基于视线角速率的最优增量制导技术研究

提出一种基于视线角速率最优的制导方案。方案从最优控制的性能指标函数出发,通过求解一个Riccati方程和相关约束条件,并对系统进行一系列的相关的理想化的假设,得到系统的一般形式的制导指令。同时,为了避免制导指令在正负之间的频繁切换,根据偏置比例制导的原理,在制导指令中引入一个制导指令的增量,来减轻这一问题,并与传统的比例制导进行比较。仿真结果表明,这种制导方法相对于比例制导律而言,精度较高,性能优良,具有一定工程参考意义。     

考虑非高斯相关噪声的视线角速率提取算法

针对捷联导引头敏感信息存在非高斯噪声且状态噪声与观测噪声相关的问题,提出了修正球面坐标系下带有相关噪声解耦的扩展椭球集员滤波（ESMF）算法。首先,通过对弹目相对距离及其变化率的规范化处理,得到修正球面坐标系下的视线角速率提取模型;然后,利用相关噪声解耦方法去除观测方程中耦合的状态噪声项,基于泰勒级数展开推导了相关噪声解耦后的模型线性化表达式,得到包含线性化误差的虚拟噪声椭球集合,并根据最小迹和最小化尺度因子上界的优化方法得到状态更新与观测更新椭球,形成非高斯相关噪声解耦的扩展椭球集员滤波算法。仿真结果表明,所提算法能够在考虑非高斯相关噪声的情况下,实现捷联导引头视线角速率的高精度提取。     

基于STF的Jerk模型自适应机动目标跟踪算法

在Jerk模型的基础上,提出了一种新的机动目标自适应跟踪算法STF-Jerk。该算法通过引入强跟踪滤波器(STF)的渐消因子,实时调节滤波器增益,增强了系统对突发机动的自适应跟踪能力,从而很好地改善了Jerk模型在跟踪机动目标时的跟踪精度。仿真结果表明,提出的STF-Jerk自适应跟踪算法显著提高了Jerk模型自适应算法的机动目标跟踪性能。     

基于星敏感器的卫星姿态估计方法研究

以星敏感器姿态信息作为测量数据,结合卫星姿态动力学方程组,采用增广卡尔曼滤波方法对无陀螺卫星姿态进行估计。研究发现,干扰力矩的变化会降低卫星姿态估计结果的精度,为此提出两种改进的姿态估计算法:增广自适应卡尔曼滤波方法和增广强跟踪卡尔曼滤波方法;仿真表明,两种算法都能很好地克服干扰力矩变化导致的精度下降现象。     

图像序列中机动目标三维运动和结构的计算

综合视觉运动分析中的2类处理方法,选取图像中的角点作为特征点,在理论上证明了图像序列的光流场可以近似地用角点的位移场代替。利用已有文献中的建模思想,详细推导出递归计算机动目标三维运动和结构的非线性计算模型,采用广义卡尔曼滤波(EKF)递归地计算图像序列中机动目标的三维运动和结构。合成图像序列和真实图像序列实验结果表明该算法能取得较好的效果。     

速率转台的角速率不确定度评定方法

利用不确定度的理论来评定速率转台的角速率不确定度。     

图象序列中机动目标的形心跟踪

从边检测边跟踪的角度探讨了图象序列中机动目标的形心跟踪问题,深入分析了强高斯噪声背景下目标形心估计的统计性质及用于形心估计的图象预处理方法。指出经典的图象二值化变换分割后作形心估计的方法面临着估计偏差和方差的矛盾,提出了用自适应交互三模型(ATIMM)跟踪图象序列中机动目标的方法,同时发现在了解目标形状的条件下,空间匹配滤波,二值变换点集聚类和 ATIMM三者的结合对图象序列中的机动目标具有最好的跟踪性能。     

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。     

利用跟踪-微分器构造机动目标估计模型

在分析目标运动特点的基础上,提出了一种新的基于跟踪-微分器的机动目标估计模型。该估计模型与卡尔曼滤波算法相结合,能够在动态过程完全未知的情况下估计出目标运动参数,且估计模型简单,物理意义明确,能够适应于目标的各种机动行为模式。仿真结果表明,具有跟踪-微分器结构的估计模型不但具有很强的适应性,而且能够获得满意的估计精度。     

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。     

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。     

基于辅助粒子滤波的机动目标跟踪研究

针对机动目标跟踪巾扩展卡尔曼算法（EKF）收敛速度慢、跟踪精度低的问题,基于粒子滤波（PF）和辅助粒子滤波（APF）的基本思想,结合目标先验信息将速度约束条件加入到跟踪过程巾,对辅助粒子滤波算法进行了仿真分析,与扩展卡尔曼进行仿真对比,分析了跟踪性能和误差。仿真结果表明,对机动目标跟踪问题,辅助粒子滤波不仅解决了扩展卡尔曼线性化困难难题,与EKF相比还具有收敛速度快,跟踪精度高的优点。     

Maneuvering Target Tracking in Dense Clutter Based on Particle Filtering

An improved particle filtering(IPF) is presented to perform maneuvering target tracking in dense clutter.The proposed filter uses several efficient variance reduction methods to combat particle degeneracy,low mode prior probabilities and measure-ment-origin uncertainty.Within the framework of a hybrid state estimation,each particle samples a discrete mode from its poste-rior distribution and the continuous state variables are approximated by a multivariate Gaussian mixture that is updated by an unscented Ka...     

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…     

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。     

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。     

利用Singer模型的无陀螺姿态和角速度估计

 给出了一种利用Singer跟踪模型的扩展卡尔曼滤波器 (ExtendedKalmanFilter) ,用于无陀螺姿态和姿态角速度估计。在滤波器中 ,姿态和姿态误差分别由姿态四元数和误差四元数表示 ,而姿态角加速度由一阶Markov过程描述 ,从而避免采用姿态动力学模型。利用数值仿真计算验证了滤波器的性能。在所有的仿真过程 ,滤波器显示出快速收敛能力。稳态估计误差主要由测量更新频率和精度决定。     

双星编队对空间非合作目标的仅测角跟踪方法

针对单星仅测角对目标跟踪误差较大和不良测量条件下跟踪精度下降的问题,提出利用编队卫星对非合作目标进行联合跟踪的方法。采用考虑地球非球形J2引力摄动的轨道动力学模型,建立多视线测量模型,融合编队卫星对目标的观测数据。然后,基于新息设计增益调节矩阵提高滤波器在测量故障条件下的鲁棒性。最后,建立仿真模型进行验证。仿真结果表明,相比单星跟踪,该方法的位置误差和速度误差分别减少了27.06%和26.96%。在系统存在异常量测时,相比常规滤波,该方法也具有更高的精确性和更好的鲁棒性。     

高超声速滑翔目标自适应跟踪方法

针对机动模式复杂多变的高超声速滑翔目标跟踪问题,提出了一种机动频率自适应跟踪方法。采用介于常速度和常加速度模型之间的Singer模型来表征目标气动力加速度的变化,从而建立跟踪系统的状态方程。根据地基雷达量测量获得系统的量测方程,鉴于距离和角度信息的量级相差较大将其由球形量测量转换为位置量测量。为了适应高超声速滑翔目标灵活多样的机动模式,基于正交性原理和无迹卡尔曼滤波算法实现了Singer模型中机动频率参数的自适应。利用滤波信息计算得到能够反映状态模型误差大小的调整因子,用于放大Singer模型中的机动频率,进而调整状态方程的过程噪声以降低模型误差。通过对2种典型机动轨迹的跟踪仿真,并与交互式多模型等方法进行比较,结果表明所提方法的跟踪精度高、计算量小,能够较好地适应阶跃机动和连续幅值变化的机动。