异步雷达组网协同跟踪动态传感器分配算法

针对异步雷达组网下的协同跟踪问题提出了一种基于异步顺序融合的动态传感器分配算法。该算法对异步雷达的量测值按采样时刻顺序滤波,根据滤波协方差和目标期望协方差的接近程度动态选择下一时刻跟踪的最优传感器集合。仿真分析表明该算法和基于伪量测的异步雷达组网协同跟踪传感器分配算法相比具有较少的计算量和较高的目标跟踪精度。     

基于Rényi信息增量的机动目标协同跟踪算法

针对基于多传感器组网进行机动目标跟踪的传感器管理问题,提出了一种基于Rényi信息增量的机动目标协同跟踪算法。首先结合"当前"统计模型和交互式多模型不敏卡尔曼滤波算法设计了一种变结构多模型算法,来进行机动目标的状态估计;然后以Rényi信息增量为评价准则,选择使Rényi信息增量最大的单个传感器进行目标跟踪;最后利用得到的最优加速度估计进行网格划分,更新变结构多模型中的模型集合。在一般机动及强机动场景下进行了算法性能分析,仿真结果表明,该算法能够合理地选择传感器,提高了对机动目标的跟踪精度。     

过载系数未知的反舰导弹跃升俯冲过程跟踪算法

针对反舰导弹跃升机动过程的跟踪中,过载系数未知导致跟踪模型与导弹实际运动的不匹配问题,对状态变量进行扩展,应用扩展卡尔曼滤波对过载系数实时估计,实现对跃升俯冲机动过程的跟踪。仿真结果表明,该算法可准确估计出过载系数,显著提高跟踪性能。     

TWS 雷达中的机动目标跟踪问题

采用非零均值相关加速度模型建立ｋａｌｍａｎ滤波器,以解决ＴＷＳ雷达中的机动目标跟踪问题。建立在载准线直角坐标系的机动检测器根据残差的变化可自动调整机动加速度方差以保证非机动目标的跟踪精度和跟踪器对机动目标的跟踪。仿真表明了本文方法的有效性。     

基于A*算法的无人机地面目标跟踪

提出一种在威胁环境下应用A*算法进行目标跟踪的方法。为了简化模型和便于分析,主要考虑地形和雷达威胁。在考虑了雷达盲区的安全区域内,利用目标的实时信息和改进后的A*算法对无人机航迹进行规划,以达到跟踪地面移动目标的目的。仿真结果表明,所提出的方法可以很好地实现目标跟踪。     

基于实测光电跟踪仪误差的分布检验及应用

对光电跟踪仪跟踪误差特性分析是进行精度试验数据分析处理的前提基础。为了研究光电跟踪仪对空中目标角跟踪测量误差的分布规律,综合采用偏峰度联合检验即Jarque-Bera法和Kolmogorov-Smirnov非参数统计方法,对实测误差数据进行分布检验。检测结果表明光电跟踪仪角度测量误差中远端区段符合正态分布,近区测量误差80%航次不符合正态分布。所得结论为光电跟踪仪精度试验设计和数据处理算法的确定提供了科学依据。     

改进预测协方差门限法的采样周期自适应选择算法

传感器采样周期是影响目标跟踪的一个重要参数。现有自适应采样周期策略中,一些算法运算量比较大,计算效率低,不具有一般性。为此提出了一种改进的预测协方差门限法。该算法改进传统采样周期的全遍历寻优策略。最后与几种自适应采样周期算法与固定采样周期算法通过交互式多模型(IMM)滤波算法进行仿真比较。仿真结果表明该算法在目标跟踪过程中能满足跟踪需求,具有较少的计算量,较高的运行效率,比固定采样周期算法更能节约资源。     

扩展卡尔曼滤波的有向传感器网络移动目标跟踪算法

针对传感器网络中跟踪目标需要大量的节点协同工作,还需要实时处理和传输大量数据,提出一种基于扩展卡尔曼滤波的有向传感器网络目标跟踪算法(EK-MTDC),重点研究了传感器网络中的扇区数量对节点间数据传输与目标跟踪精度的影响,根据对目标状态的分析,通过压缩参与监测的节点个数,选择激活网络中节点相交区域内的节点对跟踪目标进行监测。仿真结果表明,该算法能在不降低跟踪效果的前提下,降低网络能耗,延长其使用寿命。     

自适应网格交互多模型算法

研究和设计了一种模型集合自适应方法——自适应网格方法。并将其与交互多模型算法相结合,提出了自适应网格交互多模型(AGIMM)算法,它是一种变结构多模型算法。仿真显示它能有效地提高IMM估计器的费效比。     

多假设跟踪技术综述

从工程应用的观点出发,对多假设跟踪技术进行综述。描述了从多假设跟踪的萌芽——多目标跟踪的0-1整数规划法,到多假设跟踪方法的形成;由于假设生成过程是算法复杂性决定性的因素,其中量测个数和航迹合并长度又起关键作用。对该问题进行了重点的回顾;进一步MHT实用化的关键是如何克服算法的复杂性,K-最优假设法为算法应用带来希望。同时,对多假设跟踪其它相关技术的发展也进行了简要叙述。