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。     

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。     

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。     

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。     

机动目标跟踪的非线性IMM算法

在目标跟踪时，测量噪声通常假定为高斯状，然而这种假设不一定正确，噪声有可能是非高斯型的。在雷达系统中出现的非高斯噪声被认为是闪烁噪声，闪烁噪声呈长尾形分布，此分布将严重影响跟踪性能。现已发展一种新的算法，可以在闪烁环境下有效地跟踪机动目标。该算法将非线性Ｍａｓｒｅｌｉｅｚ滤波器引入交互式多模型方法中。我们用模拟试验来验证新算法的优越性。     

基于卡尔曼滤波的雷达单目标跟踪算法研究

随着科技的发展，雷达对目标跟踪的精确度要求越来越高。但在实际应用中，系统所处的环境会受到各种各样的干扰，此时，卡尔曼滤波器凭借其优良的噪声处理能力而被应用到各种领域，是现阶段雷达跟踪中最常用的算法。文章在卡尔曼滤波算法的基础上，就如何将其应用于雷达目标跟踪系统的问题进行了研究与仿真；分析了卡尔曼滤波与常增益滤波的适用范围及优缺点；给出了极坐标系下卡尔曼滤波的计算及过程噪声方差的获取方法；最后以目标仿真结果证明了估计的有效性。文章定性、定量地对卡尔曼滤波在雷达单目标跟踪算法中的应用情况进行了分析，明确指出了算法的优良性能及局限性，实际应用时也可以对目标进行分段处理。该算法可直接应用于某些单目标跟踪系统，或与其他算法结合，用于多目标跟踪系统，如道路监测雷达系统等。     

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。     

一种新的弹道导弹雷达跟踪算法

提出了一种新的名为Singer-IEKF的弹道导弹雷达跟踪算法。传统的弹道导弹跟踪方法，利用扩展卡尔曼滤波器进行非线性滤波，取Taylor展开的前两项，可能引入较大的线性化误差，导致跟踪精度不高。在分析弹道目标动力学特性的基础上对目标的运动模型采用基于J2校正的Singer模型来描述，并利用迭代的扩展卡尔曼对非线性的目标量测模型进行线性化。对新算法和扩展卡尔曼滤波算法进行Monte-Carlo仿真比较。仿真结果表明新算法的模型更准确，跟踪性能更好。     

一种面向弹道再入目标跟踪的HPD-SRCQSPF算法

针对弹道再入目标轨迹跟踪问题，提出基于混合建议分布的平方根容积求积采样粒子滤波（HPD-SRCQSPF）算法，该算法以混合建议分布为框架，由两个基本建议分布组成。其中一个基本建议分布为先验分布，另一个基本建议分布为平方根容积求积卡尔曼滤波估计后的值。该混合建议分布与真实的后验分布很接近，因此有着高效性、高精度等特点。仿真结果表明，对于弹道再入目标轨迹跟踪模型，相比于标准粒子滤波（SPF）算法和平方根容积求积粒子滤波（SRCQPF）算法，HPD-SRCQSPF算法可以在较低运算负载的情况下获得更好的跟踪性能。特别是在弹道目标变轨机动的情况时，所提出算法的性能增益更为显著。     

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。     

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。     

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。     

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.