机动目标跟踪支持向量回归学习新方法

针对强机动性车辆目标的运动建模、控制输入建模和噪声建模的不精确导致的汽车雷达目标跟踪滤波精度低的问题,该文提出了基于支持向量回归(SVR)的机动目标跟踪滤波新方法。在常加速度(CA)模型的基础上,对理论新息协方差与实际新息协方差残差的Frobenius范数在线学习,获得过程噪声协方差的自适应调节因子,实时调整运动模型。对汽车雷达目标跟踪系统的仿真实验表明,该文算法降低了汽车雷达目标跟踪滤波对车辆运动模型和噪声模型的依赖程度,在强机动目标跟踪滤波性能上优于CA模型,比Singer模型具有更强的机动适应性和更高的精度。     

组网雷达自适应数据融合跟踪算法

针对高速、机动目标的实时、精确跟踪问题,提出一种能在线调整组网雷达中各雷达权值的自适应数据融合算法。按照一定的规则寻找最佳的权系数,使融合后目标的状态估计值最优;把输入信号用作自适应滤波器的量测信号,利用新息相关的自适应滤波算法对状态方程及量测方程中误差的变化调节增益矩阵的大小,同时根据自适应滤波的状态偏差输出信号与当前的量测数据,运用模糊推理规则对组网雷达系统中各雷达的权值进行在线调节;系统输出结果即为自适应数据融合下目标的最优状态估计值。仿真结果验证了该算法在跟踪精度和收敛速度上的优越性,实现了组网雷达系统对目标的自适应跟踪。     

融合视觉与雷达数据的改进粒子滤波车辆目标跟踪

针对视觉跟踪中由于尺寸变化累积误差导致目标丢失的问题,提出一种融合视觉与毫米波雷达数据的改进粒子滤波车辆跟踪算法。首先,引入遗传算法改善标准粒子滤波中的粒子退化与粒子衰退问题,根据退化程度计算动态自适应的遗传交叉概率,并利用高斯分布替代平均分布计算种群适应度。然后,将图像HSV直方图特征与改进粒子滤波算法结合,实现车辆多目标跟踪。最后,通过雷达目标投影点与视觉跟踪框的位置关系实现关联匹配,利用深度信息修正跟踪框的位置与尺寸。实验结果表明,相对于标准粒子滤波,改进的粒子滤波算法可以使平均跟踪准确率与精度分别提高22.1%与21.1%。相对于仅采用视觉跟踪,融合雷达数据的跟踪算法能够使车辆目标跟踪精度再次提高9.2%。     

雷达多目标交叉轨迹跟踪算法

针对雷达跟踪系统中的多目标运动情况,以及目标轨迹交叉重叠导致的目标丢失或跟踪错误等问题,将多目标联合状态下的加权重采样思想引入到标准粒子滤波算法中.对基本粒子滤波算法进行优化,使用离散随机变量模拟目标后验概率,存在多个目标时引入联合状态概念,用关联函数把多个目标的状态变量和观测变量表示出来,把联合状态下的采样数据加入跟踪粒子的权值更新过程,使得粒子能够根据目标间的状态变化准确预测各个目标的后验分布,从而更新目标运动估计值,避免下一时刻粒子采样分布错误.联合加权重采样优化后的粒子能够准确跟踪目标运动,粒子预测和更新也不受目标交叉运动影响,克服跟踪不稳定或跟踪误差较大的问题.仿真结果表明,改进的粒子滤波算法能够达到正确跟踪多个目标的效果,并且目标轨迹交叉时仍然能够保持较高的跟踪精确度.     

组合导航系统新息自适应卡尔曼滤波算法

全球定位系统(GPS)量测噪声的不稳定变化将造成惯性导航系统(INS)/GPS舰用组合系统卡尔曼滤波器性能下降,在对自适应卡尔曼滤波器分析的基础上,提出了一种新的基于新息估计的自适应卡尔曼滤波算法.该算法通过计算新息方差强度的极大似然估计最优估计,将新息方差计算直接引入卡尔曼滤波器的增益计算.仿真结果表明,本文方法较标准卡尔曼滤波器可以提高系统精度和抗干扰能力.     

一种基于多传感器协同探测的雷达跟踪系统

战场上雷达是对目标进行跟踪的常用手段,当敌方施放有源压制干扰时常导致目标航迹丢失,雷达无法对目标进行持续跟踪。为了改善对目标的跟踪性能,建立了干扰背景下基于机载多传感器协同探测的雷达跟踪系统,首先采用Kalman滤波预测雷达量测缺失数据,当跟踪精度不满足期望值时应用支持向量机回归(SVMR,Support Vector Machine Regression )算法估计缺失数据作为雷达的量测值继续进行卡尔曼滤波估计,实现了对目标的持续跟踪,精度较高。仿真验证了该系统能够解决有源压制干扰条件下的目标航迹丢失问题,增强了雷达对目标的跟踪性能。     

一种多传感器协同探测的雷达跟踪系统

战场上雷达是对目标进行跟踪的常用手段,当敌方施放有源压制干扰时常导致目标航迹丢失,雷达无法对目标进行持续跟踪。为了改善对目标的跟踪性能,建立了干扰背景下基于机载多传感器协同探测的雷达跟踪系统,首先采用Kalman滤波预测雷达量测缺失数据,当跟踪精度不满足期望值时应用支持向量机回归算法估计缺失数据作为雷达的量测值继续进行卡尔曼滤波估计,实现了对目标的持续跟踪,精度较高。仿真验证了该系统能够解决有源压制干扰条件下的目标航迹丢失问题,增强了雷达对目标的跟踪性能。     

压制干扰下雷达网点目标概率多假设跟踪算法

针对压制干扰下雷达网跟踪中使用概率多假设跟踪(PMHT)算法航迹丢失率高的问题,提出了一种基于数据压缩的雷达网点目标概率多假设跟踪(DC-PPMHT)算法.该算法先将各雷达在压制干扰下由于检测概率下降出现目标暂消的量测数据在空间对准后进行串行合并和点迹合成,并计算数据压缩后各量测点迹的检测概率,然后把计算得到的压缩点迹和检测概率送入点目标PMHT滤波器中进行跟踪.DC-PPMHT算法在压制干扰下的雷达网跟踪中可以降低航迹丢失率,提高航迹跟踪的精度.仿真结果表明,与PMHT算法相比,DC-PPMHT算法在各雷达采取抗干扰措施前、后的航迹丢失率分别降低了4.7％和1.2％.     

基于交互式多模型的雷达单目标跟踪算法

针对民用小型无人机被广泛应用而带来的安全隐患问题,本文将交互式多模型算法应用于雷达单目标跟踪系统,并对其进行了研究与仿真。首先,建立常见的目标运动模型,对每个运动模型的状态方程进行分析,介绍了交互式多模型算法的原理及计算方法。然后,分析了坐标转换误差对雷达跟踪性能的影响,并给出转换误差的补偿结果。最后,通过蒙特卡洛仿真实验表明,交互式多模型算法对机动目标有较小的估计误差,能够实现对运动目标进行有效的跟踪。测试数据分析结果表明了交互式多模型算法在雷达单目标跟踪过程中的可行性。     

含预测和容错的自适应Kalman目标跟踪

针对模型不准确时,传统Kalman滤波目标跟踪算法精度有限甚至发散的问题,研究了基于新息协方差在线匹配技术的自适应Kalman滤波算法,提高跟踪精度;并以Kalman滤波估计的目标位置为基础,利用一步Kalman预测得到下一时刻目标可能的位置范围,避免对整幅后帧图像进行遍历搜索,减小了计算量;为了避免存在干扰时异常量测对目标跟踪的影响,研究了量测信息异常检测算法,以Kalman预测的量测代替异常量测,增强抗干扰能力。实验证明,所提算法能够有效提高目标跟踪的精度和鲁棒性。     

主被动雷达分层融合机动目标跟踪仿真研究

以目标跟踪为主要目的,对主被动雷达基于改进算法的分布式分层融合进行了仿真研究。仿真研究验证了基于固定指数加权模糊自适应EKF滤波算法的主被动雷达分层融合系统,能够显著提高目标跟踪精度且稳定性好。同时验证了分布式分层融合跟踪性能,明显优越于分布式平均加权融合方法。     

多状态矢量Kalman滤波算法

提高跟踪精度是雷达发展的重要方向之一.本文建立的雷达跟踪模型,将不同时刻的状态变量联合进行处理,通过改变状态转移矩阵,给出了一种使用多状态矢量的Kalman滤波以提高雷达跟踪精度的新手段.仿真结果表明,相比传统的EKF算法,多状态矢量Kalman滤波能得到更加稳定、准确的滤波结果.     

一种精确的前向散射雷达三维目标跟踪方法

针对一般测量精度下初始状态估计误差大,导致滤波易发散的问题,提出了一种基于解析推导和Leven-berg-Marquardt算法的初始状态估计方法,能够在目标参数测量精度不高的情况下获得比较精确的初始值;针对滤波过程计算量太大、收敛速度慢的问题,结合精确的初始状态估计值和扩展卡尔曼滤波(EKF)实现了前向散射雷达三维目标的精确跟踪.通过仿真和比较分析表明,EKF算法跟踪精度高,收敛速度快,且计算量小.     

基于平方根UKF的伪卫星动态跟踪定位算法

为了解决传统Kalman滤波在处理非线性系统时的局限性,以及扩展Kalman滤波（EKF）在处理强非线性系统时发散性和精度较差的问题,结合动态导航系统中的目标跟踪定位问题,在不敏Kalman滤波（UKF）算法的基础上,提出了一种基于平方根UKF的动态跟踪定位算法,在递推运算过程中采用协方差矩阵的平方根代替传统算法计算过程中的协方差矩阵。MATLAB仿真结果表明,平方根UKF算法的精度比EKF提升了54.7%,比UKF提升了14.8%。所提出的算法解决了Kalman处理非线性系统的局限性以及传统EKF和UKF算法精度不高的问题,为伪卫星系统的高精度定位研究提供了有力支撑。     

一种精确跟踪目标的非线性滤波算法

论文分析了当目标距离或雷达极角量测误差超过一定限度时,扩展卡尔曼滤波器跟踪精度迅速下降和原因,并在精确计算线性化误差及实际量测误差的基础上提出一种补偿线性化误差的跟踪滤波算法（PTLKF）。计算机仿真结果表明,论文提出的算法有效地减小了线性化误差的影响,滤波器跟踪精度得到较大提高。     

EKF定位跟踪算法研究

为了处理机动目标跟踪过程中的非线性问题,提出了一种基于运动模型的扩展卡尔曼滤波（EKF）算法,该算法精度可以逼近最优估计,适用于任何可用状态空间模型表示的非线性系统。通过仿真表明利用运动模型的扩展卡尔曼滤波方法可以有效地抑制非视距误差（NLOS）对定位精度的影响,从而得到更高的定位跟踪效果。     

EKF定位跟踪算法研究

为了处理机动目标跟踪过程中的非线性问题,提出了一种基于运动模型的扩展卡尔曼滤波(EKF)算法,该算法精度可以逼近最优估计,适用于任何可用状态空间模型表示的非线性系统。通过仿真表明利用运动模型的扩展卡尔曼滤波方法可以有效地抑制非视距误差(NLOS)对定位精度的影响,从而得到更高的定位跟踪效果。     

基于噪声顺序解相关的两阶段Kalman滤波融合

针对传统两阶段Kalman滤波只能处理单一或部分复杂噪声情形,在充分考虑多雷达跟踪系统的误差噪声有色建模和四类噪声相关性建模基础上,建立一种基于噪声顺序解相关的两阶段Kalman滤波融合算法。首先给出能有效避免噪声相关性耦合化的噪声解相关顺序,进而应用等价变换技术来获得有色噪声、过程噪声和测量噪声三者间不相关的目标跟踪融合模型,最后应用平方根分解和单位下三角阵求逆技术来实现多雷达量测噪声相关系统的集中式Kalman滤波融合,并通过4个仿真实验验证了该算法对复杂噪声情形的有效性和高精度。     

多基地雷达系统中基于距离差测量的目标跟踪分析

分析了用多站雷达系统跟踪近程目标的方法。将速度矢量引入到目标运动模型,从而能更好地描述机动目标。系统量测方程建立在距离差测量的基础上,使跟踪过程与发射机位置无关,因而十分适用于发射机机动的系统布局。仿真结果表明该方法是有效的,具有跟踪速度快、稳态误差小的特点,适用于多瞳雷达系统跟踪近程目标。