基于当前统计模型的机动目标自适应强跟踪算法

在当前统计模型卡尔曼滤波算法的基础上,结合升半正态形模糊分布函数特性,提出了一种加速度方差两段函数自适应调整方法,该方法能自适应逼近目标真实机动并进行准确跟踪。给出了最大加速度自调整方法,克服了模型对目标最大加速度的依赖。引入强跟踪滤波算法,增强了模型对突发机动自适应跟踪的能力。理论分析和仿真结果表明,该算法提高了机动模型和系统模式的匹配程度,增强了系统对强机动目标的跟踪能力,并保持对弱机动和非机动目标良好的跟踪性能,且具有运算量小、跟踪精度高、易于工程化实现等优点。     

基于强跟踪滤波器的自适应常加速模型及跟踪算法

建立目标机动模型是传感器目标跟踪数据处理中的一个重要环节.为了克服"当前"统计模型对非机动目标和常加速模型对机动目标跟踪性能较差的缺陷,通过对"当前"统计(CS)模型的分析研究,在常加速(CA)模型的基础上提出了一种基于强跟踪滤波器的自适应常加速模型及跟踪算法(ACA-STF).该算法利用速度预测估计与实时速度估计间的偏差进行自适应方差调整,并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,从而提高了跟踪精度,增强了系统对突发机动的自适应跟踪能力.理论分析和仿真结果表明对于非机动和机动目标,该算法比"当前"统计模型算法具有更高的跟踪精度.     

自适应CS模型的强跟踪平方根容积卡尔曼滤波算法

对于目标跟踪过程中的强机动问题,基于当前统计(current statistical, CS)模型和改进的强跟踪平方根容积卡尔曼滤波器(square root cubature Kalman filter, SCKF),提出新的跟踪算法。在CS模型和改进输入估计算法的基础上,引入加加速度估计,使得状态过程噪声与状态协方差矩阵相联系,实现模型的自适应调整。从正交性原理出发,重新确定了渐消因子的引入位置,并提出了新的渐消因子计算形式,以克服传统渐消因子在雷达量测坐标系中的失效问题,从而构造强跟踪平方根容积卡尔曼滤波器。另外,构造强机动检测函数,利用SCKF的输出来调整自适应CS模型中的机动频率。仿真结果表明,相比基于CS模型的多重渐消因子强跟踪SCKF算法、改进CS模型的强跟踪SCKF(SCKF STF)算法和交互式多模型(interacting multiple model, IMM)SCKF算法,所提算法具有更佳的目标机动适应性和跟踪精度;相比于IMM SCKF算法,实时性有明显改善。     

基于自适应CS模型的IMM算法

目标运动状态的改变将导致目标跟踪算法精度降低或发散。为了提高机动目标跟踪的跟踪性能,首先,针对当前统计(current statistical, CS)模型中最大加速度固定设置导致模型误差增大的问题,提出了一种自适应CS模型;在自适应CS模型和交互式多模型(interacting multiple model, IMM)的基础上,提出了一种交互式多自适应模型(interacting multiple adaptive model, IMAM),该模型通过采用两个自适应CS模型,能够有效消除目标状态突变造成模型误差急速增大的问题,提高了模型的准确度和适应性。其次,在IMAM的基础上,结合修正卡尔曼滤波(amendatory Kalman filter, AKF)的思想,提出了IMAM-AKF算法,该算法通过修正最终的状态融合估计值,有效地降低了目标机动造成的模型误差,进一步提高了机动目标跟踪的性能。最后,结合自适应渐消卡尔曼滤波(adaptive fading Kalman filter, AFKF)的思想,提出了IMAM-AFAKF算法。仿真结果表明,无论是强机动还是弱机动,IMAM-AFAKF算法都具有较好的跟踪性能。     

改进的强跟踪飞机舵面快速故障诊断方法

针对多模型自适应估计(multiple model adaptive estimation, MMAE)方法适应突变故障能力差、多重渐消因子强跟踪算法滤波发散、故障条件概率计算量大等问题,提出一种改进的多重渐消因子强跟踪多模型自适应估计(strong tracking multiple model adaptive estimation, STMMAE)快速故障诊断方法。通过多重渐消因子提高了故障突变时滤波器的跟踪性能;通过改进一步预测协方差阵更新方程,保证了滤波器稳定性,提高了估计精度;采用基于欧几里得范数的飞机舵面故障概率快速计算方法,降低了故障概率计算量。对比仿真表明,该算法跟踪性强、速度快、精度高,具有较好的鲁棒性和稳定性。     

基于修正的自适应平方根容积卡尔曼滤波算法

目标建模不确定性会造成滤波算法性能下降, 通过构建强跟踪滤波器(strong tracking filter, STF)可以提升滤波算法的自适应性, 但是构建STF时存在理论推导复杂、求解计算量大等局限和不足, 针对上述问题, 在平方根容积卡尔曼滤波(square-root cubature Kalman filter, SRCKF)的基础上, 提出一种基于修正的自适应SRCKF算法。该算法通过设置判定门限和修正准则, 直接对状态预测值或滤波增益进行修正以平衡先验的预测值和后验反馈的量测值在滤波中所占的比重, 进而减小状态估计误差。仿真结果表明, 所提算法具有在目标状态突变和量测非线性时的良好滤波性能和数值稳定性, 同时相比较需要计算渐消因子的STF算法, 该算法在计算量和收敛速度上具有优势。     

基于时频差的高阶强跟踪UKF算法

针对传统无迹卡尔曼滤波(unscented Kalman filter, UKF)在系统状态发生突变时估计精度下降的问题,将改进的强跟踪滤波算法与基于高斯概率密度高阶导的无迹卡尔曼滤波算法(high order probability density derivative, HUKF)相结合,提出了高阶强跟踪无迹卡尔曼滤波方法(high order strong tracking UKF, HSUKF)。该算法采用高斯概率密度函数高阶导数的极值作为Sigma样点进行无迹转换,通过样本点捕捉更高阶的中心矩来提高非线性变换近似精度。将改进的强跟踪滤波算法引入到HUKF中,通过渐消因子修正预测新息协方差和预测互协方差矩阵,强迫新息正交,在不增加计算复杂度的前提下提高了算法在状态发生突变时的适应能力。将本文算法应用于时差频差的无源跟踪中,通过对目标状态发生突变的跟踪问题进行数值仿真和实例论证表明HSUKF算法兼具了计算复杂度低和估计精度高的特性,且在系统状态发生突变的情况下表现出良好的滤波性能。     

基于修正卡尔曼滤波的目标跟踪

分析了卡尔曼滤波算法在目标状态发生突变和运动模型建立不准确时估计精度降低,甚至发散的原因,对比自适应渐消卡尔曼滤波算法,提出了一种通过直接修正预测值来提高卡尔曼滤波算法精度、改善算法性能的修正算法。修正的算法通过设置判定准则和修正准则,实时修正预测值,在滤波初始阶段可迅速降低估计误差、提高稳态时的滤波精度、缩短收敛时间;当目标发生状态突变时,可消除或降低由于目标状态突变造成的滤波跟踪精度下降、滤波发散的问题;当目标运动建模不准确时,可消除或降低由于建模不准确带来的模型误差。仿真实例说明了算法的有效性和较强的实际应用指导意义。     

一种新的自适应机动目标跟踪算法

在＂当前＂统计（CS）模型基础上,提出了一种新的机动目标自适应滤波算法,当前统计模型-修正强跟踪滤波（CS-MSTF）算法。新算法在保留＂当前＂统计模型及强跟踪滤波器（STF）对一般机动目标跟踪精度高的优点的同时,作出以下改进：针对强跟踪滤波器在机动部分获得完美性能的同时,非机动部分的精度却不理想的缺陷,对预测误差协方差及渐消因子的计算作出修正,同时改进机动部分和非机动部分的精度;将目前常用的估计误差协方差的计算公式采用更加可靠的Joseph公式,增强了数值的稳定性和算法的鲁棒性。蒙特卡罗仿真表明,新算法的性能优于当前统计模型-强跟踪滤波（CS-STF）算法,能够进行有效估计。

Abstract：

Based on the ＂current＂ statistical model,a new adaptive maneuvering target tracking algorithm,CS-MSTF,was proposed. The new algorithm,keeping the merits of high tracking precision that the ＂current ＂ statistical model and strong tracking filter（STF） have in tracking maneuvering target has made the modifications as such：First,STF has the defect that it achieves the perfert performance in maneuvering segment at a cost of the precision in non-naneuvering segment,so the new algorithm modifies the prediction error covariance matrix and the fading factor to improve the tracking precision both of the maneuvering segment and non-maneuvering segment; The estimation error covariance matrix was calculated using the Joseph form,which is more stable and robust in numerical. The Monte-Carlo simulation shows that the CS-MSTF algorithm has a more excellent performance than CS-STF and can esitmate efficiently.     

基于UKF的双平台无源融合跟踪方法

针对存在配准偏差的双平台无源融合跟踪系统,提出了基于扩维Unscented卡尔曼滤波的配准跟踪一体化方法,在跟踪算法中,采用模糊调度方法调节＂当前＂统计模型参数,引入渐消因子,能够在状态发生突变时,迅速调整系统参数,提高了系统的抗机动目标自适应能力。仿真结果表明,这种跟踪算法能够较好地解决双平台无源融合跟踪系统中的配准偏差问题。     

基于MCSM的自适应跟踪算法

针对基于"当前"统计模型的算法跟踪突发强机动目标性能下降的问题,提出了一种通过强机动自适应检测调整模型参数的改进算法。该算法利用残差统计距离的概率分布设置目标强机动的检测门限,根据目标的机动水平联合调整模型的机动频率、最大机动加速度以及滤波器增益,在保持"当前"统计模型跟踪算法对一般机动目标跟踪精度的前提下,增强了系统对突发强机动目标的自适应跟踪能力。仿真结果表明,该算法扩大了跟踪机动目标的动态范围,提高了跟踪性能。     

基于新息序列修正的输入估计算法

针对传统输入估计算法跟踪机动目标时检测概率和估计精度不高的缺点,提出一种改进的输入估计跟踪算法。算法利用对检测窗内新息序列进行修正以及对卡尔曼滤波状态变量进行补偿的方法,消除了已有机动检测估计对后继机动输入估计的影响,提高了对机动的检测概率和估计精度。理论分析和仿真结果表明,改进后的算法相比原有算法和IMM3算法,不仅跟踪性能有显著提高,而且对加速度缓变的机动也有较好的跟踪能力。     

基于模糊逻辑的自适应α-β滤波新算法

针对非均匀稀疏采样环境下的被动机动目标跟踪问题,基于模糊逻辑推理,提出了一种新的自适应α-β滤波算法。详细分析了非均匀稀疏采样被动传感器上报数据的特点,将标准化新息和新息的一阶微分作为模糊推理的两个输入变量,并同时引入时间间隔、目标速度等因素,设计输入变量的调整因子,自适应获取滤波器参数。实验结果表明,提出的算法能够准确对机动目标进行跟踪,性能优良,且易于工程实现。     

适用于模型失配时的改进IMM算法

机动目标难以跟踪的主要原因是无法找到一个准确的模型来描述目标的运动,即此时目标运动模型是失配的。现今交互式多模型（interacting multiple-model, IMM）算法是一种常用的用于机动目标的跟踪算法。推导分析了现有的典型IMM滤波算法在跟踪机动目标时存在的不足,提出了一种更适用于运动模型失配情况下机动目标跟踪的改进IMM算法。该算法对在跟踪机动目标时滤波器的新息序列的均值特性进行推导分析,改进了IMM算法中模型概率的计算方法,提高了模型概率计算的准确性,从而提高对机动目标的跟踪精度。建立了典型的机动目标跟踪场景,将改进后的IMM算法和原有的典型IMM算法的跟踪性能进行了对比研究,并对模型转换概率的准确性进行了分析,仿真结果验证该改进算法的有效性。     

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。     

基于"当前"统计模型的模糊自适应跟踪算法

“当前”统计模型需要预先设定目标最大机动加速度，不能很好的适应各种机动情况。采用模糊推理的方法根据测量新息和新息变化率实时调整目标最大机动加速度，自适应各种机动情况。此外，针对多数传感器测量方程的非线性，采用性能较好的Unscented Kalman Filter代替常用的扩展卡尔曼滤波。仿真结果表明，该算法在跟踪精度和收敛速度都优于传统的基于“当前”统计模型的跟踪算法。     

Multiple model tracking algorithms based on neural network and multiple process noise soft switching

A multiple model tracking algorithm based on neural network and multiple-process noise soft-switching for maneuvering targets is presented. In this algorithm, the “current” statistical model and neural network are running in parallel. The neural network algorithm is used to modify the adaptive noise filtering algorithm based on the mean value and variance of the “current” statistical model for maneuvering targets, and then the multiple model tracking algorithm of the multiple processing switch is used to improve the precision of tracking maneuvering targets. The modified algorithm is proved to be effective by simulation.     

基于机动判别的变结构交互多模型跟踪算法

临近空间高超声速机动目标具有高速、高机动的运动特性,协同转弯模型是跟踪临近空间目标的常用模型之一。基于协同转弯模型的自适应网格交互多模型(adaptive grid interaction multiple model, AGIMM)算法能够较好地适应临近空间高超声速目标运动特性,但AGIMM算法存在着依赖中心网格模型,非机动时刻模型集收敛缓慢的问题,基于此提出了一种基于机动判别的变结构交互多模型算法。所提算法根据目标机动特性调整跟踪模型集的结构及模型概率转移矩阵,加快了非机动时刻模型集的收敛速度,克服了AGIMM算法存在的问题。通过蒙特卡罗仿真验证,改进的算法相对于AGIMM算法提高了对临近空间高超声速目标的跟踪性能。     

基于AGIMM的临近空间机动目标跟踪滤波算法

由于临近空间高超声速目标的机动形式复杂,单一模型很难满足高精度跟踪的需要。因此需要使用基于多种模型进行交叉耦合的交互式多模型算法,这种算法特点与临近空间目标高速、高机动特性相适应。提出了一种自适应网格交互多模型跟踪算法用于临近空间高超声速机动目标的跟踪问题。所提方法能够处理自适应时变模型集合,随时调整当前时刻使用的模型数量,相比于固定结构交互式多模型算法极大减少了计算量,计算效率和跟踪精度更高,数值仿真结果验证了所提算法的有效性。     

基于截断正态概率模型的改进目标跟踪算法

在应用NIFPAT算法对机动目标跟踪时存在计算量大和要求网络训练两个弱点。分析了截断正态概率模型和NIFPAT算法后 ,把截断正态概率模型与NIFPAT算法思想相结合 ,提出了基于截断正态概率模型的改进目标跟踪算法。该算法根据目标机动情况自动调整系统方差 ,在附加较小计算量的情况下 ,能取得较好的跟踪效果。仿真实验表明 ,该算法能有效地提高对机动目标的跟踪精度。