一种改进的高超声速滑翔目标跟踪方法

针对临近空间高超声速滑翔目标跟踪问题,提出一种基于反向传播神经网络修正改进迭代扩展卡尔曼滤波(Back Propagation Neural Network-aided Improved Iterative Extended Kalman Filter, BP-IIEKF)的目标轨迹跟踪方法。在雷达站坐标系下建立目标运动模型和量测模型。引入阻尼因子修正IEKF算法中的协方差预测矩阵,并定义算法的代价函数,给出迭代终止条件,保证了算法收敛精度,减小状态的观测更新误差,提高了目标状态估计精度。利用BP神经网络修正滤波结果,补偿系统滤波误差,进一步提高了跟踪精度。仿真结果表明所提算法对高超声速滑翔目标具有更高的跟踪精度。     

一种用于机动目标跟踪的新自适应卡尔曼滤波算法

在“当前”模型的概念下,从工程实现的背景出发,提出了一种用于机动目标跟踪的新自适应卡尔曼滤波算法。基本思想是通过对加速度项引入加权因子来进一步突出“当前”信息的作用,为“当前”模型提供更加准确的“当前”信息。蒙特卡罗模拟结果表明,算法不仅克服了“当前”模型自适应卡尔曼滤波算法的缺陷,而且使跟踪性能得到进一步的提高。     

基于时空显著性建模的空中飞行器跟踪方法

以复杂背景下空中飞行器的鲁棒视觉跟踪问题为研究背景,为解决现有跟踪方法目标表征模型不够精确,算法鲁棒性严重受到目标形变、宽高比变化、复杂背景等因素干扰的问题,提出了建模跟踪场景中独立物体的显著性特性,用于构建精确的目标模型。提出的显著性估计方法有别于传统的单帧检测方法,利用跟踪算法提供的背景先验知识以及多帧图像观测数据,使用时空联合的方式进行建模估计,其结果用来指导目标跟踪算法选取有效视觉特征,建立精确目标表征模型,减小背景区域对算法模型的干扰。实验表明,提出的方法为上述难点问题提供了有效的解决方案,对空中飞行器的跟踪精度与鲁棒性优于大多数最先进的主流方法,在其他类型的目标跟踪任务中也有十分优越的性能表现。     

基于CDKF的快速协方差交叉融合跟踪算法研究

随着目标抗干扰能力的增强,单一寻的制导方式很难完成对目标的稳定跟踪和精确打击,需采用多种探测器作为传感器,提供多种观测数据以实现对目标的稳定跟踪和精确打击。建立了适当的目标运动模型和观测模型,利用中心差分卡尔曼滤波（CDKF）变换处理模型的非线性问题,避免了求解复杂的雅克比矩阵。对于分布式多传感器融合,传统的方法多采用协方差交叉（CI）融合方法,但是这类方法需要寻优求解。而快速协方差交叉（FCI）则不需要进行寻优过程,且计算量小。在此基础上,提出了用于多传感器目标跟踪的CDKF-FCI融合算法。最后,对算法进行了仿真分析,并进一步验证了提出算法的有效性。     

一种基于二级变维Kalman滤波的跟踪算法

Kalman滤波器是一种高速的目标跟踪器.针对不同阶数的Kalman滤波器具有不同的跟踪能力与跟踪效率之间存在的矛盾,设计了一种自适应Kalman滤波算法.该算法使用两级滤波器,根据目标机动性的变化,适当的调整滤波器的阶数,使跟踪结果快速收敛,很好地解决了矛盾.通过对仿真结果分析表明,算法具有可靠、计算简便、快速等特点,模型滤波精度较高,并可实现实时跟踪预测,具有一定的理论价值和实用价值.     

一种二维耦合模型机动目标跟踪算法

针对雷达跟踪固定翼飞机的单目标跟踪问题,提出了一种新的二维耦合运动模型。该方法把切向加速度和法向加速度作为状态变量,给出了切向加速度和法向加速度为常值时解析计算状态转移的方法。该模型可以较好地一步预测目标加速度的变化,而且法向和切向加速度的过程噪声可以分别设置。利用该耦合模型的滤波方法,显著地改善了滤波效果,尤其是对加速度的估计。     

自由段弹道目标跟踪算法在工程中的应用

在对弹道目标跟踪预警的工程实践中,雷达系统对目标运动的信息处理速度尤为重要,因而,文章选取自适应跟踪模型与卡尔曼滤波相结合的方法解决自由段弹道目标的跟踪问题,并与扩展卡尔曼跟踪算法做了对比分析。仿真显示,2种滤波方式分别与自适应跟踪模型相结合后,卡尔曼滤波和扩展卡尔曼滤波跟踪性能相差不大,但其算法简单、运算时间短,可以较好满足自由段弹道目标跟踪的工程需求。     

卡尔曼滤波的极坐标算法及应用

介绍了极坐标下卡尔曼滤波算法,给出模型的推导过程及卡尔曼滤波的标量计算式,并给出了空舰攻击中目标速度的计算方法.实践证明该算法是一个收敛快、精度较高的算法.     

一种新的目标跟踪特征融合方法

在粒子滤波目标跟踪框架下,给出一种基于颜色直方图和边缘直方图的新特征融合算法．该算法是一种通过颜色和边缘直方图的特征波和熵实现特征之间粒子数重分配的方法。通过实验比较本文算法与单特征跟踪算法的跟踪误差,结果表明本文方法较传统依靠单一特征进行目标跟踪的粒子滤波方法,在运算时间增幅不明显的情况下,实现了更为准确的目标跟踪,并可稳定的应用于运动背景下的动目标跟踪、背景光照变化下的多目标跟踪以及多目标发生相互遮挡等情况。     

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。     

A novel strong tracking cubature Kalman filter and its application in maneuvering target tracking

The fading factor exerts a significant role in the strong tracking idea. However, traditional fading factor introduction method hinders the accuracy and robustness advantages of current strong-tracking-based nonlinear filtering algorithms such as Cubature Kalman Filter (CKF) since traditional fading factor introduction method only considers the first-order Taylor expansion. To this end, a new fading factor idea is suggested and introduced into the strong tracking CKF method. The new fading factor introduction method expanded the number of fading factors from one to two with reselected introduction positions. The relationship between the two fading factors as well as the general calculation method can be derived based on Taylor expansion. Obvious superiority of the newly suggested fading factor introduction method is demonstrated according to different nonlinearity of the measurement function. Equivalent calculation method can also be established while applied to CKF. Theoretical analysis shows that the strong tracking CKF can extract the third-order term information from the residual and thus realize second-order accuracy. After optimizing the strong tracking algorithm process, a Fast Strong Tracking CKF (FSTCKF) is finally established. Two simulation examples show that the novel FSTCKF improves the robustness of traditional CKF while minimizing the algorithm time complexity under various conditions.     

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。     

平台摇摆对卡尔曼滤波跟踪精度的影响

通过建立目标相对运动坐标系和目标相对运动观测模型,研究了在平台摇摆影响下,跟踪系统观测到的目标运动状态的变化。在分析捷联垂直基准补偿原理的基础上建立了捷联垂直基准平台摇摆角补偿模型,建立的模型结合捷联垂直基准系统的测量能力对其补偿算法进行了理论推导,使模型适用于实际捷联垂直基准系统。通过建立模型以及仿真研究了平台摇摆作用下卡尔曼滤波跟踪精度的变化,指出了摆造成卡尔曼滤波跟踪精度降低甚至离散的主要原因在于模型误差增大。设计仿真实验验证了结论的正确性,为进一步改进跟踪手段提供了理论参考。     

Variational Bayesian Kalman filter using natural gradient

We propose a technique based on the natural gradient method for variational lower bound maximization for a variational Bayesian Kalman filter. The natural gradient approach is applied to the Kullback-Leibler divergence between the parameterized variational distribution and the posterior density of interest. Using a Gaussian assumption for the parametrized variational distribution, we obtain a closed-form iterative procedure for the Kullback-Leibler divergence minimization, producing estimates of...     

自适应高阶容积卡尔曼滤波在目标跟踪中的应用

针对传统容积卡尔曼滤波(CKF)在系统状态发生突变时估计精度下降的问题,将强跟踪滤波(STF)算法与高阶容积卡尔曼滤波(HCKF)算法相结合,提出了一种自适应高阶容积卡尔曼滤波(AHCKF)方法。该算法采用高阶球面-相径容积规则,可获得高于传统CKF的估计精度,同时在HCKF算法中引入STF,通过渐消因子在线修正预测误差协方差阵,强迫残差序列正交,提高了算法的鲁棒性,增强了算法应对系统状态突变等不确定因素的能力。将提出的AHCKF算法应用于具有状态突变的机动目标跟踪问题并进行数值仿真,仿真结果表明,AHCKF算法在系统状态发生突变的情况下表现出良好的滤波性能,有效地避免了状态突变造成的滤波精度下降,较传统的CKF、HCKF、交互式多模型-容积滤波(IMM-CKF)和自适应容积卡尔曼滤波(ACKF)算法有更强的鲁棒性和系统自适应能力。     

一种基于冗余测量的自适应卡尔曼滤波算法

针对目前自适应滤波算法的不足,在测量系统量测噪声方差未知的情况下,设计了一种基于冗余测量的自适应卡尔曼滤波(RMAKF)算法。通过对系统冗余测量值的一阶、二阶差分序列进行有效的统计分析,可以准确估计系统量测噪声统计特性,进而在滤波过程中自适应调节噪声方差阵R,提高滤波精度。以全球定位系统/惯性导航系统(GPS/INS)松组合导航系统为对象进行了仿真实验,结果表明该算法在测量系统噪声特性未知或发生改变时,可对其进行准确估计,在采用低精度惯性器件情况下,滤波结果较其他主要自适应卡尔曼滤波算法有较明显的改进。     

Robust extended Kalman filter with input estimation for maneuver tracking

This study investigates the problem of tracking a satellite performing unknown continuous maneuvers. A new method is proposed for estimating both the state and maneuver acceleration of the satellite. The estimation of the maneuver acceleration is obtained by the combination of an unbiased minimum-variance input and state estimation method and a low-pass filter. Then a threshold-based maneuver detection approach is developed to determinate the start and end time of the unknown maneuvers. During the maneuvering period, the estimation error of the maneuver acceleration is modeled as the sum of a fluctuation error and a sudden change error. A robust extended Kalman filter is developed for dealing with the acceleration estimate error and providing state estimation. Simulation results show that, compared with the Unbiased Minimum-variance Input and State Estimation (UMISE) method, the proposed method has the same position estimation accuracy, and the velocity estimation error is reduced by about 5 times during the maneuver period. Besides, the acceleration detection and estimation accuracy of the proposed method is much higher than that of the UMISE method.     

基于改进混合卡尔曼滤波器的航空发动机机载自适应模型

提出了基于改进混合卡尔曼滤波器的航空发动机机载自适应模型方法,即以机载非线性模型的输出作为分段线性卡尔曼滤波器的稳态基准值,将性能蜕化因子作为该滤波器的增广状态量进行在线估计,并反馈给机载非线性模型使其完成在线更新.同时,根据工作模式切换机制使该模型获得有效输出.通过将该方法应用于某型涡扇发动机进行一系列仿真表明,在全飞行包线内、不同工作状态以及性能蜕化严重的情况下,该模型能够始终与实际发动机相匹配,满足实际应用需求.      

鲁棒EKF在脉冲星导航系统中的应用

针对脉冲星导航系统的滤波问题,传统的扩展卡尔曼滤波(EKF)算法存在不能克服系统模型存在不确定性参数以及乘性噪声等缺陷,提出一种鲁棒EKF算法。首先,分析了状态预测误差方程和估计误差方程,利用统计学原理,得到了状态预测方差矩阵和状态估计方差矩阵计算等式。由于系统模型存在不确定性参数,状态预测协方差矩阵和状态估计协方差矩阵无法计算;因此,利用4个重要矩阵不等式,分析并找到预测方差矩阵和状态估计方差矩阵的上界。最后,利用状态估计误差协方差矩阵上界设计状态增益矩阵,使得状态估计协方差矩阵的迹最小。将该算法对脉冲星导航系统进行仿真,仿真结果验证了所提算法的有效性。