基于角速度估计自适应的IMM目标跟踪算法

为了解决目标强机动时目标跟踪算法模型集不匹配的问题,提出了一种基于角速度估计的自适应交互式多模型算法。通过对角速度的估计,在目标的不同运动模式下选取最优模型集,角速度估计精度高时,通过角速度估计值构造模型集,减小模型间竞争;角速度估计精度低时,采用标准IMM算法的模型集,提高模型集的覆盖范围,从而提高跟踪精度。仿真结果表明该方法能够明显提升目标跟踪性能,对强机动目标的跟踪效果尤其显著。     

基于模板匹配的集中式多传感器群内目标精细跟踪算法

为解决多传感器探测下群内目标精细跟踪的难题,基于非机动情况下各探测周期内群内目标真实回波位置相对固定的特性,提出了一种基于模板匹配的集中式多传感器群内目标精细跟踪算法。该算法通过预关联成功的群状态集合与群量测集合分别建立模板形状矩阵和待匹配形状矩阵,利用匹配搜索模型和匹配矩阵确认规则选出代价最小的匹配矩阵,并基于模板和对应的匹配矩阵利用 kalman滤波完成群内各目标航迹的状态更新。仿真表明,与传统多传感器多目标跟踪算法中性能优越的基于数据压缩的集中式多传感器多假设算法相比,该算法在跟踪精度、实时性、有效跟踪率方面的性能明显优越,能很好的满足群内目标精细跟踪的实际工程需求。     

一种混合的扩展目标跟踪方法

与传统的目标跟踪不同,扩展目标跟踪（EOT）不忽略目标的轮廓特征,同时对目标的质心运动学状态和轮廓特征进行估计。基于随机矩阵的扩展目标跟踪方法用随机正定矩阵来描述目标的轮廓特征,并且建立了适合扩展目标跟踪的量测模型。为了改善目标机动时的跟踪性能,根据椭圆（体）与正定矩阵的关系,提出基于椭圆（体）拟合的扩展目标跟踪方法。进一步地,为了综合上述两类方法的优点,提出一种混合的扩展目标跟踪方法,能够根据目标机动与否在两类方法中进行选择。仿真结果表明,该混合方法的轮廓特征估计误差低于前述两类方法,质心运动学状态的估计性能也更好。     

雷达低空目标俯仰角跟踪的C2算法研究

在单脉冲测角体制下,由于多径回波信号的干扰,极大地降低了雷达低空目标仰俯角跟踪精度,甚至丢失目标。通过对多路径反射环境模型分析,得出了岸、海基单脉冲雷达低空目标跟踪时仰俯角测量误差的产生原因,提出将传统的多目标分辨算法(C2算法)应用于低角多径环境下目标俯仰角的跟踪测量,并在不同多径反射环境下对不同高度、不同飞行速度和飞行方向的目标进行了仿真,得到良好的仿真结果,表明该算法可较大地提高俯仰角跟踪测量精度。通过对仿真结果的分析,验证了该算法在低空目标跟踪中的有效性和可行性。     

基于IMMKF算法的ADS-B监视应用目标跟踪

目标跟踪是机载广播式自动相关监视（ADS-B）应用的基础功能,对提升航空器周边的弱机动民航飞机目标跟踪性能具有重要意义。提出一种基于交互式多模型卡尔曼滤波（IMMKF）算法的ADS-B 监视应用目标跟踪方法。首先,针对弱机动背景下的民航飞机的飞行特点,建立包含匀速模型和标准协同转弯模型的运动模型集,并对模型进行线性化近似;然后,将模型预测和ADS-B 状态矢量量测数据作为IMMKF 算法中多个并行卡尔曼滤波器的输入,进行并行滤波;最后,计算得到目标状态矢量的估计和模型近似概率,并作为下一次迭代的输入。结果表明：相比于基于匀速模型的卡尔曼滤波目标跟踪方法,IMMKF 方法的位置跟踪误差降低了59%,速度跟踪误差降低了77%,显著提升了状态估计性能,具备较高的跟踪精度、稳健性与计算效率,在ADS-B 监视应用中具有实际应用价值与借鉴意义。     

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。     

基于人工神经网络的多模型目标跟踪算法

针对在目标跟踪中单模型跟踪算法难以应对目标运动形式的变化,而多模型跟踪算法存在结构固定、跟踪精度被非匹配模型削弱且模型切换缓慢的矛盾,文章提出了一种基于人工神经网络的多模型目标跟踪算法。通过分析目标几种基本运动模式的轨迹特点,归纳出目标运动轨迹的特征向量。利用训练好的BP神经网络对滑窗里的轨迹段进行运动模型识别,按结果进行跟踪模型切换,达到使跟踪算法实时适应目标运动状态的目的。仿真结果证明了该算法的有效性,且与传统的多模型算法相比,具有结构更加简单、更强的灵活性和拓展性的特点。     

机载火控雷达距离拖引目标的交互式多模型跟踪方法

针对机载火控雷达中可能出现的距离门拖引欺骗,给出了一种基于交互式多模型的目标跟踪方法。把该方法和常规的单目标跟踪方法进行了仿真比较。结果表明,该方法能充分利用欺骗回波测量,对释放距离拖引欺骗干扰的目标维持较稳定地跟踪,并能获得较高的目标跟踪精度。     

机动目标的多项式预测模型及其跟踪算法

根据匀变速运动的多项式描述形式,利用多项式预测滤波器对目标状态建模,提出了一种全新机动目标运动的动态模型——多项式预测模型,并针对这个全新的模型给出了相应的最优滤波算法。分析表明：该模型可以精确描述任意可以由多项式描述的目标运动,而不需要已知运动的具体参数,因此相应的最优滤波算法适用于任何可以用多项式描述的机动目标状态估计问题。一个机动目标跟踪问题的计算机仿真证明了本文方法的有效性和实用性。     

改进的MMPHD机动目标跟踪方法

基于序列蒙特卡罗方法的经典多模概率假设密度滤波方法及其各种衍生方法,在预测过程中依据多个并行的状态转移模型,通过将大量粒子散布到下一时刻目标所有可能出现的状态空间实现目标状态的捕获,造成计算量大、目标跟踪精度差。为此,提出一种改进的多模粒子概率假设密度机动目标跟踪方法。该方法利用最新量测信息估计目标运动模型概率及模型参数,并将估计得到的目标模型应用到粒子概率假设密度滤波方法的预测过程中生成预测粒子,从而将大部分粒子聚合在目标最可能出现的状态空间邻域中,实现粒子的有效利用。数值仿真表明,所提方法不仅显著地减少了目标丢失个数,而且提高了目标跟踪精度。     

混合高斯测量噪声下的多模型滤波

就带有混合高斯测量噪声的离散时间系统 ,提出了一种简化的多模型滤波。理论分析证明该滤波方法用较少的计算量得到了与交互多模型滤波相同的估计性能。为满足应用要求 ,给出了该滤波器的数值鲁棒实现方法。一个关于仅有方位测量的制导例子验证了该滤波算法的有效性。     

ADAPTIVE MULTIPLE MODEL FILTER USING IMM AND STF

Consider a discrete- time stochastic hybridsystem　 x( k 1 ) =f( k, ( k) ,x( k) ,m( k 1 ) ) ζ( k,m( k 1 ) ) q( k) ( 1 )　 z( k 1 ) =h( k 1 ,x( k 1 ) ,m( k 1 ) ) v( k 1 ,m( k 1 ) ) ( 2 )where state x∈ Rn;measurement z∈ Rm;input∈ Rp;modeling noise q( k)∈ Rqis a zero- mean,Gaussian white noise with covariance Q( k) ;measurement noise v( k 1 )∈ Rm is also a zero-mean,Gaussian white noise with covariance R( k 1 ) ;q( k) and v( k) are statistically indepen-dent. Th…     

联合交互式多模型概率数据关联算法

通过对交互式多模型（IMM）算法和概率数据关联（PDA）算法的研究,指出Bar-Shalom和Blom等提出的IMMPDA算法结构和理论上存在的问题。根据全局最优的思想,设计了一个最优波门,从而得到全局最优的量测集合,保证了系统的理论完整性和结构合理性。推导完成了新的联合IMMPDA算法--C-IMMP-DA算法。大量仿真计算验证了C-IMMPDA算法在减少计算量的同时,总体性能上较之原IMMPDA算法有大幅度提高。     

高超声速滑翔再入飞行器弹道估计的自适应卡尔曼滤波

采用传统状态增广法对高超声速滑翔再入飞行器(HGRV)进行弹道估计,存在模型简化误差过大和过程噪声方差难以构造的问题.依据目标运动特性和模型简化误差定量分析结果,状态方程改进为采用圆形地球模型和拟合大气模型并考虑哥氏力.采用一阶Markov过程描述气动力参数,将过程噪声方差构造为气动力参数方差和机动时间常数的函数,时变气动力参数方差采用“渐消记忆”的统计估计法由气动力参数估计值序列统计获得,而存在跳变的机动时间常数则作为运动模式采用变结构交互多模型法与运动状态一起估计.仿真结果表明,所提算法对位置、速度和气动力参数的估计精度优于传统算法,具有较好的工程实用性、鲁棒性和效费比.     

简化概率数据关联算法

基于所有落入目标关联域内的点迹并不都与目标关联的事实,提出了一种新颖的工程概率数据实用算法--基于聚矩阵分解的概率数据关联算法。仿真结果表明该算法具有计算量小,关联性能好等优点。     

基于均值漂移无味粒子滤波的地面运动目标变结构交互多模型跟踪(英文)

为了跟踪地面运动目标,本文提出在变结构交互多模型基础上使用均值漂移无味粒子滤波的算法。模型滤波中,通过均值漂移将无味粒子滤波产生的采样粒子向目标状态最大后验密度估计方向移动。\"停止\"模型基础上,提出了\"遮蔽\"模型:出现地形遮蔽时,使用上一时刻的预测代替下一时刻的测量,且保持道路模型与遮蔽前一致。仿真实验采用地面运动目标指示雷达,考虑地面运动目标的三种常见场景:进入或离开道路、经过道路交叉点以及无测量值。使用了RMSE和ANEES两种评价指标,实验结果表明本文算法有效地提高了目标改变行驶道路时的跟踪精度;且目标速度过低或被遮蔽时,可以避免轨迹中断。     

引入UPF的交互式多模型的算法

融合交互式多模型和UPF（the unscented particle filter）,提出了一种新的多模型滤波算法。多模型结构能适应目标高度机动,粒子滤波能处理非线性、非高斯问题,而UKF（the unscented Kalman filte,）可以提高估计精度。与其它交互式多模型算法进行了比较,试验仿真结果证实了新滤波算法的有效性。