高超声速滑翔目标自适应跟踪方法

针对机动模式复杂多变的高超声速滑翔目标跟踪问题，提出了一种机动频率自适应跟踪方法。采用介于常速度和常加速度模型之间的Singer模型来表征目标气动力加速度的变化，从而建立跟踪系统的状态方程。根据地基雷达量测量获得系统的量测方程，鉴于距离和角度信息的量级相差较大将其由球形量测量转换为位置量测量。为了适应高超声速滑翔目标灵活多样的机动模式，基于正交性原理和无迹卡尔曼滤波算法实现了Singer模型中机动频率参数的自适应。利用滤波信息计算得到能够反映状态模型误差大小的调整因子，用于放大Singer模型中的机动频率，进而调整状态方程的过程噪声以降低模型误差。通过对2种典型机动轨迹的跟踪仿真，并与交互式多模型等方法进行比较，结果表明所提方法的跟踪精度高、计算量小，能够较好地适应阶跃机动和连续幅值变化的机动。     

基于期望系统噪声模型的自适应机动目标跟踪

针对防空作战中的机动目标跟踪问题,分析了使用IMM算法跟踪目标所存在的缺陷,提出了一种基于期望系统噪声模型的自适应机动目标跟踪算法（MIMM）,改变IMM算法使用固定模型集合的方法,IMM算法中作用权重较大的只是少部分更接近于实际系统的模型,通过对部分系统噪声模型进行自适应辨识,计算出最接近于系统实际噪声水平的模型——期望系统噪声模型（ESNM）。这些模型作为IMM多模型集的子集,是在一定模型框架内所寻求出的一个（或多个）最优模型（集）。仿真结果证明了MIMM算法能够更好地描述目标机动,达到更理想的跟踪性能,其跟踪精度优于使用固定模型集的IMM算法。     

单天基平台测向的空间非合作目标跟踪

针对仅含角度测量信息的单个天基平台可观测性较弱的问题,提出了一种含脉冲机动检测的空间非合作目标跟踪算法,并设计了非合作目标实时跟踪数据处理流程.该算法利用抗差估计技术和UKF（Unscented Kalman Filter,无迹卡尔曼滤波）算法构造目标跟踪滤波器,并综合残差多项式拟合和新息分布特征等方法实现目标机动检测,在天基平台观测信息类型有限和观测几何较差的情况下,可以同时排除孤立野值和成片测量野值的影响,实现非合作机动目标的连续稳定跟踪.数值实验验证了算法的可行性和有效性,也表明了跟踪精度和可靠性与测量精度密切相关.     

图象序列中机动目标的形心跟踪

从边检测边跟踪的角度探讨了图象序列中机动目标的形心跟踪问题,深入分析了强高斯噪声背景下目标形心估计的统计性质及用于形心估计的图象预处理方法。指出经典的图象二值化变换分割后作形心估计的方法面临着估计偏差和方差的矛盾,提出了用自适应交互三模型(ATIMM)跟踪图象序列中机动目标的方法,同时发现在了解目标形状的条件下,空间匹配滤波,二值变换点集聚类和 ATIMM三者的结合对图象序列中的机动目标具有最好的跟踪性能。     

在线学习的循环自适应机动目标跟踪算法

针对机动目标难以精确跟踪的问题,提出了一种可在线学习的循环Kalman神经网络跟踪算法。考虑到状态转移矩阵、量测噪声和过程噪声矩阵在机动目标跟踪中难以实时、离线估计,且在实际应用中对应数据集获取成本高,因此使用在线学习的神经网络对其进行实时估计。由于Kalman滤波算法本身是一种循环结构,将简单的全连接层网络与其嵌合,全连接层网络实时输出状态转移矩阵、量测和过程噪声矩阵估计,构成一种广义的循环Kalman神经网络,根据网络最终输出的位置估计进行端到端的在线学习,并且通过理论推导证明了其在线学习的可行性。将提出的循环Kalman神经网络同3种经典机动目标算法进行了仿真对比,结果表明：循环Kalman神经网络跟踪需要很少的先验信息,在最优区域内较之其他3种算法具有最高的跟踪精度和鲁棒性,并且具有效率高、训练成本低以及可扩展性强的特点。     

临近空间高超声速滑跃式机动目标的跟踪模型

滑跃式机动是临近空间高超声速飞行器的一种重要运动方式,现有文献中鲜有对高超声速滑跃式机动目标跟踪技术的报道。为此,提出了一种针对临近空间高超声速滑跃式机动目标的跟踪模型,其核心是将目标加速度建模为具有正弦波自相关的零均值随机过程,并据此构建了跟踪临近空间高超声速滑跃式机动目标的状态方程。通过仿真实验与Singer模型、Jerk模型和CV+CA+Singer交互式多模型IMM进行比较,证明了所提模型在跟踪临近空间高超声速滑跃式机动目标时的合理性与优势性。     

机动多目标跟踪问题中关联区域的研究

 本文研究了跟踪多个机动目标时,由滤波算法所获得的新息向量范数的统计性质,关联区域的大小以及接收正确回波的概率。借助拉蒙特卡洛方法,考察了不同的目标状态模型、目标机动加速度及状态噪声方差等因素对所研究的问题的影响。研究表明,文献[1]所提出的机动目标状态模型及相应的自适应算法具有较好的适应目标机动的能力,关联区域的大小及接收正确回波的概率均较为稳定。     

一种新的基于机动检测的机动目标跟踪算法

针对Kalman滤波跟踪机动目标发散和目前多数自适应Kalman滤波算法对运动模型适应性不强的问题,提出了一种新的基于机动检测的机动目标跟踪算法,通过实时自适应的改变滤波模型提高对机动目标跟踪精度。对这种方法与Kalman滤波算法进行了计算机仿真比较,结果表明,该方法计算量小,可实时精确地自适应匹配目标的运动模型,可实现对机动目标稳定可靠的跟踪。     

基于STF的Jerk模型自适应机动目标跟踪算法

在Jerk模型的基础上,提出了一种新的机动目标自适应跟踪算法STF-Jerk。该算法通过引入强跟踪滤波器(STF)的渐消因子,实时调节滤波器增益,增强了系统对突发机动的自适应跟踪能力,从而很好地改善了Jerk模型在跟踪机动目标时的跟踪精度。仿真结果表明,提出的STF-Jerk自适应跟踪算法显著提高了Jerk模型自适应算法的机动目标跟踪性能。     

带异步相关噪声的战斗机蛇形机动跟踪算法

针对异步相关噪声背景下战斗机蛇形机动模式转弯角速度辨识问题,考虑到目标状态与转弯角速度之间相互耦合的特性,从联合优化的解决思路出发,基于期望最大化（EM）算法框架,提出了一种带异步相关噪声的联合估计与辨识算法。首先采用"去相关框架"解除过程噪声与量测噪声之间的相关性,从而将异步相关噪声背景下的转弯角速度辨识问题转换成具有一步状态延迟的转弯角速度辨识问题,其次通过解除目标状态与转弯角速度之间的非线性耦合关系,基于期望最大化算法实现了战斗机蛇形机动目标状态与转弯角速度的联合估计与辨识,从而获得转弯角速度闭环形式的解析解：在E-step,通过利用异步相关噪声背景下的高阶容积卡尔曼平滑器（HCKS）,获得目标状态的后验估计;在M-step,通过极大化条件似然函数,获得转弯角速度的解析解。最后通过仿真验证了所提算法的目标状态估计与角速度辨识的精度均优越于传统的扩维法。     

一种融合卡尔曼滤波的改进时空上下文跟踪算法

针对时空上下文跟踪算法对快速运动和遭受严重遮挡目标的跟踪精度下降问题,提出一种融合卡尔曼滤波的改进时空上下文跟踪算法。首先人工标记目标所在的矩形区域,然后利用改进的时空上下文算法对目标进行稳定跟踪,在跟踪过程中,基于连续两帧图像灰度的欧氏距离判定目标跟踪状态,当判定目标遭受严重遮挡时,利用卡尔曼滤波进行预测估计。算法对噪声有一定的容忍度,通过降低噪声对跟踪过程的影响,能够得到更优的目标区域。仿真实验结果表明:本文算法适用于不同光照强度下高速、高机动目标的稳定跟踪,并且对目标的尺度变化和短时严重遮挡具有鲁棒性。算法帧平均耗时为34.07ms;帧几何中心平均误差为5.43pixel,比时空上下文算法减少70.2%;目标轮廓面积平均误差为13.08%,比时空上下文算法减少52.7%。     

引入神经网络的交互式多模型算法

在交互式多模型算法中引入神经网络算法以改进目标跟踪的精度。利用神经网络算法对基于机动目标“当前”统计模型的均值和方差自适应滤波算法进行修改,提高该算法的性能,然后采用交互作用多模型算法跟踪机动目标,提高了机动目标的跟踪精度。     

红外搜索跟踪系统单机运动测距方法研究

机载红外搜索跟踪系统只能测量目标的方位、俯仰角度信息,而无法直接获取目标的距离信息。因此需通过载机平台的机动运动,提高系统可观测性,从而对目标距离进行解算,为火控系统提供完整的目标运动参数,实现对目标的被动攻击。通过建立红外搜索跟踪系统（IRST）单机运动测距的数学模型,针对伪测距的非线性滤波的有偏特点进行了去偏处理,获得无偏的单机运动测距模型,并通过数字仿真进行算法模型的仿真验证,验证了算法的有效性。     

只有利用GPS才能满足北约战术战斗机训练中心的测量要求

由于近几年内在西欧地区发生了大量军用飞机事故,而且越来越需要低高度空战飞行训练,因此北约将在欧洲以外建立一个战术战斗机训练中心。面临特殊的测量要求,需要一个独特的靶场测量系统。战术战斗机飞行训练将在65000平方公里地区上空展开,100架飞机将在近地面至30Km的空中飞行。此外,必须在不同的位置至少配35个威胁发射机。整个靶场必须易于重新配置并且机动(非固定地面站)以满足环境变化和各种训练要求。由于这些苛刻的限制条件,只能采用GPS来解决测量问题。在三个基本领域内,要解决面临的测量问题,最理想的是采用靶场应用计划(RAP)的GPS设备及其配套的第二代RAP数据链。这三个领域是目标跟踪、数据传输和威胁发射机的控制。GPS对于其中每个领域都有其长处。 GPS目标跟踪:提高了目标位置和速度精度;能跟踪多达100个目标;能跟踪地面至30Km高的目标;能覆盖整个65000平方公里区域;仅需要少数几个地面站;可使用无需勘测的机动地面站。现代化的数据链路:数据链路独立于定位系统;采用高带宽效率技术;最多能对付100个目标;可远距离传输;采样速率更高;使用机动地面站;经飞机一飞机中继还可扩大覆盖区域。 GPS控制的威胁发射机:成本大大低于人工/雷达控制的威胁发射机;威胁密度可很高;可机动(可自己测定位置);跟踪精度高;目标捕获和自跟踪简单;可程控各类威胁发射机并可模仿现场操作手。用GPS解决靶场测量问题,会带来许多有利后果:可建成全机动靶场,可灵活配置一可大可小;可为100多个目标服务;可配大量威胁发射机;靶场易于重新配置以适应各类训练场面;靶场对环境无特殊要求(不必改造地形)。     

一类新型的机动目标跟踪算法

针对机动目标跟踪,提出了基于截断正态概率模型的改进自适应目标跟踪算法,该算法具有结构和计算简单,鲁棒性好的特点,通过仿真结果对比,充分说明了文中所提出的跟踪算法能够较好地弥补传统的Kalman滤波方法在跟踪机动目标时的不足。     

机载雷达目标跟踪与航迹信息提取

针对机动目标跟踪中航迹信息提取精度不高的问题,提出一种ECEF坐标系下基于交互多模型的多机协同跟踪算法。首先,各载机以ECEF坐标系为融合中心对目标量测进行无偏转换处理,以有效减小量测转换误差对目标跟踪的影响;然后,利用交互多模型的方法对目标进行融合跟踪,以进一步提高目标机动时的跟踪精度;最后,通过二次滤波的方法,来有效实现目标航迹信息的精确提取。仿真结果表明,该算法可较好地提高目标机动时的跟踪精度和航迹信息提取精度。     

基于多传感器的机动目标跟踪与融合技术综述

在分析了目标跟踪技术的重要地位之后，对目标跟踪要素进行了简要介绍。同时，描述了机动目标建模、滤波算法、航迹管理、传感器管理以及目标身份识别技术常用的方法，试图对基于多传感器的机动目标跟踪和识别算法构建一个轮廓和框架。     

基于卡尔曼滤波的数据融合技术在系统航迹中的研究与应用

本文针对空中交通管制自动化系统输出的系统航迹在边界地区出现多重目标和跳跃点的问题,提出了一种对系统航迹进行二次融合的方法,建立了状态方程和测量方程,提出了一种自适应扩展卡尔曼滤波的跟踪算法.将系统航迹传输时延转换为空中目标的距离,用卡尔曼滤波方法对数据中的噪声进行滤波.对目标的匀速航行和机动航行进行了仿真实验,实验结果表明了该算法的正确性和有效性.最后将该算法用于系统航迹中,也取得了良好的效果.     

对飞机的跟踪方法

 本文叙述对作机动飞行（加速、转弯等）的飞机进行实时跟踪的方法,该方法采用自适应（一阶）多项式滤波,其中用X²分布法探测飞机机动,分别用方差匹配法及两种算法估计由机动产生的模型噪声方差Qk。模拟计算表明,两者对飞机机动的跟踪都是成功的,而后者对工程应用更方便一些。     

基于交互式多模型的主被动站跟踪算法

在高斯白噪声下，使用交互式多模型算法融合主动站和被动站量测信息，在各类机动状态模型切换，完成对机动目标的定位跟踪。根据主动站到达目标然后到达被动站的距离和以及目标到达主被动站的方位角和俯仰角信息建立量测模型；在交互式多模型算法的基础上，在常规直线机动模型基础上引入Singer模型，模拟目标机动运动；以几何关系求解得到的目标位置作为目标初始解，相较于其他初始模型，算法具有更好的收敛性。仿真实验表明，在主被动站间距几十千米，目标与主被动站间距几百千米，到达角误差2°左右，到达时间误差20 m左右的情况下，使用交互式多模型算法跟踪目标，收敛误差在百米级别。