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。     

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。     

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。     

交通信息采集雷达中目标跟踪算法的研究

现代交通系统的核心是对交通信息进行采集。使用雷达对交通信息采集具有效果好、不易受环境影响且寿命长等优点。交通信息采集的本质是对目标的状态信息进行动态检测。由于交通环境的复杂多样，因此采用合理的算法实现对目标的跟踪显得尤其重要。该文以转换测量卡尔曼滤波(CMKF)为基础，采用经验联合概率数据关联算法(CJPDA)与概率数据互联算法(PDA)相结合的数据关联方法，利用PDA对单目标或稀疏多目标进行数据关联，用CJPDA对复杂多目标进行数据关联，从而实现了雷达对目标的跟踪，进而实现了对交通信息的采集。文中首先介绍了CMKF滤波算法相关技术原理；其次描述了一些常用的数据关联算法实现过程；最后通过仿真分析验证了该种组合目标跟踪算法能够在满足交通信息采集雷达精度要求的同时有效的降低系统运算量，对系统的实时性有较好的提升。     

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。     

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。     

拦截大气层内机动目标的自适应积分滑模制导律

针对大气层内机动目标拦截的末制导问题，提出了一种自适应积分滑模制导律。基于抑制弹目视线旋转的原则，设计了一种视线转率收敛速率可调的跟踪剖面，选取跟踪误差与其积分为状态变量，采用状态有限时间收敛的积分滑模面与快速趋近律推导得到了积分滑模制导律。为了处理未知的目标机动项，提出了一种自适应算法，对目标机动项上界的平方进行估计，构成了自适应积分滑模制导律，并证明了其有限时间收敛的特性，给出了各状态变量的收敛域。最后，将制导律转换成适用于大气层内拦截的形式。仿真结果表明，所提制导律能够精确拦截机动目标，剖面跟踪误差收敛速度快，过载分布均匀，能量消耗少，并具有良好的噪声特性，易于工程实现。     

新型伪加速度修正自适应滤波算法研究

提出了一种新型自适应滤波算法,该算法采用球坐标系,同时根据当前目标的运动状态实时调整增益.仿真结果表明该算法易于工程实现,可实现机动目标的快速自适应跟踪.     

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。     

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。     

杂波环境下跟踪多目标的自适应联合概率数据关联算法

提出了一种联合概率数据关联滤波器，它利用自适应更新时间来跟踪杂波环境中的目标，并与利用恒定更新时间的联合概率数据关联滤波器做了比较。利用蒙特卡罗模拟，根据不同的目标轨迹对算法的跟踪性能进行了估计。     

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。     

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。     

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。     

中远程面（空）对空导弹末制导段的机动目标“标架”模型及自适应估计算法

根据中远程导弹制导系统大都采用脉冲多卡勒雷达导引头的趋势和中远程防空导弹末制导实用对目标机动运动状态的需求，基于目标螺旋机动和蛇行机动的切加速度和法向加速度在目标轨迹活动框架上缓变的特点，本文提出了一种建立在目标轨迹活动框架上的运动状态方程和自适应Kalman估计算法，该方法克服了在直角坐标系和球坐标系上估计目标快变加速度机动延迟大的缺陷，仿真实验证明该算法有很好的跟踪稳定性和收敛性，为先进末制导律的实现创造了条件。     

一种机械式机动相控阵雷达目标跟踪算法研究

针对伺服延迟造成目标丢失的问题,为了提高相控阵雷达的跟踪能力,提出一种机械式机动相控阵雷达的目标跟踪算法,并且给出了方法的处理流程和算法仿真。仿真结果表明,提出的目标跟踪算法具有较高的跟踪精度和较快的收敛速度,能够满足机动相控阵跟踪的实时性要求。     

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.