跟踪仿真实验结果表明了所提算法的有效性及鲁棒性.     

临近空间高超声速目标跟踪制导雷达搜索空域确定模型

针对临近空间高超声速目标跟踪制导雷达的搜索空域划分问题,提出了基于修正球坐标系的搜索空域模型确定方法.在给出预警引导信息在修正球坐标系下的描述形式基础上,建立了静态搜索空域确定模型,并利用目标的速度引导信息,对搜索空域的动态匹配模型进行研究.仿真结果表明,该方法实现了目标高超声速运动条件下,跟踪制导雷达对临近空间高超声速目标的连续高概率覆盖,相应提高了雷达的搜索性能.     

结合自适应时间权重的改进STRCF目标跟踪

针对STRCF算法时间权重因子固定,且常因长时遮挡等原因造成跟踪漂移的问题,提出了一种自适应时间权重学习的目标跟踪算法.利用峰值旁瓣比在线动态更新时间权重因子以提升跟踪器的准确性.在跟踪器中嵌入遮挡判断模块,设定条件判断是否发生遮挡,以决定是否停止对目标位置的更新.实验结果表明:该算法的精确度与成功率分别为0.880和0.814,相比STRCF算法分别提升了2.6％和2.0％,且跟踪速度达到28.61帧/s,在CPU上可以达到实时.