共查询到19条相似文献,搜索用时 140 毫秒
1.
基于Cramér-Rao下限的多传感器跟踪资源协同分配 总被引:1,自引:0,他引:1
针对防空指挥控制系统中多传感器管理问题,提出了一种基于目标跟踪精度Cramér-Rao下限的多传感器跟踪资源协同分配方法。该方法首先利用目标战术重要性函数求解目标优先级;然后在目标优先级函数和目标—传感器配对效能函数的基础上,构造了多传感器资源协同分配一般模型,并根据目标跟踪过程特点将Cramér-Rao下限引入到协同分配的模型中,使得在进行跟踪资源协同分配时无需考虑目标跟踪滤波算法的选择。对于分配过程中出现的NP(Non-deterministic polynomial)难问题,探讨了利用匈牙利算法寻求满足条件的目标传感器最优组合,给出了模型求解的步骤。仿真结果表明,这种多传感器跟踪资源协同分配方法的可行性与模型求解的快速性。 相似文献
2.
3.
4.
在多传感器环境下,每个传感器探测多个目标,接着产生相应的跟踪。这些跟踪可能互不相同,经过融合后,传感器生成有关目标的更精确的运动信息和属性信息。目前已有两种方法可以达到上述目的,一种是测量值融合法,一种是状态矢量融合法。众所周知,测量值融合计算法通常最优,但计算费时,而状态矢量融合算法计算省力却是次优。之所以如此,是因为从两个传感器中获得的待融合状态级估值,由于通常存在被跟踪目标的过程噪声,通常并非条件独立。值得注意的是,状态矢量融合已有三种计算法:加权协方差法、信息矩阵法和伪测量法。本文仅限于讨论状态矢量融合中信息矩阵形式的性能评估。利用信息矩阵计算法已经推导出稳态融合协方差的闭式分析解并作为一种性能的度量方法。注意,推导出的结果基于两个传感器同步工作且没有误关联的假设,或是在研究时考虑了融合测量值。并且我们将推导出的结果用蒙特卡罗仿真进行了比较,过去曾有许多作者利用蒙特卡罗仿真来预测融合系统的性能。这些结果有助于更加深入地了解跟踪融合的作用原理,并大大简化了对融合性能的评估。此外,有了这样的解,简化了对各种不同工作条件下设计融合系统的折衷研究。 相似文献
5.
6.
在被动方式下对目标进行跟踪 ,由于系统的可观性较弱 ,很容易引起状态误差协方差矩阵的过早跳变而导致系统发散。为此 ,本文研究了一种新的卡尔曼滤波算法 -自适应协方差矩阵旋转变换卡尔曼滤波算法 ,并将其应用于水面目标被动跟踪。由于该算法的协方差更新采用状态滤波值计算雅可比矩阵 ,因而具有更好的一致性。仿真结果表明 ,该算法可以克服观测模型线性化误差带来的不良影响 ,改善由于观测噪声的统计特性不能精确已知而导致的滤波不稳定问题 ,具有良好的鲁棒性、快速性和精确性。 相似文献
7.
定义目标航天器图像形心与像平面中心为跟踪误差,并将该像平面误差直接引入跟踪控制闭环,提出一种增益切换的目标航天器跟踪PD控制律,在由推力器开关控制特性定义开关函数的基础上,给出PD控制器增益切换策略。由于直接使用目标航天器在像平面中的视觉特征误差量,避免了视觉相机内参数标定和目标航天器位姿信息求解等过程,简化了服务航天器的系统配置,同时控制器增益切换实现对测量误差、推力器偏差、转动惯量偏差以及干扰力矩等多种不确定性因素进行补偿,提高了跟踪控制系统稳定性及抗干扰性能。最后,基于Lyapunov稳定性理论给出控制器参数估算方法,并理论分析了增益切换PD控制律的收敛性,数学仿真表明该控制律能够对复杂机动目标以及考虑多种不确定性因素等情况进行快速跟踪,校验了视觉跟踪控制策略的有效性及对多类型不确定性的鲁棒性。 相似文献
8.
在跟踪系统中 ,利用目标单轴向运动加速度的非零均值相关模型可以构造目标的运动学方程 ,用接收机角误差信号和天线座测角传感器信号重构目标位置量测的方法 ,可以组成目标运动的量测方程 ,从而构造关于目标位置、速度、加速度的状态估计器。利用目标机动加速度的当前统计模型 ,则实现了该估计器加速度的均值和方差的自适应滤波估计运算。针对状态方程为上三角阵的特点 ,采用一次一个量测的处理方法 ,对误差协方差阵的传播和更新实现全上三角矩阵因子分解 ,保证了估计器实时运算的数字稳定性。上述技术的综合应用 ,用卡尔曼估计器实现了单轴角跟踪系统的前馈复合控制 相似文献
9.
针对存在传感器偏差的多传感器组网系统跟踪机动目标的问题,把目标状态与传感器偏差进行解耦估计,提出了一种基于交互多模型的两阶段扩展Kalman滤波(IMM-TSEKF)算法。由于传感器观测方程的非线性,文中采用了两阶段扩展Kalman滤波器(TSEKF),针对机动目标,把IMM算法与TSEKF算法相结合用于目标跟踪与空间配准。此外还对算法的时间复杂度进行了分析,并以螺旋机动战术弹道导弹为目标进行组网空间配准与目标跟踪。仿真结果表明,相比于常规的基于交互多模型的增广Kalman滤波(IMM-ASEKF)算法,该文算法在估计性能相当的情况下,减小了计算的复杂度,提高了计算效率,更易于工程实现。 相似文献
10.
为了解决无源传感器机动目标跟踪系统非线性较强、传统的跟踪滤波方法不稳定容易发散的缺陷,提出了一种带渐消因子的QKF(FQKF)算法。该算法通过引入时变渐消因子来实时调整状态预测误差协方差阵、量测预测误差协方差阵及状态预测误差和量测预测误差之间的互协方差阵,利用公式推导得出渐消因子实际上是对状态传播积分点和量测传播积分点进行渐消,进而达到实时调整滤波器增益矩阵的目的。并通过算法的机理分析和仿真实验表明FQKF算法具有强跟踪滤波器(STF)的优良性能,能够克服QKF算法的缺陷,对于无源传感器机动目标跟踪中系统的突变状态具有较强的跟踪能力,较QKF算法稳定性有所提高,并且计算量适中。 相似文献
11.
多传感器目标跟踪的实时剔野方法 总被引:8,自引:0,他引:8
考虑了目标跟踪和航天测控中测量数据的实时剔野问题,测量数据集合中严重偏离大部分数据所呈现趋势的小部分数据点被称为野值点,野值的剔除对提高目标跟踪精度有十分重要的意义,己有的剔野方法从工程应用角度看,存在不适宜成串出现的野值。需要人工干顾、计算量大,不适宜在线快速处理等缺点,多传感器目标跟踪系统可以通过合理利用传感器的互补与冗余信息来能提高系统的目标跟踪性能,本文在多传感器目标跟踪条件下,综合利用多传感器数据形成的对目标状态参数的正确描述和测量数据集合主体的变化趋势,给出了实时、准确、高效地识别测量数据中野值点的方法。仿真结果表明利用多传感器目标跟踪中航迹融合的分布式融合方法,可以快速、有效地解决野值斑点剔除问题。 相似文献
12.
13.
无线传感器网络空中目标跟踪任务分配技术的研究 总被引:1,自引:0,他引:1
以无线传感器网络对空中飞行目标跟踪为背景,针对无线传感器网络协同技术中的任务分配问题,以降低传感器节点之间的通信能量消耗为目的,提出了一种基于弹性神经网络的任务分配算法。首先对多动态联盟多目标跟踪问题进行建模,然后依据最小能量准则,采用一种非全连接的环形结构的弹性神经网络模型,解决了多目标跟踪时的任务优化分配问题以及多个动态联盟对传感器资源竞争冲突时系统能耗增加的问题。仿真结果表明,该算法与传统的方法相比,大大降低了跟踪系统的能量消耗。 相似文献
14.
针对光学传感器像平面多目标跟踪应用,基于有限集统计学理论(Finite Set Statistics, FISST)提出一种利用信号幅度信息的高斯混合概率假设密度(Gaussian Mixture-Probability Hypothesis Density, GM-PHD)滤波算法。该算法通过建立信号幅度似然函数将幅度信息引入到PHD的递推公式中,首先根据光学传感器的特点对输出的信号幅度进行建模,然后分别计算来源于目标和杂波的信号幅度似然函数,在目标信噪比未知的情况下给出一种替代计算方法,最后采用高斯混合方式实现该算法。仿真结果表明,本文提出的算法相比仅利用量测位置信息的PHD滤波器能够显著提高多目标跟踪性能和计算效率,而且在目标信噪比未知时同样具有稳定的性能。 相似文献
15.
针对舵机加载系统中存在未建模部分、时变、非线性等因素,设计了鲁棒力矩渐近跟踪控制器。分析了系统结构,并建立系统简化模型。为了抑制舵机运动扰动对加载系统的影响,提高系统跟踪性能,将舵机运动作为外干扰进行处理。根据系统输入信号的特点,基于内模原理,分别利用系统的传递函数和状态空间模型设计鲁棒渐近跟踪与干扰抑制控制器。针对期望极点难以选取的问题,利用最优化方法设计系统控制律,并引入期望衰减度调节系统力矩跟踪和扰动抑制性能。仿真结果表明,所设计的控制器能使系统获得较理想的跟踪性能,基于状态空间的最优化方法方便了系统设计。 相似文献
16.
在矢量观测的基础上,针对单独的星敏感器定姿,提出了一种将粒子滤波(PF)和预测滤波相结合的姿态确定算法,通过设计粒子初始化,结合重要性采样、重采样和规则化等手段,成功地将姿态四元数作为状态粒子进行更新和传递,避免了状态方程的线性化和协方差矩阵的计算;利用预测滤波算法估计模型误差和姿态角速度,在保证滤波精度的同时,有效降低了粒子滤波器的维数.实验在某对地观测通用小卫星平台上进行,选取卫星自由飞行状态和飞轮控制对地稳定模式,分别对滤波器进行了仿真,实验结果验证了该算法对本质非线性、非高斯的卫星姿态估计问题具有快速的收敛性能和良好的稳定精度.该方法还为粒子滤波器的设计和无角速度敏感器测量的飞行器姿态确定提供了借鉴. 相似文献
17.
18.
19.
针对临近空间高超声速再入滑翔目标的跟踪问题,提出了一种基于回顾成本输入估计的无偏转换量测卡尔曼滤波(Retrospective cost input estimation-unbiased converted measurements Kalman filter, RCIE-UCMKF)。首先,根据再入滑翔目标的飞行特性,将加速度看成是未知的确定输入构建运动学跟踪模型;然后,对目标的非线性量测信息进行无偏转换,并将得到的噪声协方差矩阵进行解耦,降低算法的复杂度;最后,利用回顾成本的输入估计对未知加速度进行重构,采用递推最小二乘法更新输入估计器的参数矩阵,同时将估计的加速度引入到卡尔曼滤波框架下,实现对高超声速再入滑翔目标状态的准确估计。仿真结果表明了该算法的有效性和可行性。 相似文献