基于MM-GGIW-PMBM滤波的扩展目标跟踪算法

针对多机动扩展目标跟踪问题,将交互式多模型的思想引入泊松多伯努利混合滤波(PMBM)算法中,提出了一种多模型的伽马高斯逆威夏特-泊松多伯努利混合滤波(MM-GGIW-PMBM)算法。该算法融合多种运动模型,通过模型的交互实现对机动扩展目标扩展状态和质心状态的混合估计预测;通过引入强跟踪滤波(STF)中的渐消因子修正预测之后GGIW分量中的协方差矩阵,防止发生跟踪模型失配的现象;在PMBM更新阶段扩展目标外形和质心估计完成的基础上,利用似然函数完成模型概率的更新。仿真实验结果表明:MM-GGIW-PMBM算法能够对多机动扩展目标的数量和状态进行有效的估计。      

自适应关联波门机动群目标跟踪算法

为解决中心群跟踪（CGT）算法中由于群机动造成的量测丢失、估计误差增大的问题,提出了一种基于自适应关联波门的机动群目标跟踪算法。首先,将CGT算法与交互式多模型（IMM）算法结合,并利用最新量测信息对IMM算法中的转移概率矩阵进行实时修正。其次,设计了一种用于整体机动和分离机动的自适应关联波门,根据机动时刻模型的新息协方差对其进行自适应调整,确保量测点迹进入波门。仿真结果表明,所提算法一方面减小了传统固定转移概率矩阵带来的估计误差,将优势模型的平均概率由0.58增加到了0.7;另一方面,设计的自适应关联波门有效解决了目标机动带来的有效量测减少的问题,相比于传统波门,目标失跟率减少了30%,具备工程实用性。      

基于STF和加权改进的群目标跟踪算法

为了进一步提高群目标交互多模型跟踪算法的估计性能,提出一种改进的群跟踪算法.首先,通过采用模型转换概率的自适应算法,优化模型与目标运动模式的实时匹配.并通过引入强跟踪滤波（STF,Strong Tracking Filter）中的渐消因子,提高机动阶段时的群质心的状态估计精度.其次,分别利用概率加权法和标量加权法完成群质心状态和扩展状态的融合估计.最后在变分贝叶斯滤波的基础上,建立完整的跟踪算法流程.仿真实验结果表明,该方法不仅能够提高群质心状态和扩展状态的估计精度,还能有效降低机动阶段时的峰值误差.     

基于ST-SRCKF的超高速强机动目标跟踪算法

针对超高速强机动目标运动模型难以准确建立且观测数据易出现不良量测而导致滤波发散的问题,提出一种适用于超高速强机动目标的跟踪算法。该算法根据正交性原理推导了一种新的强跟踪平方根容积卡尔曼滤波（ST-SRCKF）结构,并引入多重渐消因子,渐消因子求解方法和作用位置均不同于已有的ST-SRCKF。根据新息的统计学特性,即新息协方差矩阵的迹服从卡方分布,建立了一种改进的CS-Jerk模型,该模型对目标机动的描述更准确,它与改进ST-SRCKF算法的结合实现了对超高速强机动目标的高精度跟踪。仿真结果表明,改进算法对超高速强机动目标的跟踪性能更佳。      

基于PHD未知杂波密度多机动目标跟踪

基于随机有限集（RFS）的跳变马尔可夫系统（JMS）是多机动目标跟踪的有效方法。但现有的方法假设杂波密度是先验已知的,而实际中杂波密度是未知且可能随着环境的改变而变化。针对这一问题,提出了一种适用于线性高斯模型的未知杂波密度下多机动目标跟踪算法。该算法以未知杂波密度高斯混合概率假设密度（λ-GMPHD）滤波为基础建模杂波和真实目标,采用线性高斯JMS模型描述目标机动,推导了未知杂波密度下多机动目标跟踪的GMPHD迭代解析表达式。仿真结果表明,所提算法可实现对于杂波密度以及目标数和目标状态的准确估计。      

基于混沌的改进粒子群优化粒子滤波算法

针对基本粒子滤波(PF)算法存在的粒子退化和重采样引起的粒子多样性丧失,导致粒子样本无法精确表示状态概率密度函数真实分布,提出了一种基于混沌的改进粒子群优化(PSO)粒子滤波算法。通过引入混沌序列产生一组混沌变量,将产生的变量映射到优化变量的区间提高粒子质量,并利用混沌扰动克服粒子群优化局部最优问题。利用单变量非静态增长模型(UNGM)在高斯噪声和非高斯噪声环境下将该算法与基本粒子滤波和粒子群优化粒子滤波(PSO-PF)的性能进行仿真比较。结果表明:该算法的性能在有效粒子数和均方根误差(RMSE)等参数都优于基本粒子滤波和粒子群优化粒子滤波,改善了算法的精度和跟踪性能。      

基于AVSIMM算法的高超声速再入滑翔目标跟踪

针对跟踪高超声速目标的交互式多模型（IMM）算法中存在模型数量过多,模型之间竞争导致滤波精度降低的问题,在自适应网格交互式多模型（AGIMM）算法的基础上,提出了一种自适应变结构交互式多模型（AVSIMM）算法跟踪高超声速再入滑翔目标。根据高超声速无动力再入滑翔目标当前机动状态的角速度参数,在自适应调整当前时刻模型集中参数的同时,针对AGIMM算法运动学模型的单一性,设计了具有多种跟踪滤波运动学模型的AVSIMM算法,通过模型集参数与算法结构的双重自适应调整实现了对目标高精度的跟踪。仿真结果表明,与AGIMM算法相比,所设计的AVSIMM算法不仅对结构和参数都具有更强的自适应性,同时提高了高超目标的跟踪精度和跟踪效率。      

基于Jerk输入估计的MCS模型及非线性跟踪算法

针对强机动目标跟踪问题,基于当前统计(CS,Current Statistical)模型、改进输入估计 (MIE,Modified Input Estimation)和无迹强跟踪滤波器,提出了一种新的自适应目标跟踪算法.该算法引入Jerk输入估计改进了当前统计模型的状态方程和机动加速度方差调整方法,利用改进的无迹强跟踪滤波器实现了状态协方差、状态噪声协方差和机动频率的联合自适应.在没有加速度先验知识的情况下,能够实时准确跟踪目标连续强机动、匀加速机动和匀速运动状态.仿真实验表明:相比CS模型无迹滤波算法、CS模型无迹强跟踪算法和交互多模型算法,该算法在对目标强机动的适应性、跟踪精度和对突变状态跟踪的收敛性方面都有更好的性能.     

基于模糊逻辑的交互式多模型滤波算法

针对交互式多模型（IMM）滤波算法在对反舰导弹的"蛇形"机动方式进行跟踪时收敛速度慢、滤波精度低的问题。在三维空间内,假定目标以匀速直线和"蛇形"机动2种方式进行运动,以相对距离和视线角为观测信息,对IMM滤波算法的模型概率更新模块进行改进,提出了基于模糊逻辑的交互式多模型（FLIMM）滤波算法。通过仿真对比分析,改进后的算法能够有效地提高收敛速度,进而获得更高的跟踪精度。      

基于AIGWO-IMMUKF的目标跟踪算法

针对目标跟踪算法中滤波器选择和模型设计问题，提出了一种具有自适应性的交互式多模型无迹卡尔曼滤波（IMMUKF）目标跟踪算法。首先，介绍了IMMUKF的算法步骤；其次，提出运用改进的灰狼优化（IGWO）算法优化其中的滤波参数，通过构造调节因子建立了时变的Markov状态转移概率，形成了AIGWO-IMMUKF算法，并给出其算法流程；最后，将所提AIGWO-IMMUKF算法与传统算法在相同条件下进行仿真，得出位置、速度均方根误差曲线，以及时效性对比。结果表明，所提AIGWO-IMMUKF算法克服了传统IMMUKF算法的不足，提升了算法性能，精度和时效性都更优。      

基于模型混合的多分辨率多模型跟踪算法

在原有的多分辨率多模型算法的基础上引入了滤波器混合的方法,提出了一种新的机动目标跟踪算法.原多分辨率算法在多分辨率框架下应用硬切换多模型算法,改善了多模型算法在非机动段的跟踪性能,但是保留了硬切换算法的固有缺点.交互式多模型算法由于采用模型混合,避免了硬切换算法存在的问题,但是非机动段的跟踪性能不如多分辨率多模型算法.所提出的新算法综合了两者的优点,不仅解决了多分辨率多模型算法中存在的问题,而且其综合滤波性能优于交互式多模型算法.      

基于ICP的稳态部分可辨编队目标精细跟踪算法

针对稳态编队在部分可辨条件下精细跟踪的难题,提出了一种基于迭代就近点(ICP)的稳态部分可辨编队精细跟踪算法。首先将ICP算法思想应用于编队成员拓扑的点航关联中,将k时刻的位置状态估计通过最近点循环迭代逼近k+1时刻的量测,在关联判决时采用双门限原则应对部分可辨所带来的漏观测问题,以提高关联时的容错性能;进而采用概率最近邻对漏观测航迹进行填补,以进一步保证跟踪的可靠性;最后,采用多模型法实现编队成员航迹滤波更新,以保证航迹的跟踪滤波精度。仿真结果表明,与现有的基于模版匹配的编队目标跟踪算法以及经典的多假设多目标跟踪算法相比,该算法具有较高的跟踪可靠性与精度,且在编队拓扑发生缓慢变化时具有更高的正确跟踪率。     

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。     

利用一次雷达实现低空空域的安全监视

介绍了一种低成本的低空空域雷达监视实验系统,并提出了一种基于雷达平面位置指示(PPI,Plane Position Indicator)图像的目标检测与跟踪算法,其中杂波抑制和目标状态估计是两项关键技术.经过背景差分的雷达PPI图像,仍然含有大量的背景边缘杂波,该算法利用其空域特性进行杂波抑制,并采用交互式多模型(IMM,Interactive Multiple Models)方法对目标的匀速、加速、减速、转弯等机动运动进行跟踪.详细分析了仿真数据的跟踪效果,并将整套算法应用于两组实测PPI图像,实验结果说明其有效性.