单目标跟踪技术发展研究

随着机动目标定位与跟踪技术广泛应用于军事和民用领域，研究更为快速、准确的跟踪算法具有十分重要的意义。目标运动模型、跟踪算法和跟踪模型结构是机动目标跟踪技术的三项主要研究内容，文章介绍了这三项技术的研究进展及发展方向。目前，对各种经典模型的组合和改进是目标运动模型的主要研究方向，通过分析并比较工程中常用的卡尔曼滤波、扩展卡尔曼滤波、无迹卡尔曼滤波和粒子滤波的优缺点，探究了它们的不同适用场合及进一步研究方向。详细分析了三代多模型跟踪算法的原理和适用场合，这对研究更为先进的单目标跟踪技术，进一步提高跟踪精度和整体性能，具有一定的参考价值。此外，文章还提出了机动目标跟踪算法的几个发展趋势：将变结构多模型算法与目标实际运动场景结合起来，广泛应用于工程实践中；探索无需依赖于基础模型集合的模型机自适应变化方法；考虑将智能控制理论与变结构多模型跟踪算法互相结合。     

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。     

高超声速机动目标天基跟踪鲁棒性滤波方法

为解决高超声速滑翔飞行器(HGV)机动飞行过程中的跟踪问题,提出了一种基于机动观测器补偿的鲁棒扩展卡尔曼滤波方法。针对传统卡尔曼滤波器由于模型误差而无法稳定跟踪的问题,首先建立了HGV动力学模型和天基红外测量模型;随后,设计机动观测器对未知气动加速度进行在线估计;在此基础上,利用机动估计对扩展卡尔曼滤波中的预测步骤进行修正,克服了因模型误差而导致的滤波发散问题;最后,考虑到机动观测器的时延误差,在扩展卡尔曼滤波迭代过程中引入次优渐消因子,提高了滤波跟踪的鲁棒性。与强跟踪滤波、扩维卡尔曼滤波、交互多模型滤波等典型跟踪方法相比,所提方法可在不具备目标机动先验信息的情况下,以较低的计算耗时取得良好的稳定性和跟踪精度。     

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。     

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。     

一种单站无源定位原理与目标跟踪算法研究

基于辐射源的信号到达方向(DOA)及其变化率信息,提出了一种对机动目标进行单站无源定位与跟踪的方法。根据建立的目标机动模型和测量方程,分别用扩展卡尔曼滤波(EKF)和修正协方差扩展卡尔曼滤波(MVEKF)算法实现对机动目标的定位与跟踪,并给出了算法模型。仿真结果表明,该法正确有效,定位精度较高、收敛速度快。     

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。     

一种再入类弹道模型的目标跟踪算法研究

针对当前机动目标跟踪算法中跟踪模型与再入目标实际运动差别较大,影响跟踪精度的问题,根据弹道导弹再入段的特点,分析目标运动状态,推导出一种基于再入类弹道目标模型的目标跟踪算法,并与基于CA模型的目标跟踪算法做了性能比较,结果表明,该算法具有可行性,可以提高对目标的跟踪精度。     

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。     

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。     

一种多级弹道导弹主动段状态/参数联合估计算法

为了提高未知弹道参数下的多级弹道导弹主动段目标跟踪精度和鲁棒性,提出了一种目标状态/参数联合估计算法。首先对多级弹道导弹主动段运动进行建模和动力学特性分析;然后在重力转弯目标跟踪模型（GT1）基础上进行改进,得到三维重力转弯目标跟踪模型（GT3）,并与容积卡尔曼滤波（CKF）算法结合,设计了多级弹道导弹目标主动段状态/参数联合估计算法;在此基础上给出一种多级弹道导弹目标机动飞行模式,最后分别在常瞄准攻角飞行和机动飞行条件下完成仿真验证。GT3算法对导弹主动段三轴机动比较敏感,克服了GT1算法无法准确描述主动段运动的缺陷,算法精度、鲁棒性有所提升。GT3对瞄准攻角不为零的多级助推弹道导弹主动段跟踪表现出明显优势,且对级间切换具有一定的识别能力。     

跟踪目标时雷达信息的数字处理

讨论了雷达在有、无干扰条件下跟踪机动和非机动目标的问题,给出了无干扰时机动目标的运动方程,在各种条件下跟踪单目标和多目标的各种算法(如贝叶斯法、非贝叶斯法、分支算法和最大似然法等),并对各种算法的性能进行了比较.     

基于雷达跟踪仿真的滑翔式再入弹道突防性能分析

从防御雷达对再入弹道跟踪效果的角度,对滑翔式再入飞行器的突防性能进行了初步分析。基于Unscented卡尔曼滤波和考虑气动模型的目标跟踪模型,加入雷达测量噪声,计算目标跟踪误差,比较弹道式与滑翔式再入弹道的跟踪效果。仿真结果表明：(1) 滑翔式再入弹道有横向机动且飞行高度较低,雷达的发现时间较晚,可观测时间比较短;(2) 由于雷达的跟踪动力学模型中很难对气动力准确建模,滑翔式弹道借助气动力产生机动,雷达对其跟踪的误差要大于弹道式再入弹道; (3) 在相近的雷达观测条件下,弹道机动性越强,雷达跟踪精度越差;(4) 尽量使防御方所假设的目标动力学模型失配是增加突防能力的有效措施。     

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.     

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。     

应用多星的空间目标跟踪定位算法

单星激光测距空间目标定位算法受远距离激光测距机测频的限制,有效数据速率较低。文章构建天基探测系统空间目标观测模型,提出一种应用多星的空间目标跟踪定位算法。该算法基于三角交会原理,面向多星不同载荷平台,基于空间目标成像投影和坐标转换模型,计算空间目标的异面直线距离,采用最近邻算法最优匹配关联同一空间目标的星间像点,基于双星交会模型解算空间目标轨迹,进行空间目标跟踪。此外,针对空间目标的星间信息丢失、空间目标与卫星共面时多空间目标跟踪精度低的问题,引入空间目标的加速度参数分量,改进卡尔曼滤波算法,预测空间目标轨迹位置,从而有效提高多目标跟踪精度。实例验证结果表明:文章提出算法的空间目标跟踪与定位精度高,能有效解决星间信息丢失引起的精度下降问题。     

高轨遥感卫星持续跟踪多个动目标的任务规划方法

对多个动目标持续跟踪成像是高轨遥感卫星的重要任务之一。为此,文章提出了高轨遥感卫星对多个动目标持续跟踪的任务规划方法。以卫星姿态机动次数和姿态机动角最小为优化目标,以卫星对动目标持续跟踪的起始、终端状态、服务次数约束及时间分配的限制为约束,建立高轨遥感卫星姿态机动对多个动目标的调度模型。在此基础上,采用遗传算法生成高轨遥感卫星在每个任务周期对多个动目标调度的任务序列,结合九宫格跟踪算法完成对多个动目标的持续跟踪。仿真结果表明：任务规划方法可以成功对1个高速动目标及多个中低速动目标进行跟踪监视,具有很好的适应性。     

基于神经网络的目标轨迹预报算法设计

提高轨迹预报精度是反高速机动目标面临的难点之一。本文基于目标运动特性分析,构建跟踪运动模型,采用交互多模型滤波算法完成多模型交互,局部滤波器采用自适应高阶容积卡尔曼滤波算法,通过与强跟踪滤波算法相结合,提高传统的估计精度,进而提高算法的鲁棒性;采用广义回归神经网络设计轨迹预报算法,并在预报过程中引入预报修正量对误差进行修正,通过样本学习提高长时间预报精准度,仿真结果表明,设计的跟踪预报算法在预报精度上较常规算法有较大幅度提升。     

一种稳健的多帧联合虚假航迹剔除算法

文章针对检测前跟踪（Track Before Detect,TBD）多帧联合处理引起的虚假航迹难以剔除的问题,提出了一种稳健的多帧联合虚假航迹剔除算法。该算法联合多帧目标数据信息,建立目标位置与时间之间的多项式回归模型,统计航迹扰动方差,并给出航迹剔除门限选取准则,剔除扰动方差大于门限的虚假目标航迹。仿真结果表明,所提算法不仅适用于匀速直线运动目标的检测,而且对于高机动目标的检测也具有良好的性能;基于蒙特卡洛试验的航迹误差统计结果进一步验证了该算法的稳健性和有效性。因此,多项式回归法可以作为一种新的虚假航迹剔除算法,应用于微弱动目标的检测与跟踪中。     

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.