基于UKF的交互多模型算法

为了提高交互多模型算法的滤波精度,提出了基于无迹卡尔曼滤(UKF)的交互多模型算法(IMM-UKF).该算法融合了交互多模型算法对不同目标机动模式的自适应能力和UKF滤波精度高的优点.通过对机动目标跟踪的应用仿真,将该算法和基于扩展卡尔曼滤波(EKF)的交互多模型算法(IMM-EKF)进行了比较,仿真结果表明了IMM-UKF具有较好的跟踪性能,减小了机动目标跟踪的均方根误差.     

基于IMM的UK-GMPHDF算法在多机动目标跟踪中的应用

为解决非线性系统滤波的非线性和多机动目标跟踪问题,提出了一种基于交互多模型(IMM)的无迹卡尔曼实现的高斯混合概率假设密度滤波(UK-GMPHDF)算法.该算法结合了IMM算法对不同目标机动模型的自适应能力和UK-GMPHD滤波精度高、计算量小的优点.此外,滤波器利用UK-GMPHD滤波,不仅避免了难以解决的数据关联问题,而且可以联合估计目标数和目标状态.在非线性系统和杂波环境下,通过对多机动目标跟踪的应用仿真,将该算法和基于单模型的UK-GMPHDF算法进行了比较,仿真结果表明了基于IMM的UK-GMPHDF算法具有较好的跟踪性能,大大提高了多机动目标跟踪精度,减少了跟踪的多目标误差.     

基于新最速下降法的目标跟踪算法

雷达目标跟踪滤波算法是雷达信号处理的重要组成部分, 在空防预警、战场监视、导弹制导等领域起着重要的作用。本文提出了基于一种新最速下降法的目标跟踪算法。首先建立一种基于改进多项式拟合模型的运动描述模型, 接着用一种新最速下降法来求解运动模型的最优参数, 通过实时的最优运动模型对运动目标航迹进行预测跟踪, 并采用正则化思想去除噪声影响。将本文算法与目前常用的交互多模型跟踪滤波算法进行对比, 仿真结果表明在目标机动和非机动的情况下, 本文算法的精度更高、计算量更小、实时性更好。     

分布式干扰下组网雷达目标检测与跟踪技术

针对分布式干扰下组网雷达目标检测与跟踪,提出一种基于分布式干扰下雷达量测模型的跟踪技术。该跟踪技术包括分布式干扰下量测模型和组网雷达序贯滤波跟踪两部分,分布式干扰下量测模型根据雷达采取抗干扰措施前后的接收机输入端的信干比分别计算检测概率,进而模拟传感器在分布式干扰下对目标的检测情况。在组网雷达序贯滤波中,首先对分布式干扰下各雷达的量测数据进行串行合并和点迹合成,然后采用基于交互多模型的序贯滤波方法对压缩后的数据进行跟踪。该检测与跟踪技术可模拟出雷达在分布式干扰下因检测概率下降造成的目标暂消现象,提高组网雷达跟踪航迹的连续性和稳定性。仿真结果证明了该技术的可行性和有效性。     

基于VSMM的GMCPHD滤波算法在多机动目标跟踪的应用

针对交互多模型(interacting multiple model, IMM)在多机动目标跟踪算法中存在的缺陷以及目标跟踪精度问题,提出了基于变结构多模型（variable structure multiple model, VSMM）的高斯混合基数概率假设密度（Gaussian mixture cardinalized probability hypothesis density, GMCPHD）滤波算法。该算法利用了VSMM具有自适应性、时变性的特点,达到了在某一时刻能够选取与目标运动模式相匹配的模型集合的目的,相比于IMM考虑的仅是固定的模式集合具有很强的优越性。此外,GMCPHD滤波算法不仅避免了数据关联问题,而且通过高斯分布递推PHD函数的同时递推基数分布。最后,利用雷达作为传感器,对跟踪机动目标进行仿真,证明VSMM相比于IMM对于多机动目标跟踪更具有优越性,同时验证了VSMM GMCPHD滤波算法具有提高机动目标跟踪精度,减小跟踪误差的作用。     

弹道式再入目标跟踪方法对比分析

地基雷达对弹道式再入目标进行滤波跟踪时主要存在两个导致滤波误差增大的不确定因素,一是弹道系数未知,二是不可准确确定过程噪声协方差矩阵。为此,采用交互式多模型无敏滤波（iterative multiple model unscented filter, IMM UF）算法对弹道式再入目标进行跟踪,选取不同的弹道系数初值和过程噪声协方差矩阵构成合适的模型集合进行了仿真分析,并将其滤波结果与扩展卡尔曼滤波（extended Kalman filter, EKF）和无敏滤波（unscented filter, UF）的滤波结果进行了对比分析,同时还分析比较了IMM UF和自治多模型（autonomous multiple model, AMM）UF算法的跟踪滤波性能。从仿真结果可以看出,采用的IMM UF算法和相应的模型集合可以在先验信息缺少的情况实现对弹道式再入目标更高精度的跟踪。     

基于状态解耦的两坐标外源雷达3D目标跟踪

考虑利用两部两坐标外源雷达对高度近似恒定的目标进行三维跟踪。结合外源雷达自身的特点，提出了一种将目标高度与水平状态(水平位置、速度等)进行解耦估计的方法，通过两个并行估计器来实现对三维目标的跟踪。在高度估计器中，将目标高度区间划分为多个高度子区间，然后利用量测值递推计算目标在各个高度子区间的权重，最后通过加权融合各个高度子区间的方式估计目标高度；在水平面的状态估计器中，进一步考虑了目标在水平面机动的场景，利用交互式多模型扩展卡尔曼滤波器，并结合目标高度的估计值，更新目标的水平状态。仿真与实验结果显示，利用两部两坐标外源雷达可以实现对高度近似恒定目标的精确三维跟踪，为水平机动的目标提供精度在200 m以内的高度估计，并消除了二维跟踪情况下因未考虑目标高度而引起的误差。     

一种模糊自适应交互多模型算法

提出了一种模糊自适应交互多模型（FAIMM）算法。该算法通过模糊推理机制，在线调节模型集合中部分模型的参数，使这些模型对不同的目标机动模式有更强的自适应能力，从而使该算法可以采用较少的模型达到很好的跟踪滤波效果，而且避免了传统交互多模型算法的模型冲突问题，大大减少了计算量。最后将该算法与传统的交互多模型算法进行了仿真对比，仿真结果表明，FAIMM算法比传统的交互多模型算法有更好的跟踪性能。     

基于目标机动模式识别的VSMM算法

针对定结构多模型在高机动目标跟踪算法中存在计算量大、计算时间长、难以满足系统实时性等问题,提出了基于目标机动模式识别的变结构多模型算法。该算法能够选取与目标运动状态相匹配的模型集合,具有时变性、自适应性的优点。通过运用少量的运动模型组成一个模型组,然后不同的运动模型组合形成不同的模型组,以模型组代替原先定结构模型中的多模型,根据跟踪检测到的目标运动模式来选择是否更换模型组,从而用少量运算得到较为精确的次优解。仿真结果表明,该算法在跟踪强机动目标中不但能够有效降低计算量,而且可以使模型集合和目标的运动状态更好地匹配,从而提高目标跟踪精度。     

基于UT变换的机动辐射源单站被动跟踪IMM算法

针对机动辐射源的单站被动跟踪初始估计误差大,可观测性弱,并且可以得到观测量有限的问题,提出了一种利用多普勒频率变化率和角度对机动辐射源进行跟踪的UKF-IMM算法。将其和传统推广卡尔曼滤波交互多模型(EKF-IMM)方法进行了仿真比较,结果表明,UKF-IMM方法增强了EKF-IMM的滤波稳定性,提高了滤波收敛速度和跟踪精度。