时变噪声系统的自适应强跟踪滤波器研究

在目标跟踪过程中,强跟踪滤波可以对目标的突变状态进行较好的跟踪,但由于系统噪声和观测噪声协方差阵是时变的未知量,采用固定数值将会影响目标跟踪的精度,所以需要对两种噪声特征进行在线估计.应用噪声有限记忆自适应算法改进强跟踪滤波,在线自适应估计噪声协方差阵,并提出基于时变噪声系统自适应强跟踪滤波的目标预测算法,提高了对目标状态的估计精度.利用自主研发的全自主足球机器人进行目标跟踪的仿真,结果验证了该算法的有效性.     

基于自适应卡尔曼滤波的机动目标自主轨道确定

用自适应卡尔曼滤波法对非合作机动目标进行轨道确定,通过实时计算观测星的状态转移矩阵,近似描述目标星的状态变化并获得两星体相对位置.算法中用自适应卡尔曼滤波辨识噪声,通过极大似然法选择噪声修正模型.仿真结果表明:该法可有效用于对椭圆轨道非合作机动目标的自主轨道确定.     

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.     

认知雷达波形自适应数据关联跟踪算法

针对杂波背景下多交叉机动目标跟踪问题,提出一种认知雷达波形自适应数据关联跟踪算法,该算法选取目标距离-速度-方位作为观测量,并通过调整波形参数来动态改变量测误差协方差。首先,基于信息融合思想提出一种优化的概率数据关联(OPDA)算法,算法充分融合目标位置特征和运动特征对多目标交叉区域公共量测进行分类,使多交叉机动目标跟踪问题转化为多个单机动目标跟踪问题。然后,对实时更新的目标航迹,采用修正的Riccati方程估计下一时刻滤波协方差,并根据波形选择准则函数自适应选择下一时刻波形以提高系统跟踪性能。仿真结果表明,该算法增强了概率数据关联(PDA)算法的环境适应性,而且相比未采用波形自适应的数据关联算法有明显的优势。     

一种新的无人机监控图像实时目标识别算法

提出一种新的无人机监控图像实时目标识别算法。首先将获取的无人机监控图像应用自适应阈值分割将其转换为二值图像。对二值图像进行形态学处理,定位潜在目标出现的位置。最后对潜在目标区域再次应用局部自适应阈值分割获取目标,同时给出每个目标的图像坐标位置。飞行试验表明该算法保证实时性的情况下,有较高的识别正确率。     

一种基于简化自适应SCKF的目标跟踪算法

为降低传统自适应SCKF(Square-Root Cubature Kalman Filter)在目标跟踪过程中的计算负担,依据目标跟踪模型中状态方程通常为线性的特点,提出一种简化自适应SCKF算法。该算法在一步预测过程中,利用状态转移矩阵代替容积点,实现对状态变量和协方差矩阵的计算,达到降低运算复杂度的目的。通过对机动目标跟踪的仿真验证:相比于传统的自适应SCKF,提出的简化自适应SCKF不但能够保证跟踪精度,还能有效地提高运算效率。     

基于自适应网格密度聚类的雷达信号分选算法

针对现有网格聚类中网格划分方法不能较好地适应所有数据分布、网格边界处理精度低等问题,提出基于自适应网格密度聚类的雷达信号快速分选算法.该算法首先引入了网格均匀度的概念,然后给出了自适应网格划分技术和网格均匀度的计算方法,最后进行均匀度可达聚类.该算法能自适应地发现不同密度的类及其边界,适合处理大规模侦察数据集.仿真实验表明该算法能有效适用于雷达信号分选.     

多传感器加权观测融合自适应UKF滤波器

对于带有相同观测方程和未知噪声统计的非线性多传感器系统,提出了一种基于Sage-Husa估计的自适应UKF滤波算法.该算法利用导出的平稳随机序列的相关函数估计系统观测噪声方差统计R(j),并证明了其收敛性.进而利用Sage-Husa估计算法得到自适应UKF滤波算法.该方法避免了传统Sage和Husa的自适应滤波算法不能处理Q和R均未知的系统的局限性.为了将多传感器信息加以充分利用,提高滤波精度,本文利用加权最小二乘法(WLS),实现了多传感器加权观测融合自适应UKF滤波器.一个带3传感器非线性系统的仿真例子说明了该算法的有效性.     

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。     

用自适应INS、单脉冲MUSIC和STAR（AIMS）进行目标瞄准

利用目标信号估计目标角度会受到主波束干扰的影响，解决该问题的一个办法就是综合多个传感器的数据。自适应单脉冲多信号分类（MUSIC）算法可以在干扰中区辨出目标方位角估值和俯仰角估或真实频谱。但在进行目标识别和分类时，仅依靠这种算法不能得到理想的误差概率。通过综合综合导航系统（INS）和单脉冲雷达的方位与俯仰信号，能提高精确检测目标位置的概率。设计AIMS算的目的是进行目标瞄准，并综合自适应INS系统、四孔径单脉冲雷达和空时自适应信号处理器的信号。自适应INS系统不断测量地基目标的位置变化；四孔径单脉冲雷达用MUSIC算法自适应地降低主波束干扰，实现可靠的角度估计；空时自适应处理机（STAP）则将目标从杂波中分离出来。结果表明，AIMS算法有效地综合了传感器数据。并提出了识别正确目标信息的效率。