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。     

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。     

基于期望系统噪声模型的自适应机动目标跟踪

针对防空作战中的机动目标跟踪问题,分析了使用IMM算法跟踪目标所存在的缺陷,提出了一种基于期望系统噪声模型的自适应机动目标跟踪算法（MIMM）,改变IMM算法使用固定模型集合的方法,IMM算法中作用权重较大的只是少部分更接近于实际系统的模型,通过对部分系统噪声模型进行自适应辨识,计算出最接近于系统实际噪声水平的模型——期望系统噪声模型（ESNM）。这些模型作为IMM多模型集的子集,是在一定模型框架内所寻求出的一个（或多个）最优模型（集）。仿真结果证明了MIMM算法能够更好地描述目标机动,达到更理想的跟踪性能,其跟踪精度优于使用固定模型集的IMM算法。     

机动目标“当前”统计模型与自适应跟踪算法

本文提出机动目标“当前”统计模型的概念并建议用修正的瑞利-马尔科夫过程描述目标随机加速机动的统计特性。文中指出了在机动目标运动模型中状态（机动加速度）估值与状态噪声之间的内在联系。在此基础上提出了具有机动加速度均值及方差自适应的卡尔曼滤波算法。对一维和三维的情形进行了计算机模拟。计算结果表明,在仅对目标位置进行观测的情况下,这类自适应估值算法无论对高度机动或无机动的目标均可绘出较好的位置、速度及加速度估值。     

对飞机的跟踪方法

 本文叙述对作机动飞行（加速、转弯等）的飞机进行实时跟踪的方法,该方法采用自适应（一阶）多项式滤波,其中用X²分布法探测飞机机动,分别用方差匹配法及两种算法估计由机动产生的模型噪声方差Qk。模拟计算表明,两者对飞机机动的跟踪都是成功的,而后者对工程应用更方便一些。     

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。     

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。     

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。     

交互作用的双自适应模型估计器

 通过对目标的不确定机动分析和对不确定机动的模式分类(非机动、临界机动、弱机动、强机动),建立了一种新的目标状态自适应估计器——交互作用的双自适应模型估计器。它通过具有机动识别特性的二阶自适应模型和具有机动水平特性的三阶自适应模型,以及它们之间交互作用自适应组合方式的结合,达到了跟踪估计目标各种运动的“全面”自适应能力。应用新估计器对目标的5种基本运动进行了Monto-carlo仿真。仿真表明,它具有所期望的良好性能。     

Real-time object tracking via least squares transformation in spatial and Fourier domains for unmanned aerial vehicles

This paper addresses the problem of real-time object tracking for unmanned aerial vehicles. We consider the task of object tracking as a classification problem. Training a good classifier always needs a huge number of samples, which is always time-consuming and not suitable for realtime applications. In this paper, we transform the large-scale least-squares problem in the spatial domain to a series of small-scale least-squares problems with constraints in the Fourier domain using the correlation filter technique. Then, this problem is efficiently solved by two stages. In the first stage, a fast method based on recursive least squares is used to solve the correlation filter problem without constraints in the Fourier domain. In the second stage, a weight matrix is constructed to prune the solution attained in the first stage to approach the constraints in the spatial domain. Then, the pruned classifier is used for tracking. To evaluate proposed tracker's performance, comprehensive experiments are conducted on challenging aerial sequences in the UAV123 dataset. Experimental results demonstrate that proposed approach achieves a state-ofthe-art tracking performance in aerial sequences and operates at a mean speed of beyond 40 frames/s. For further analysis of proposed tracker's robustness, extensive experiments are also performed on recent benchmarks OTB50, OTB100, and VOT2016.     

高斯非平稳机动目标波达角模型及跟踪

在实际的跟踪情况中,由于环境条件、目标反射截面等因素的变化,回波信号的功率会随时间变化,即不满足通常阵列信号处理中对高斯信号作平稳性的假设。针对复杂运动条件下高斯非平稳目标的跟踪问题,提出了一种新的机动目标波达角(DOA)模型。该模型全面地刻画了高斯非平稳机动目标的动态,并将目标的DOA和信号功率作为状态变量进行了联合考虑,同时运用虚拟阵列的表示方法构建了相应的观测方程。对于建立的新模型,最后采用无迹卡尔曼滤波(UKF)的框架完成了整个跟踪算法。分析和仿真结果表明,当高斯非平稳机动目标之间存在长时间相互接近的情况时,新方法仍然可以获得较好的跟踪性能。     

惰性块式平面波发生器形成平面波的数值模拟分析

探讨了惰性块式平面波发生器的相关原理,在费马原理的基础上设计了平面波发生器的物理模型,用非线性有限元方法对平面波形成过程进行了数值模拟,得到了不同时刻的波形图像,数值模拟结果与实际过程在物理宏观特征上基本一致。     

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。     

航天测控站运管系统设计

针对航天测控站管理域内测控、通信、气象、勤务等专业设备需要垂直管理,但节点分散、设备运行状况无法实时获取的现状,设计开发了测站运管系统。该系统涵盖测站管理域内测控设备协议转换、气象设备运行管理、勤务设备运行管理、测控信息检查与测试、综合信息管理以及综合态势展示等功能,实现了各专业设备运行状态采集、信息传输、专业管理、数据处理、信息展现及故障报警的层次化管理模型,建立了标准化的测站管理体系,规范了测站跟踪流程,实现了从准备开始、设备标校、捕获跟踪到数据质量分析的全过程管理,提高了测站管理域的管理质量和自动化运行效率。     

Maneuvering target tracking with colored noise

It is known that colored noise may degrade the performance of a tracking algorithm. A common remedy is to model colored noise as an autoregressive (AR) process and apply the measurement difference method. One problem with the approach is that the AR parameters are usually unknown. In this work, we propose a new method to adaptively estimate the AR parameters. It is shown that this method is simple and practically feasible. We incorporate oar method into the interacting multiple model (IMM) tracking algorithm and show that the performance is almost as good as that in the known parameters case     

神经网络模型在TDNS准则中的应用研究

时域Neal-Smith（TDNS）准则源于频域Neal-Smith（FDNS）准则和阶跃目标跟踪准则,被广泛应用于纵向驾驶员诱发振荡（PIO）趋势的预测研究。在该准则采用的人机闭环系统中,广泛运用结构简单且能反映飞行员基本行为特征的拟线性驾驶员模型。但在实际情况中,驾驶员的行为通常具有高度的非线性,为了更精确地描述驾驶员的非线性特性,采用神经网络方法建立驾驶员模型。利用某机的试飞数据对神经网络进行了训练和测试,生成了神经网络模型。针对TDNS预测准则,建立了相应的仿真模型,通过仿真运算,得到了该飞机的P10预测结果。研究表明：相对于传统的驾驶员模型,神经网络模型能够更好与真实驾驶员相匹配;在TDNS评估准则中运用神经网络模型具有实际的意义。     

Tracking in clutter with nearest neighbor filters: analysis andperformance

The measurement that is “closest” to the predicted target measurement is known as the “nearest neighbor” (NN) measurement in tracking. A common method currently in wide use for tracking in clutter is the so-called NN filter, which uses only the NN measurement as if it were the true one. The purpose of this work is two fold. First, the following theoretical results are derived: the a priori probabilities of all three data association events (updates with correct measurement, with incorrect measurement, and no update), the probability density functions (pdfs) of the NN measurement conditioned on the association events, and the one-step-ahead prediction of the matrix mean square error (MSE) conditioned on the association events. Secondly, a technique for prediction without recourse to expensive Monte Carlo simulations of the performance of tracking in clutter with the NN filter is presented. It can quantify the dynamic process of tracking divergence as well as the steady-state performance. The technique is a new development along the line of the recently developed general approach to the performance prediction of algorithm with both continuous and discrete uncertainties     

机动目标的模型与跟踪算法

 <正> 在机动目标的“当前”统计模型中,目标的加速度被描述为修正的瑞利—马尔科夫过程,对应的自适应跟踪算法呈现出较好的跟踪特性。文献[2]研究了该模型及其自适应算法在实际的机载雷达跟踪系统的应用;文献[3]进一步推广了基于“当前”模型的MPDAF算法。本文提出一个新的机动目标模型,即假定目标加速度为一高斯—马尔     

Analytical solution of discrete colored noise ECA tracking filter

New analytical solutions of steady-state Kalman gains are presented for a discrete-time tracking filter with correlation in both the measurement noise and the target maneuver. The measurement noise model is a first-order discrete Markov process characterized by a correlation coefficient ρ. The target motion is examined for an exponentially correlated acceleration maneuver type in which the vehicle oscillation such as wind-induced-bending is also considered. The present solution method is based on factorizing the observed spectral density matrix Ψ(z) in frequency domain. The algorithm proposed here gives the Kalman gain matrix directly. For a case when the steady-state error covariance matrix is desired, such gains can be incorporated with the algebraic Riccati equation