基于STF的Jerk模型自适应机动目标跟踪算法

在Jerk模型的基础上,提出了一种新的机动目标自适应跟踪算法STF-Jerk。该算法通过引入强跟踪滤波器(STF)的渐消因子,实时调节滤波器增益,增强了系统对突发机动的自适应跟踪能力,从而很好地改善了Jerk模型在跟踪机动目标时的跟踪精度。仿真结果表明,提出的STF-Jerk自适应跟踪算法显著提高了Jerk模型自适应算法的机动目标跟踪性能。     

基于预警卫星系统的临近空间飞行器跟踪

系统地研究了如何对临近空间飞行器进行有效实时跟踪的问题,并提出了一种基于约束总体最小二乘与自适应交互式多模型（CTLS-AIMM）滤波相结合的实时跟踪滤波算法。首先考虑到临近空间飞行器的特点,选择使用红外预警卫星系统探测目标飞行器,并使用约束总体最小二乘算法（CTLS）对目标进行粗定位;然后在粗定位信息基础上,使用自适应交互式多模型滤波算法（AIMM）对目标飞行器进行实时跟踪。在AIMM中,根据临近空间飞行器机动特性,合理选择目标模型集,并使用迭代最小二乘算法对模型参数进行自适应调整。通过仿真,验证了该跟踪滤波算法的可行性。     

基于预警卫星系统的临近空间飞行器跟踪简

 系统地研究了如何对临近空间飞行器进行有效实时跟踪的问题,并提出了一种基于约束总体最小二乘与自适应交互式多模型（CTLS-AIMM）滤波相结合的实时跟踪滤波算法。首先考虑到临近空间飞行器的特点,选择使用红外预警卫星系统探测目标飞行器,并使用约束总体最小二乘算法（CTLS）对目标进行粗定位;然后在粗定位信息基础上,使用自适应交互式多模型滤波算法（AIMM）对目标飞行器进行实时跟踪。在AIMM中,根据临近空间飞行器机动特性,合理选择目标模型集,并使用迭代最小二乘算法对模型参数进行自适应调整。通过仿真,验证了该跟踪滤波算法的可行性。     

增广误差模型算法在目标跟踪中的应用

针对目标机动运行过程中,滤波模型与机动状态模型失配的问题,提出了一种新的增广状态误差滤波模型。不同于现有增广方案,该模型从模型失配所致状态滤波误差的角度出发,将状态估计误差增广为一状态量,通过滤波估计后用其校正原状态量。算法分析表明,该增广滤波模型具有自适应调节多重渐消因子的等效特性,增强了对目标的跟踪能力。基于该增广状态误差滤波模型,给出了滤波算法设计并进行了仿真实验。实验结果表明,基于该模型的滤波算法在对机动目标进行跟踪时具有更强的鲁棒性。     

一种新的基于机动检测的机动目标跟踪算法

针对Kalman滤波跟踪机动目标发散和目前多数自适应Kalman滤波算法对运动模型适应性不强的问题,提出了一种新的基于机动检测的机动目标跟踪算法,通过实时自适应的改变滤波模型提高对机动目标跟踪精度。对这种方法与Kalman滤波算法进行了计算机仿真比较,结果表明,该方法计算量小,可实时精确地自适应匹配目标的运动模型,可实现对机动目标稳定可靠的跟踪。     

基于轨迹跟踪的飞行器大角度姿态机动物理仿真

针对空间飞行器大角度姿态机动控制具有非线性,并要求控制器具有较高的指向精度、姿态稳定度及鲁棒性等特点,应用轨迹跟踪控制算法,设计了比例微分控制器。系统采用DSP作为星载计算机、光纤陀螺作为姿态敏感器、反作用飞轮作为执行机构、系统程序采用C语言编程,利用单轴气浮仿真实验台实现了物理仿真实验。实验结果证明该控制方法能实现飞行器大角度机动控制,控制过程中能准确跟踪预定轨迹,还表现出较好的鲁棒性。     

临近空间高超声速滑跃式机动目标的跟踪模型

滑跃式机动是临近空间高超声速飞行器的一种重要运动方式,现有文献中鲜有对高超声速滑跃式机动目标跟踪技术的报道。为此,提出了一种针对临近空间高超声速滑跃式机动目标的跟踪模型,其核心是将目标加速度建模为具有正弦波自相关的零均值随机过程,并据此构建了跟踪临近空间高超声速滑跃式机动目标的状态方程。通过仿真实验与Singer模型、Jerk模型和CV+CA+Singer交互式多模型IMM进行比较,证明了所提模型在跟踪临近空间高超声速滑跃式机动目标时的合理性与优势性。     

一类新型的机动目标跟踪算法

针对机动目标跟踪,提出了基于截断正态概率模型的改进自适应目标跟踪算法,该算法具有结构和计算简单,鲁棒性好的特点,通过仿真结果对比,充分说明了文中所提出的跟踪算法能够较好地弥补传统的Kalman滤波方法在跟踪机动目标时的不足。     

机动目标跟踪的具有固定延时的平滑IMM滤波算法

在跟踪机动目标的交互式多模型自适应滤波算法(IMM)基础之上介绍了一种基于状态的扩充具有固定延时的平滑IMM算法(IMMF-LS).蒙特卡洛仿真结果表明IMM具有明显的综合多模型的优点,IMMF-LS的跟踪精度明显高于IMM算法.     

强跟踪UKF滤波在SINS_GPS组合导航中的应用研究

针对飞行器大机动条件下SINS／GPS组合导航中出现的滤波发散问题,结合UKF滤波算法,提出了一种强跟踪UKF滤波算法。它通过引入渐消因子用线调整滤波增益阵K来减小老数据的权值,相对地增加新数据的权值,提高了UKF滤波跟踪性能。仿真和实际数据解算结果表明,强跟踪UKF提高了组合导航系统对于突变状态的实时跟踪能力和滤波过程的数值稳定性,验证了该算法的有效性。     

临近空间高超声速滑跃式轨迹目标跟踪技术

针对临近空间目标飞行速度快、机动特性强和加速度突变的特性,提出一种地心直角(ECEF)坐标系下基于目标特性分析的修正强跟踪滤波(MSTF)算法。首先,通过对ECEF坐标系下目标量测的无偏转化处理,以有效减小目标高超声速飞行所带来的旋转、平移和线性化误差影响;接着,在对目标特性充分分析的基础上,合理构建强跟踪滤波(STF)模型,通过对模型参数的自适应调节,以有效实现临近空间高超声速滑跃式轨迹目标的精确跟踪;最后,结合统计学原理对目标加速度的突变进行合理检测和补偿,以进一步修正强跟踪滤波模型的跟踪精度。仿真结果表明,与现有的临近空间目标跟踪算法相比,该算法具有较高的定位跟踪精度。     

基于强跟踪滤波的GPS/INS组合导航系统对准技术研究

针对卡尔曼滤波鲁棒性较差的问题,研究了基于强跟踪滤波方法的GPS/INS对准。建立了GPS/INS组合导航系统对准的误差模型,对机载装备系统进行GPS/INS组合导航系统的对准仿真分析,验证该方案的可行性及强跟踪滤波器的性能。仿真结果表明,采用强跟踪滤波能够根据残差的变化求出渐消因子,能够在机动过程中有效跟踪系统状态量,从而提高对准精度和速度。采用强跟踪滤波的GPS/INS组合导航系统对准技术可以保证对准的快速性及对准精度,对工程应用具有重要的参考价值。     

高超声速滑翔再入飞行器弹道估计的自适应卡尔曼滤波

采用传统状态增广法对高超声速滑翔再入飞行器(HGRV)进行弹道估计,存在模型简化误差过大和过程噪声方差难以构造的问题.依据目标运动特性和模型简化误差定量分析结果,状态方程改进为采用圆形地球模型和拟合大气模型并考虑哥氏力.采用一阶Markov过程描述气动力参数,将过程噪声方差构造为气动力参数方差和机动时间常数的函数,时变气动力参数方差采用“渐消记忆”的统计估计法由气动力参数估计值序列统计获得,而存在跳变的机动时间常数则作为运动模式采用变结构交互多模型法与运动状态一起估计.仿真结果表明,所提算法对位置、速度和气动力参数的估计精度优于传统算法,具有较好的工程实用性、鲁棒性和效费比.     

强跟踪滤波在高超声速滑翔目标跟踪中的应用

高超声速滑翔目标(HGT)机动模式复杂多样、轨迹形态灵活多变,增加了跟踪模型建模的不确定性,导致目标跟踪的精度低。为了提高跟踪精度,提出了一种基于强跟踪滤波的高超声速滑翔目标跟踪方法。首先,在地基雷达坐标系下建立目标运动模型和量测模型,利用维纳随机过程来表征运动模型中未知项的变化特性。其次,采用强跟踪无迹卡尔曼滤波(UKF)算法对目标运动状态进行估计,提高模型不确定性存在时滤波器的状态跟踪能力。最后,利用目标常用的基于标准轨迹的制导方法生成了一条可行飞行轨迹。仿真结果表明,该方法的跟踪精度高,强跟踪滤波能够有效降低模型不确定性存在时的状态估计误差。     

自适应高阶容积卡尔曼滤波在目标跟踪中的应用

针对传统容积卡尔曼滤波(CKF)在系统状态发生突变时估计精度下降的问题,将强跟踪滤波(STF)算法与高阶容积卡尔曼滤波(HCKF)算法相结合,提出了一种自适应高阶容积卡尔曼滤波(AHCKF)方法。该算法采用高阶球面-相径容积规则,可获得高于传统CKF的估计精度,同时在HCKF算法中引入STF,通过渐消因子在线修正预测误差协方差阵,强迫残差序列正交,提高了算法的鲁棒性,增强了算法应对系统状态突变等不确定因素的能力。将提出的AHCKF算法应用于具有状态突变的机动目标跟踪问题并进行数值仿真,仿真结果表明,AHCKF算法在系统状态发生突变的情况下表现出良好的滤波性能,有效地避免了状态突变造成的滤波精度下降,较传统的CKF、HCKF、交互式多模型-容积滤波(IMM-CKF)和自适应容积卡尔曼滤波(ACKF)算法有更强的鲁棒性和系统自适应能力。     

机动目标的多项式预测模型及其跟踪算法

根据匀变速运动的多项式描述形式,利用多项式预测滤波器对目标状态建模,提出了一种全新机动目标运动的动态模型——多项式预测模型,并针对这个全新的模型给出了相应的最优滤波算法。分析表明：该模型可以精确描述任意可以由多项式描述的目标运动,而不需要已知运动的具体参数,因此相应的最优滤波算法适用于任何可以用多项式描述的机动目标状态估计问题。一个机动目标跟踪问题的计算机仿真证明了本文方法的有效性和实用性。     

高超声速滑翔目标自适应跟踪方法

针对机动模式复杂多变的高超声速滑翔目标跟踪问题，提出了一种机动频率自适应跟踪方法。采用介于常速度和常加速度模型之间的Singer模型来表征目标气动力加速度的变化，从而建立跟踪系统的状态方程。根据地基雷达量测量获得系统的量测方程，鉴于距离和角度信息的量级相差较大将其由球形量测量转换为位置量测量。为了适应高超声速滑翔目标灵活多样的机动模式，基于正交性原理和无迹卡尔曼滤波算法实现了Singer模型中机动频率参数的自适应。利用滤波信息计算得到能够反映状态模型误差大小的调整因子，用于放大Singer模型中的机动频率，进而调整状态方程的过程噪声以降低模型误差。通过对2种典型机动轨迹的跟踪仿真，并与交互式多模型等方法进行比较，结果表明所提方法的跟踪精度高、计算量小，能够较好地适应阶跃机动和连续幅值变化的机动。     

基于自适应SRCKF的空间非合作目标实时轨道确定

针对天基测角对非合作目标跟踪定轨的动力学模型简化误差问题,提出一种基于非线性预测滤波和SRCKF(Square Root Cubature Kalman Filter,平方根容积Kalman滤波)的自适应滤波方法.采用考虑地球J2摄动影响的轨道动力学模型作为状态方程,在跟踪滤波过程中,用NPF(Nonlinear Predictive Filter,非线性预测滤波)对动力学模型进行实时修正,利用SRCKF对修正后的动力学模型进行状态估计.将该方法应用于高轨航天器对非合作低轨目标的实时测角定轨任务中,进行数字仿真,仿真结果证明,该方法相比传统的滤波方法具有更高的精度、更强的鲁棒性和稳定性.     

基于辅助粒子滤波的机动目标跟踪研究

针对机动目标跟踪巾扩展卡尔曼算法（EKF）收敛速度慢、跟踪精度低的问题,基于粒子滤波（PF）和辅助粒子滤波（APF）的基本思想,结合目标先验信息将速度约束条件加入到跟踪过程巾,对辅助粒子滤波算法进行了仿真分析,与扩展卡尔曼进行仿真对比,分析了跟踪性能和误差。仿真结果表明,对机动目标跟踪问题,辅助粒子滤波不仅解决了扩展卡尔曼线性化困难难题,与EKF相比还具有收敛速度快,跟踪精度高的优点。     

引入神经网络的交互式多模型算法

在交互式多模型算法中引入神经网络算法以改进目标跟踪的精度。利用神经网络算法对基于机动目标“当前”统计模型的均值和方差自适应滤波算法进行修改,提高该算法的性能,然后采用交互作用多模型算法跟踪机动目标,提高了机动目标的跟踪精度。