基于耦合气动参数的HGV多模型估计

利用气动参数对未知气动力建模是提高高超声速滑翔目标跟踪精度的有效途径。对目标气动加速度及其导数项进行分析,在非耦合气动参数模型的基础上,考虑气动加速度在转弯和俯仰方向存在的先验信息,推导滚转和螺旋2种耦合气动参数模型。利用一种分离估计模型对目标状态与气动参数进行估计,分别给出状态滤波器和气动参数滤波器的表达式。同时,考虑不同飞行模式下参数的机动频率,构建基于耦合气动参数的交互多模型跟踪算法。仿真表明,本文所提算法精度显著高于针对该类目标的其他跟踪算法。同时,滚转模型的性能优于螺旋模型,且计算复杂度更小。      

基于L2范数最小化联合模型的目标跟踪算法

为了解决稀疏表示的跟踪算法的计算代价比较大,且目标的表观由于多种原因会发生变化的问题,提出了一种在贝叶斯推理框架下,建立结合基于全局模板的判别式模型和基于局部描述子的生成式模型的联合模型,通过L2范数最小化进行求解的目标跟踪方法.在跟踪过程中,适时地更新判别式模型中的正负模板和生成式模型中模板的系数向量,使模板具有很强的适应性和判别性.实验结果表明,与其他典型的算法相比,该算法对于光照变化、尺度变化、遮挡、旋转等情况具有较强的鲁棒性.      

基于数据压缩的多传感器多假设算法

为解决集中式多传感器系统中多目标跟踪问题,提出了一种新的多传感器多目标算法.提出的算法首先应用经典分配规则对每个传感器送来的观测数据进行排列组合,然后对每个组合中各量测点进行概率加权以获得一个等效量测点,最后根据每个等效量测点产生的互联假设计算其互联概率并获得融合中心的状态估计.给出了该算法与已有集中式多传感器联合概率数据互联算法的仿真比较,仿真结果表明该算法的跟踪性能在探测概率降低的跟踪环境下表现得更为优越.      

基于权值分配及多特征表示的在线多示例学习跟踪

针对复杂环境下目标跟踪过程中由于遮挡、目标姿势及光照条件变化引起跟踪漂移的问题,提出一种基于多示例学习（MIL）框架的在线视觉目标跟踪算法。该算法针对多示例跟踪算法采用单一haar-like特征不能准确描述目标外观变化及在学习过程中对样本包中各正负样本示例采用相同权值,忽略不同正负样本示例在学习过程中对包的重要性不同的特点,采用多特征联合表示目标外观构造分类器,通过将多特征互补特性融入在线多示例学习过程中,利用多特征的互补属性建立准确的目标外观模型,克服在线多示例跟踪算法对目标外观变化描述不足的问题;同时,依据不同正负样本示例对样本包的重要程度进行权值分配,提高跟踪精度。实验结果表明,本文跟踪算法对场景光线剧烈变化、遮挡、尺度变化及平面旋转等干扰具有较强的跟踪鲁棒性,通过对不同视频序列进行测试,文中算法在5组测试视频序列上的平均中心位置误差远小于对比增量式学习跟踪,仅为10.14像素,其对比算法IVT、MIL和OAB的中心位置误差分别为17.99、20.29和33.64像素。      

多冲量近程交会最优化模型

文章基于Lawden方程对椭圆参考轨道的近程最优交会问题进行了研究,并提出了一种混合遗传算法求解最优近程交会问题。首先在一定假设条件下给出了目标在椭圆参考轨道的近距离相对运动模型——Lawden方程,构建了多脉冲最优交会问题模型并进行了理论分析。性能指标选为轨道交会过程中燃料消耗和时间消耗加权最小的多目标优化指标,优化参数为脉冲大小和脉冲施加时刻,终端状态受到相对位置和相对速度的约束。然后介绍了具有较强全局和局部寻优能力的混合遗传算法。最后以四脉冲为例进行仿真计算。仿真结果表明,是否考虑第一次脉冲位置,总燃料消耗变化不明显。因此,追踪航天器一旦捕获到目标信息即可施加第一次脉冲。仿真结果还证明了混合遗传算法在求解最优交会问题时的有效性。因此,混合遗传算法对基于Lawden方程的椭圆参考轨道近程最优交会问题的求解可行。     

一种改进的运动目标抗遮挡跟踪算法

为解决运动目标在遮挡情况下的跟踪问题,提出一种基于目标运动预测与自适应多子块模板匹配相结合的抗遮挡跟踪算法.该算法建立了多子块模板匹配相关算法中遮挡情况的判定、子块模板匹配及自适应更新等准则,采用卡尔曼滤波模型预测目标在遮挡时的运动轨迹,并利用一种基于目标速度矢量的模板定位规则实现目标在遮挡结束后的接力跟踪.将该算法应用于存在多种遮挡情况下的实际视频中进行测试,实验结果表明:该算法不仅能够实现在部分遮挡情况下的目标跟踪,而且能在严重遮挡、甚至完全遮挡情况下对刚体和非刚体目标进行稳定有效地跟踪,保持目标运动轨迹的可靠性和完整性.     

基于MODPSO-GSA的协同空战武器目标分配

提出基于多目标决策理论的协同空战武器目标分配模型,并用进化多目标优化算法求解.空战是一个多阶段攻防过程,针对多数空战武器目标分配采用一次性完全分配、不考虑火力资源消耗等不足,构建多目标决策模型,在达到毁伤门限的前提下,同时对一次攻击后使敌编队的总期望剩余威胁最小和分配导弹消耗量最小两个目标函数寻优.提出用多目标离散粒子群-引力搜索算法(MODPSO-GSA)求解分配模型,该混合进化多目标优化算法结合二者优点,具有稳定的全局搜索能力并保证收敛到Pareto前沿.该算法可求得满足毁伤门限的不同耗弹量的分配方案最优解集以供指挥员决策参考.仿真算例验证了新模型及所提出MODPSO-GSA进化多目标优化求解算法的有效性.      

基于运动模型的低空非合作无人机目标识别

为保障低空安全,在利用雷达数据探测无人机目标的同时剔除飞鸟等虚警信息,提出了一种基于运动模型的低空非合作无人机目标识别方法,作为已有目标跟踪方法应用的拓展。首先,建立多种运动模型模拟无人机和飞鸟目标运动;然后,基于多种运动模型进行目标跟踪,并估计各种运动模型的出现概率;最后,以各种运动模型在连续时间内出现概率的方差均值来度量目标运动模型的转换频率。通过对仿真数据和机场低空监视雷达实测数据的处理,所提方法能够在杂波环境中跟踪无人机目标并剔除飞鸟目标,进一步验证了其有效性和实用性。      

多导弹分布式协同制导与控制方法

针对多枚导弹三维空间协同攻击机动目标要求,提出了一种多导弹分布式协同制导与控制方法.基于网络同步原理设计了一种多导弹三维位置同步算法,将目标视作领弹,与攻击导弹组成“领弹-从弹”的拓扑结构,实现了导弹对目标的协同攻击引导.同步算法给出了惯性坐标系导弹3个方向速度的指令,基于坐标变换将其转化为自动驾驶仪可以跟踪的速度及弹道倾角指令.基于切换控制方法设计了导弹自动驾驶仪,实现了多导弹协同制导与控制的闭环仿真.仿真结果验证了该方法的有效性.      

基于倒置残差注意力的无人机航拍图像小目标检测

针对无人机航拍图像背景复杂、小尺寸目标较多等问题,提出了一种基于倒置残差注意力的无人机航拍图像小目标检测算法。在主干网络部分嵌入倒置残差模块与倒置残差注意力模块,利用低维向高维的特征信息映射,获得丰富的小目标空间信息和深层语义信息,提升小目标的检测精度;在特征融合部分设计多尺度特征融合模块,融合浅层空间信息和深层语义信息,并生成4个不同感受野的检测头,提升模型对小尺寸目标的识别能力,减少小目标的漏检;设计马赛克混合数据增强方法,建立数据之间的线性关系,增加图像背景复杂度,提升算法的鲁棒性。在VisDrone数据集上的实验结果表明：所提模型的平均精度均值比DSHNet模型提升了1.2%,有效改善了无人机航拍图像小目标漏检、误检的问题。     

基于Rao-Blackwellized蒙特卡罗数据关联的检测跟踪联合优化

提出了基于Rao-Blackwellized蒙特卡罗数据关联的雷达目标检测跟踪联合优化算法。Rao-Blackwellization方法将单目标跟踪与数据关联分开处理,将序贯蒙特卡罗方法（粒子滤波）用于数据关联,实现杂波与虚警量测中的多目标跟踪。同时,根据粒子的分布范围确定波门大小。在考虑粒子权重的前提下,利用检测单元与所有粒子的相对位置对检测门限进行修正,提高检测率。将本文算法与已经实现的基于空域特性的杂波抑制算法相结合,分别应用于仿真数据、S波段相参与非相参雷达实测数据。实验结果表明,本文算法能够在粒子数较少的情况下,实现对小弱目标的检测与跟踪。      

星敏感器中快速星跟踪技术

跟踪模式是星敏感器的主要工作模式之一,跟踪过程的快速性直接影响星敏感器的整体性能.提出了一种快速星跟踪算法.在跟踪算法的3个耗时环节,分别采用了分区星表、阈值映射、先排序后匹配识别这3种方法,以提高跟踪过程的快速性.其中分区星表法将整个天区分成了若干个子天区,使得在星体映射时,只是搜索星敏感器视轴指向附近的部分子天区,而不是搜索整个天区,减少了搜索星体的数量;阈值映射法,在满足精确度的情况下,设置被跟踪星体的数量阈值,只有被跟踪的星体数目少于此阈值时,才进行星体映射,减少了映射次数;先排序后匹配识别法,先根据星体在星图中的坐标值进行排序,然后再进行匹配识别,减少了那些距离较大的无谓的星体间的匹配识别.仿真测试结果表明,这3种方法的采用,提高了跟踪算法的快速性,提高了星敏感器的整体效能.      

基于ML背景参数估计的CDKF-CPHD多目标跟踪算法

针对低信杂比环境下的多机动目标跟踪问题,提出了一种基于极大似然(ML)背景参数估计的中心差分卡尔曼-势概率假设密度滤波(BE-CDKF-CPHD)算法。算法采用ML法实时估计重尾分布模型参数,计算检测概率和虚警概率。运用极大似然-恒虚警(MLCFAR)算法对信号进行处理,提取有效量测值,将幅值似然函数与势概率假设密度滤波器(CPHD)中的目标位置似然函数相结合,通过中心差分法递归更新得到后验均值与协方差,达到对多机动目标进行跟踪的目的。仿真结果表明,在低信杂比环境中,所提算法提高了跟踪精度与目标数目估计准确度。     

A multi-satellite co-tracking method for a single space target based on adaptive distributed spherical simplex information-weighted consensus filter

A multi-satellite co-tracking method for a single non-cooperative target is proposed to extend the arc of observation as well as to improve the accuracy of tracking. Firstly, the motion of the target is considered to be affected by J2 perturbation, and the model of multi-satellite co-tracking a single space target is designed with only measured angles. Then, a multi-satellite co-tracking method for a single space target based on an adaptive distributed spherical simplex information-weighted consensus filter (ADSSICF) is proposed. The spherical simplex is used to reduce the computational cost of the information filter, and to improve the efficiency of tracking. The angle-only measurement equation is linearized by the statistical linear regression method, and linearization errors are compensated for by updating measurement noise. By designing an adaptive consensus algorithm, only a small number of iterations are needed to achieve network consensus, to improve the convergence speed of the consensus algorithm, and prove the stability of ADSSICF. Finally, a simulation of four low-orbit satellites tracking a single space target is established. The focus of this paper is on the real-time performance and tracking accuracy of the multi-satellite co-tracking a single space target with angle-only based on ADSSICF. The performance of ADSSICF is verified from three indicators: the consensus and convergence of algorithm, the accuracy of state estimation.     

基于帧间特征点匹配的红外弱小目标检测

高空下、视复杂背景下弱小目标的检测一直是红外弱小目标跟踪的难点,提出了一种基于帧间特征点匹配的红外弱小目标检测的方法,将复杂背景下的动态弱小目标检测问题看作是帧间复杂背景的运动估计补偿问题,消除了背景杂波对红外目标的影响,进而达到了抑制背景的目的。做出了该算法与现在常用的频域高通滤波、形态学Top-hat滤波两种小目标检测算法的对比,并将目标局部信杂比和目标检测的虚警率作为算法的有效性评价指标。试验结果表明,通过准确的地补偿复杂背景的帧间位移量,再结合帧间差分的方式,后红外弱小目标检测的信杂比提升了2倍以上,检测得到的虚警率低于20%。