一种基于强机动的目标跟踪改进算法

针对传统目标跟踪算法鲁棒性较差等问题,提出了一种基于当前统计模型的无迹卡尔曼滤波交互式多模型(IMM-CS-UKF)融合算法。在交互式多模型算法框架内,计算当前统计模型的概率,提高了统计模型的目标加速度和自适应性。该算法结合了交互式多模型和无迹卡尔曼滤波算法,具有对不同机动模式目标的自适应跟踪能力和精度高等优点。仿真结果表明,该算法对以多种机动策略实时机动的目标具有较好的跟踪性能。     

基于自适应IMM算法的高超声速飞行器轨迹预测

针对非弹道式高超声速飞行器的周期跳跃运动特点,提出了一种基于多种运动模型的自适应交互多模型(IMM)方法对目标运动状态进行估计。建立了目标的常速度、常加速度、Singer和蛇形机动模型,以及雷达的量测模型。自适应IMM算法包括混合概率计算、输入融合(混合交互)、模型条件滤波、模型概率更新和滤波估计融合等步骤。算法融合了Singer和蛇形机动模型,能较好地适应有幅值变化和频率衰减的模型状态估计,并用滤波估值和双正弦和函数拟合加速度,进一步递推目标运动轨迹。仿真结果表明:自适应IMM算法对高超声速目标有较好的弹道跟踪和预测精度。     

GEO混合推力机动目标跟踪IMM算法

针对交互多模型(IMM)算法求解地球静止轨道(GEO)卫星混合推力机动目标跟踪问题时模型匹配难、模型转移概率近似平均和响应速度慢的问题，从交互模型集构建和模型转移概率自适应设计两个方面出发提出一种改进IMM算法。该方法通过考虑无机动、脉冲机动和有限推力机动三种模式，构建了覆盖目标机动状态的交互模型集，提高了模型与机动目标实际运行状态的匹配度；采用一种基于加速度估计自适应修正的模型交互概率修正方法，提升了算法对目标机动状态的响应速度和跟踪精度。仿真结果表明，所提算法是解决混合推力模式下的GEO机动目标跟踪问题的有效手段，在收敛速度和收敛精度等方面与传统方法相比有较大提高。     

可能模型集算法在机动目标跟踪中的应用

介绍了用于机动目标跟踪的变结构多模(VSMM)估计中可能模型集(LMS)算法。阐明了该算法通过剔除不可能模型,保留一般模型,激活与重要模型相邻的模型实现模型集的自适应原理,并给出了其实现步骤。采用LMS算法对恒加速(CA)机动目标跟踪的仿真结果表明,LMS算法的滤波效果优于交互式多模型(IMM)算法,算法简单易行、计算量小,可用于跟踪运动规律较复杂的目标。     

基于强跟踪滤波和模糊逻辑推理的有向图切换算法

针对传统卡尔曼滤波算法中对于强机动目标跟踪性能较差的问题，文章提出了一种新的机动目标跟踪算法DS_STF_FI算法。该算法将强跟踪滤波引入到变结构多模型跟踪算法中，结合模糊逻辑推理来实现多模型间的信息交互，并通过有向图切换法实现模型集的自适应调整，从而使跟踪算法能够适应机动目标运动状态的变化。仿真结果表明，与基于卡尔曼滤波的DS_KF_FI算法相比，文章提出的算法的跟踪性能明显提高，且具有较高的算法费效比。在机动目标跟踪领域具有广泛的应用前景。     

一种带自适应因子的IMM-UKF的GPS/BD-2导航方法

针对GPS/北斗-2(BD-2)卫星导航系统中机动载体运动模型和噪声统计特性不确定性导致滤波精度低的问题,为提高导航定位的精确性和稳定性,提出一种自适应的滤波方法。首先,提出了一种新的自适应UKF(AUKF)算法,该方法将残差序列的协方差矩阵视为过程噪声协方差矩阵的不确定量,基于此采用平滑滤波的方法设计自适应因子,并利用该自适应因子实时调整过程噪声协方差矩阵,减弱了噪声统计特性不确定性对滤波精度的影响;其次,采用交互式多模型(IMM)算法设置模型集M,并通过实时调整模型概率来实现各个模型间的软切换,解决了单一模型对载体运动状态描述不全面而导致滤波精度低的问题。仿真结果证明该算法能有效提高载体在复杂机动状态下的定位精度。     

一种机动辐射源的单站无源定位跟踪滤波算法

基于辐射源的信号到达时间(TOA)及方位角信息,提出了一种利用单站对机动目标进行无源定位与跟踪的方法.根据机动目标跟踪及系统测量模型,将变维(VD)滤波算法和交互多模(IMM)滤波用于单站无源定位.给出了算法的模型和实现步骤.仿真结果表明:该法正确有效,滤波性能更好.     

对高超声速目标的跟踪及算法研究

对高超声速目标特性进行了研究,针对高超声速目标高速及高机动的特点,提出了使用参考加速度模型的IMM算法.同时采用UKF滤波解决对目标跟踪造成的非线性问题.蒙特卡罗仿真试验证实该算法跟踪效果较好、误差均方值小、跟踪精度高.     

自适应融合IMM的自主无线电载波跟踪算法

针对深空自主无线电接收技术中信噪比(SNR)未知的载波跟踪问题,提出了一种自适应融合的交互式多模型(IMM)算法,可以根据实际环境的信噪比自适应地调节IMM估计器的噪声方差,以实现对未知SNR信号的正常跟踪,并保证频率跟踪精度几乎不受初始噪声方差的影响。在分析系统收敛性的基础上,该算法采用模型概率自适应调整策略,根据系统收敛判断条件自适应地调整IMM模型集中各模型的概率,保证了系统的收敛性,提高了跟踪精度,与广泛使用的Sage-Husa自适应滤波算法相比,收敛时间缩短了一倍左右。     

迭代IMM机动目标被动单站跟踪算法

单站无源定位初始估计误差大、可观测性弱,并且可以得到的观测量受限,对机动辐射源的单站被动定位一直是一个难题。针对单站无源定位以及机动跟踪的特点,为改善IMM(Interacting multiple model)算法在单站无源定位中的性能,对IKF(Iterated Kalman Filter)进行改进,将改进的IKF和IMM结合,提出基于迭代的IMM算法。该算法对IMM算法中模型滤波器的输出进行迭代运算,并在滤波迭代中引入交互,从而减小模型滤波误差,改善模型滤波融合效果。对本文方法和IMM方法的仿真比较表明,本文方法在出现大的估计误差时可以得到比IMM更好的跟踪性能。     

一类基于改进的当前统计模型的目标跟踪算法研究

提出了一种基于改进当前统计模型的交互式多模型算法。在交互式多模型中,利用滤波过程中的新息和新息协方差的变化,对当前统计模型(CS)的机动频率自适应调整,使模型更适应实际。经理论分析Singer,CS模型的先验假设条件,提出了一种改进的匀速运动(CV)模型,以适应目标弱机动的情形,弥补CS模型在目标弱机动时跟踪精度不高的缺点。理论分析和仿真结果验证了提出算法的有效性。     

临近空间高超声速目标滑跃式轨迹Sine-AIMM跟踪算法

针对单一的Sine模型算法无法与临近空间高超声速目标滑跃式轨迹准确匹配,现有的交互多模型(IMM)算法跟踪效果也不够理想的问题,提出一种基于多重贝叶斯准则的自适应交互式多Sine模型(Sine-AIMM)临近空间高超声速滑跃式目标跟踪算法。算法采用多个Sine模型对滑跃式轨迹进行匹配,并利用多重贝叶斯准则在线调整各模型权重和模型转移概率矩阵。仿真结果表明,本文所提Sine-AIMM算法能够实现对临近空间高超声速滑跃式目标的有效跟踪,较单Sine模型算法和现有IMM算法跟踪性能更优。     

机动目标多传感器组网空间配准方法

针对存在传感器偏差的多传感器组网系统跟踪机动目标的问题,把目标状态与传感器偏差进行解耦估计,提出了一种基于交互多模型的两阶段扩展Kalman滤波(IMM-TSEKF)算法。由于传感器观测方程的非线性,文中采用了两阶段扩展Kalman滤波器(TSEKF),针对机动目标,把IMM算法与TSEKF算法相结合用于目标跟踪与空间配准。此外还对算法的时间复杂度进行了分析,并以螺旋机动战术弹道导弹为目标进行组网空间配准与目标跟踪。仿真结果表明,相比于常规的基于交互多模型的增广Kalman滤波(IMM-ASEKF)算法,该文算法在估计性能相当的情况下,减小了计算的复杂度,提高了计算效率,更易于工程实现。     

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.     

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。     

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。     

基于多策略融合的快速核相关滤波目标跟踪算法

针对核相关滤波算法(Kernel Correlation Filter,KCF)对快速运动目标跟踪精度较低、实时性较差的问题,提出多策略融合的快速核相关滤波(Multistrategy KCF,MSKCF)算法。该算法基于KCF框架,融合多个策略,将Faster Regin-CNN网络结构、特征极差、滤波尺度因子引入目标图像识别窗口标定和尺寸自适应更新,解决了识别窗口与目标大小不适应的问题,实现了自动跟踪。本文采用北斗导航卫星模型进行了验证,结果表明MSKCF可以自主获得初始跟踪窗口,目标跟踪精度与速度均有所提升。     

一种加速度干扰下的稳定被动定位跟踪算法

在研究一种具有误差自动解耦的观测域滤波的目标跟踪算法和自适应渐消EKF算法的基础上,提出一种匀速运动模型下,基于观测域的自适应目标跟踪算法。使用实测GPS导航数据进行数字仿真,结果表明：观测域的自适应目标跟踪算法在加速度扰动下,稳定性优于观测域滤波算法。     

临近空间高超声速目标跟踪算法研究

针对临近空间高超声速飞行器运动特性,综述了交互多模型算法（IMM）相对单模型算法的优越性。以临近空间飞行器一个机动转弯部分轨迹进行仿真试验,仿真并分析了匀速（CV）、匀加速（CA）、Singer、当前统计（CS）、Jerk模型算法及IMM算法优点及局限性。结果表明,IMM算法跟踪机动目标在机动时稳定性、精度、机动适应性方面优于单模型算法,但存在实时性、模型转换可能性先验确定等问题,并针对这些问题提出可能的解决方法。