基于测量数据积累的弱目标检测前跟踪算法

检测前跟踪(TBD)算法是一种有效的弱目标联合检测与跟踪方法。当目标强度参数未知时,基于点目标假设的主流TBD算法通常将其建模为增广目标状态变量,在贝叶斯框架下联合估计目标运动状态与强度信息。本文研究发现强度参数估计精度受限于点扩散函数(PSF)的设置,提出了一种基于测量数据积累的弱目标TBD算法。该方法利用目标的航迹,积累多帧间目标占据分辨单元的测量数据,在实现弱目标的联合检测与跟踪的同时,对目标强度参数完成准确估计,为后续目标分类或识别提供有用的目标强度信息。仿真结果表明:在低信噪比条件下,所提算法的强度参数估计精度和稳健性优于主流TBD算法,并最终收敛于参数完全已知时的最优联合检测与跟踪结果。     

认知结构模型机动目标跟踪算法

针对复杂战场中环境特性复杂以及目标机动性能提升所带来的跟踪难题,提出一种基于人类认知机制的机动目标自适应跟踪算法。算法将人类“记忆”机制引入机动模型构建,利用神经网络对目标特征参数进行离线学习并存储,指导机动模型参数实时调整,使模型对运动状态的描述更加合理。为进一步提高跟踪性能,基于人类认知“感知-行动”循环理论,将雷达接收端经数据处理后的目标状态估计信息反馈至雷达发射端,以最小感知信息熵为代价函数,从波形库中自适应选择最佳波形来匹配目标。仿真对比实验表明,该算法对环境及目标的感知更加准确,融入波形选择的自适应目标跟踪算法要明显优于传统采用固定波形的跟踪算法。     

杂波环境下的机动目标检测和跟踪算法

交互多模式(IMM)是一种有效的机动目标跟踪算法,但由于其要求具有很多的先验前提条件而不利于工程实现.研究了一种杂波环境下更适合于工程实现的机动目标(同样适用非机动目标)的跟踪算法,该算法通过一种由测量位置估计误差决定的机动检测函数来实现杂波背景中的机动目标检测,并通过改变Kalman滤波的相关参数,实现自适应跟踪.该算法克服了IMM算法的模式限制和复杂性,同时也避免了对非机动目标的跟踪中,在跟踪模式间相互切换时所换造成的影响.通过在空管系统(ATC)的大量模拟实验,验证了该算法的有效性和重大应用价值.     

基于递推最小模型误差估计的机动目标跟踪

将非线性系统递推最小模型误差估计用于机动目标跟踪 ,有效地解决了基于Kalman滤波的跟踪算法对机动模型的依赖性和非线性跟踪的不稳定性问题。仿真结果表明 ,该估计方法能适应不同的机动方式、精度高、跟踪快速 ,具有重要的工程应用价值     

基于修正模型的自适应跟踪算法

提出一种基于修正模型的自适应跟踪算法（CSM-AKF）。通过状态扩维和机动检测实现模型参数的自适应调整,克服＂当前＂统计（CS）模型中参数预设的负面影响,提高了系统的跟踪精度以及目标在做强机动时的快速响应能力。仿真结果验证了算法的有效性。     

一种机动目标无源定位的新方法

目前对仅用测角信息的单站无源定位问题的研究，主要是基于固定辐射源目标以及匀速直线运动的辐射源目标，而在实际应用中目标常常是机动的。由此，提出了一种可调白噪声UKF方法。该方法在机动目标跟踪中使用可调白噪声模型方法，它不需要假定目标的机动加速度模型，而是通过检测跟踪滤波器归一化新息平方来调整过程噪声，从而实时地修正估计结果。同时算法对量测模型非线性问题采用UKF予以解决，不仅能克服EKF中引入的较大线性化误差对机动目标跟踪算法性能的影响，而且算法实现简单。最后将该算法与三种机动目标被跟踪算法相比较，仿真结果验证了提出算法的优越性。     

一种机动目标无源定位的新方法

目前对仅用测角信息的单站无源定位问题的研究,主要是基于固定辐射源目标以及匀速直线运动的辐射源目标,而在实际应用中目标常常是机动的.由此,提出了一种可调白噪声UKF方法.该方法在机动目标跟踪中使用可调白噪声模型方法,它不需要假定目标的机动加速度模型,而是通过检测跟踪滤波器归一化新息平方来调整过程噪声,从而实时地修正估计结果.同时算法对量测模型非线性问题采用UKF予以解决,不仅能克服EKF中引入的较大线性化误差对机动目标跟踪算法性能的影响,而且算法实现简单.最后将该算法与三种机动目标被跟踪算法相比较,仿真结果验证了提出算法的优越性.     

基于孪生支持向量机的无人机目标检测算法

无人机属于机动目标,有时会集群出现,这对传统的目标检测与跟踪技术提出了更高的要求。如何提升目标检测与跟踪算法的性能一直是研究人员密切关注的问题。针对传统目标检测算法在低信噪比下无人机检测性能不佳的问题,提出了一种基于孪生支持向量机的无人机目标检测方法。利用仿真软件对雷达探测到的无人机回波数据进行仿真建模,得到不同信噪比下的回波数据。在此基础上,对回波数据进行预处理形成无人机目标检测数据集,并使用数据集对检测方法进行训练与测试。然后与恒虚警检测算法和基于支持向量机的雷达目标检测算法进行性能对比分析。实验结果表明,该方法不仅能保证传统算法在高信噪比下优越的检测性能,与此同时在低信噪比下也能实现精准目标检测,缓解了传统检测方法在低信噪比时的检测精度下降的问题。     

基于偏差自适应学习的多传感器信息融合机动目标跟踪

为了保证精确打击机动目标,导弹可以采用主/被动雷达切换探测目标。考虑到作战的隐蔽性和生存性,提出基于多传感器信息融合的被动优先跟踪方法:跟踪开始时,令主/被动雷达同时对目标进行探测和跟踪,将二者的信息进行融合,同时自适应地学习融合结果与二者信息的偏差,经过一段时间学习,融合偏差稳定,此时令主动雷达停止工作,由被动雷达单独工作,而目标的运动信息则由被动雷达的信息和学习得到的融合偏差合成。如果目标机动较大,则定期令主动雷达工作以进一步修正融合偏差。该方法既保证了跟踪的精度,同时又减少了主动雷达的工作时间,从而提高了作战的隐蔽性和生存性。将该方法应用于导弹的目标跟踪,仿真结果表明该方法有效。     

一种基于气动力模型的高超声速滑翔目标跟踪算法

针对传统跟踪方法对高超声速滑翔目标(HGRV)进行状态估计时存在较大误差的问题,提出一种基于气动力模型的目标跟踪算法。首先在弹道坐标系(VTC)中推导了目标气动加加速度模型,分析模型各分量对目标运动状态的影响。分别对纵向和横向机动模型进行了研究,得出横向机动是跟踪的主要难点的结论。然后对传统气动力模型进行改进,将转弯力参数与爬升力参数之间存在的先验信息引入高阶状态向量。同时,考虑不同飞行模式下机动频率的变化,构建基于气动力模型的交互多模型(IMM)算法。仿真表明,所提算法精度显著优于针对该类目标的其他跟踪算法,特别是当目标发生机动时,该算法具有更强的适应性和鲁棒性。     

基于半参数建模的弹道目标实时滤波

设计弹道目标的实时跟踪滤波器时,精确的动态建模和测量系统误差自校准是提高滤波精度的重要手段。基于补偿最小二乘原理和Tikhonov正则化定理,将难于参数化的复杂运动成分和测量系统误差表示为非参数分量,建立了基于半参数化建模的弹道递推模型和实时滤波算法,并详细设计了半参数建模时所需的光滑因子、正则化矩阵和窗口宽度等建模参数的在线选取方法。仿真实验和实际数据的计算结果表明,非参数成分可以有效地补偿状态模型误差,且可在线校准测量系统误差,显著改善弹道估计精度。算法已初步应用于实际飞行任务,其中的递推建模方法和参数选择策略对其它实时滤波器的设计同样有参考价值。     

针对弹载平台红外小目标的检测与跟踪算法

为了提高对红外小目标检测与跟踪的精度与速度,设计了一种针对红外小目标的单目标检测与跟踪算法,包含一个基于MB_LBP+AdaBoost与管道滤波器的目标检测模块,和一个有跟踪失败监测机制的基于模板匹配的多尺度跟踪模块。经过测试,该算法对边长11~31像素大小的指定类型的红外小目标取得了较好的检测效果,目标跟踪模块对于目标的尺度变化,快速运动,遮挡有较高的鲁棒性,算法中的跟踪失败监测机制在检测到跟踪异常的情况下能重新调用目标检测算法找回目标,经过测试对比,本方法跟踪的精度和速度综合优于主流跟踪算法,并且能够在弹载平台上实时运行。     

基于Murty方法的多目标跟踪快速算法

JPDA是一种有效的多目标跟踪算法，但算法的复杂度随着目标和观测值的增加而显著增长。为了减少JPDA算法所需要的存贮空间和计算时间，通过Murty方法，得到K个最优的目标与观测值对应关系，再利用这K个最优对应关系实现JPDA算法。仿真结果表明，新算法跟踪成功率与JPDA相近，所需的时间远低于JPDA算法。     

基于过渡区的序列图像运动目标分割方法

序列图像运动目标检测技术是目标搜索与跟踪系统的一项核心技术.提出了一种基于过渡区的序列图像运动目标分割方法,该方法通过提取序列图像过渡区来进行目标分割,并与传统的阈值分割算法进行效果比较.实验结果表明,该方法能取得更好的序列图像运动目标分割效果.     

基于扩展卡尔曼滤波的机动目标跟踪研究

针对雷达导引头跟踪机动目标问题,建立了一种适于高机动目标探测的非线性系统模型,采用扩展卡尔曼滤波算法推导适用于弹载脉冲多普勒雷达机动目标探测的滤波模型,用以估计俯仰失调角、方位失调角、弹目相对速度和距离等信息,利用系统数学模型对目标加速度及弹目视线角速率进行解算估计。对标称弹道和极限弹道的跟踪仿真表明,所建立的系统模型和滤波设计方案,能够处理真实飞行中存在的部分信息缺失问题,对于极端情况下的遮挡问题也能在一定时间内保证较高的跟踪精度。     

应用BP网络校正的卡尔曼滤波器

当目标作机动飞行时,由于未知机动引起的估计误差的影响,卡尔曼滤波器的跟踪性能将会严重下降。提出了一种应用BP神经网络对卡尔曼滤波结果进行校正的机动目标跟踪方法,BP网络可以辨识非线性机动,修正卡尔曼估计值,改善跟踪效果。同时还研究了BP网络的自适应算法。对两个变加速机动目标的跟踪结果表明,经过BP网络校正的卡尔曼滤波器不会发生误相关,跟踪的精度较高。     

空间目标小型相控阵雷达探测技术

地基探测系统受站点布局限制,难以实现全轨道空间的目标探测与跟踪。为对高价值航天器邻域空间目标进行全时探测与跟踪,提出基于伴随微纳卫星的小型化相控阵雷达技术。通过分析不同波段雷达对大范围空间目标搜索与精细跟踪的性能,并综合考虑系统复杂度与功耗等因素,最终选择C波段作为雷达工作频段。详细阐述小型化相控阵雷达的系统设计、目标搜索与跟踪的信号处理方法、测距与测角误差分析等。仿真分析证明,该小型化相控阵雷达能对25 km范围内、40°×40°的三维空间进行目标搜索,实现0.4 m的测距精度与0.03°的测角精度,满足空间目标大范围搜索与跟踪应用的需求。     

遥感影像弱小目标智能解译算法研究

随着遥感技术的快速发展,光学遥感影像弱小目标智能解译成为遥感信息处理的研究热点之一。遥感影像的地物目标常具有尺度小、种类多、数量大、部分重点小目标移动速度快的特点,易受到复杂背景环境及噪声影响,使得提取遥感影像弱小目标的信息面临着巨大的挑战。早期智能解译算法中的弱小目标分割、检测及跟踪等算法研究,多依赖模板匹配及先验知识,此类算法需耗费大量资源、算力及专家知识成本,存在着计算量大、泛化能力差的问题。近年来,随着深度学习等人工智能技术的快速发展,在海量遥感数据中准确获取弱小目标的信息,通过结合深度学习算法可对弱小目标的特征进行快速提取,以提供高效、准确的解译信息。本文综述了遥感影像弱小目标智能解译算法研究进展,包括基于传统图像处理方法的弱小目标分割、检测和跟踪算法,以及基于深度学习等典型相关算法。通过分析这些方法的优点与局限性,对于提高相关目标的信息获取能力、提升观测的态势感知水平以及未来应用等方面具有重要意义。     

一种临近空间高超声速目标跟踪算法

通过参考美国X-43A高超声速飞行器第二次试验飞行弹道,建立了临近空间高超声速目标的运动模型。针对目标跟踪中状态方程和量测方程存在的非线性问题,提出了一种基于不敏卡尔曼滤波的改进"当前"统计模型自适应滤波算法(ADE-UKF),并将此算法与基于"当前"统计模型的不敏卡尔曼滤波算法(CS-UKF)比较,仿真结果表明,该算法在跟踪临近空间高超声速目标时,具有良好的跟踪性能。