采用具有输入估值的变维滤波器进行的跟踪

本文提出了一种跟踪机动目标的改进方法。把输入估值方法的逆推公式与变维滤波器方法综合起来就构成了本文所提出的跟踪滤波器。在所提出的方法中，滤波器还提供目标开始机动的瞬间时间估值（当检测到目标机动时）。支用所估算的机动起始时间也可估算机动输入，跟踪系统则转换为机动模型。所提出的方法的计算负担与输入估值方法的相当。这种跟踪滤波器的有效性已经通过模拟得以验证，并将茯与交互式多模（ＩＭＭ）滤波器、输入估值滤     

一种多目标鲁棒跟踪滤波器研究

多目标鲁棒跟踪是现代雷达跟踪系统的重要技术指标之一。为此,本文在作者以往的研究成果[1—4]基础上,提出了一种多目标鲁棒跟踪滤波器。该滤波器主要由模糊α—β滤波器和自校正估值器组成。它们分别是根据模糊集理论和本文提出的二次新息序列概念设计的。仿真结果表明,这种滤波器比以往的α—β滤波器,不但跟踪机动目标精度高,而且具有较好的鲁棒特性。     

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。     

提高机动目标跟踪精度的自校正α—β跟踪滤波器研究

本文从工程应用角度出发,在文[1]基础上提出了自校正α-β滤波器设计方法。从而从滤波器结构和参数匹配两方面较好地解决了α-β滤波器跟踪机动目标精度问题。在IBM/AT微机上用8087汇编语言进行的仿真结果表明,这种方法不仅简单易行且其精度比常增益α-β滤波器高近一倍。     

弱信号机动目标的跟踪滤波器

本文对跟踪小有效散射面积机动目标的跟踪滤波器的工作特点进行了分析。     

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。     

一种对斑点目标高精度质心跟踪方法

本文介绍一种对运动的斑点目标灰度质心进行高精度跟踪的方法。通过对图象序列中目标质心位置和帧间位移量的测量误差分析，提出了改进的滤波模型，有效地抑制了图象灰度噪声和空间量化误差的影响，提高了斑点目标跟踪精度。     

用于目标加速度估计的双时间尺度自适应跟踪滤波器

在空对空拦截中,寻的阶段是一个关键阶段.该阶段的特点是时间短、寻的路径上的方位角速率低.其所以是关键,因为关于目标机动的任何误判都可能导致很大的脱靶距离.本质上这是由于目标实施躲避机动造成相遇航路误差而跟踪者来不及调整航路所致.因此要设计出能够对目标机动产生快速反应的导引律,目标加速度估计是至关重要的.然而,空对空导弹目标跟踪器的综合还面临一些棘手问题.这些问题包括缺乏可观测性、建模误差以及高采样率引起的计算时间限制.本文给出了一个能解决这些问题的新的跟踪滤波器.该滤波器以跟踪动态中固有的时间尺度分离为基础.结合一种筒单的自适应方法,该滤波器能够跟踪很多类型的目标机动,从计算量角度考虑也是有效的.     

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。     

一种纯距离跟踪滤波器的改进算法

针对纯距离目标跟踪可观测程度较低的问题,提出一种基于角度参数的纯距离目标跟踪改进算法。文中方法将系统的观测区间范围划分为若干个子扇区,每个子扇区采用一个独立的加权扩展卡尔曼滤波器进行纯距离跟踪,利用贝叶斯理论来修正各滤波器的权重,系统的输出为各并行运行的滤波器估计值的加权和,最终获得目标的运动轨迹。系统的仿真结果表明,方法收敛速度快,跟踪精度高于扩展卡尔曼滤波器的跟踪精度。     

一种实用的目标跟踪算法

针对很多高精度目标跟踪算法不能满足实时性要求的问题,提出使用Harris角点检测方法提取目标的少量特征;使用高精度的光流法对提取的部分特征点进行匹配;使用重心算法计算分散特征点的中心作为目标的脱靶量。该算法在保持精度的同时,提高了速度。设计的系统已经应用到实际工程中,对目标旋转、光照变换、变形等具有较高的鲁棒性,并且能够在20ms内完成目标位置的计算,满足实时目标跟踪的要求。     

基于偏差自适应学习的多传感器信息融合机动目标跟踪

为了保证精确打击机动目标,导弹可以采用主/被动雷达切换探测目标。考虑到作战的隐蔽性和生存性,提出基于多传感器信息融合的被动优先跟踪方法:跟踪开始时,令主/被动雷达同时对目标进行探测和跟踪,将二者的信息进行融合,同时自适应地学习融合结果与二者信息的偏差,经过一段时间学习,融合偏差稳定,此时令主动雷达停止工作,由被动雷达单独工作,而目标的运动信息则由被动雷达的信息和学习得到的融合偏差合成。如果目标机动较大,则定期令主动雷达工作以进一步修正融合偏差。该方法既保证了跟踪的精度,同时又减少了主动雷达的工作时间,从而提高了作战的隐蔽性和生存性。将该方法应用于导弹的目标跟踪,仿真结果表明该方法有效。