空间机动目标跟踪的改进自适应IMM算法

针对使用模型似然函数比对传统交互多模型(interacting multiple model, IMM)算法模型转移概率实时修正存在奇异的问题, 基于所提修正函数给出一种改进自适应IMM算法。首先, 将白噪声模型与扩展卡尔曼滤波(extended Kalman filter, EKF)算法结合, 设计了非机动模型EKF1及机动模型EKF2作为IMM算法模型集。其次, 预报模型采用适应椭圆参考轨道的非线性相对轨道动力学方程以提高模型预报精度。最后, 分析了速率量测信息对减小机动目标跟踪峰值误差的作用。仿真结果表明, 改进的模型转移概率自适应IMM-EKF算法跟踪精度明显提高, 且优于比较的现有方法; 引入速率量测信息后, 最大峰值误差及估计精度得到了改善。     

自适应高斯模型与多基地雷达机动目标跟踪

为改善多基地雷达系统对高机动目标的跟踪性能,提出了基于自适应高斯模型和扩展卡尔曼滤波(EKF)的机动目标跟踪算法.将目标加速度的概率密度特性描述为一具有均值和方差的高斯分布,建立了系统的离散状态方程和非线性观测方程进行EKF滤波,并在每个采样周期实现对输入控制信号及过程噪声协方差的更新,使加速度符合目标的实际变化情况.Monte Carlo仿真结果显示,对目标的变加速轨迹,该算法在位置和加速度上的均方根误差均比Singer模型小,且误差曲线平滑,表明了该算法能对机动目标实现准确跟踪.     

基于Input Estimation的VSIMM机动目标跟踪

IMM算法的跟踪性能很大程度上取决于模型集的选择.提出了基于InputEstimation的自适应改变模型集的变结构多模型算法IE_VSIMM.对IMM算法输出的状态估计及其误差协方差进行准Kalman滤波,由Input Estimation算法得到的加速度增量估计,可检测目标机动和生成新的模型集.修正过程则由IMM算法在新模型集上对状态估计及其误差协方差进行更正.仿真结果表明IE_VSIMM算法的跟踪性能更好.     

非线性预测滤波器在机动目标跟踪中的应用

提出了一种直接根据新息的机动目标跟踪非线性预测跟踪滤波算法。该算法不需要假定目标的机动加速度模型 ,而是将目标的机动加速度作为滤波结果的一部分直接估计出来。对不同机动目标的仿真结果表明 ,所提出的预测滤波算法具有优良的估计性能     

一种利用星间仅测向数据的滤波定轨算法

基于星间方向观测数据实时确定目标星轨道,一般扩展Kalman滤波算法是建立角度直接观测量与状态量的线性关系作为观测方程。由于缺少距离测量值,仅包含角度信息的观测方程对状态变量的约束较弱,导致滤波算法收敛速度较慢。〖JP3〗将用于初轨计算的改进拉普拉斯方程作为观测方程,这样,观测方程不仅包含了两星的几何信息,还充分考虑了目标星的轨道约束。仿真结果表明,在同样测量精度下,该算法的收敛性能明显优于一般滤波算法。     

组网雷达系统对于高加速机动目标的精确跟踪研究

针对多基地雷达系统跟踪近距离高加速机动目标的场合,提出了一种并行扩展卡尔曼滤波算法。该算法首先建立起组网雷达群跟踪目标运动形态的观测模型,然后将三维加速度矢量引入到目标的运动模型中,通过并行计算的方式,在对加速度进行合理估计的基础上对量测数据进行卡尔曼滤波跟踪分析,获得目标的精确轨迹。仿真结果表明,该算法不仅能快速精确计算目标的位置和速度,而且具有很好的瞬态特性和稳态特性。     

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。     

集成多普勒观测的目标机动检测算法

基于决策的单模目标跟踪方法的关键是及时而稳健的目标机动检测,充分利用目标多普勒观测量能够有效提高机动检测性能。提出一种集成多普勒观测的目标机动检测算法,利用基于马氏距离的预测寻优方法,克服了多普勒观测噪声水平较高时估计式无解的情况,提高了加速度估计精度;基于奈曼皮尔逊准则设计机动检测器,避免了因目标机动检测的滞后性带来的门限漂移。仿真实验表明,算法提高了加速度估计的精度和稳健性,显著降低了平均检测延迟,有效提高了机动检测性能。     

一种带加速度补偿的H∞次优滤波目标跟踪算法

提出一种带加速度补偿的H∞次优滤波跟踪算法。该跟踪算法通过不断调整H∞滤波器的参数γ来逼近H∞最优滤波器。同时,引入一个加速度估计器和一个机动检测器,加速度估计器通过目标最近三点的位置来估计目标当前加速度值,机动检测器用来检测目标是否机动,当检测到目标机动时,则启动加速度估计器计算加速度,并利用该值对目标状态估计值进行补偿。从而使得该跟踪算法不仅对目标机动具有鲁棒性,而且所得到得估计误差方法最小。仿真结果表明,所提出的目标跟踪算法对高机动目标有良好的跟踪效果。     

一种跟踪机动目标的新方法

本文应用控制理论分析了R.A.Singer零均值模型在跟踪机动目标方面的局限性;提出了一种目标加速度的截断正态概率密度模型,并将目标加速度模拟为非零均值、时间相关的随机过程;借助于切比雪夫(CHEBYSHEV) 不等式来确定目标加速度的均值和方差之间的关系,并引用卡尔曼滤波器所包含的目标机动的统计信息来实现方差自适应算法。 理论分析表明,本文的模型和算法跟踪恒加速目标时稳态偏差为零,从而消除了Singer方法在跟踪恒加速目标时所存在的稳态偏差。 计算机仿真结果证实了理论分析的结论,表明本文提出的模型和采用的算法能够较好地跟踪高度机动目标。     

基于对偶数和改进EKF的敏捷卫星姿态确定算法

针对对地观测敏捷卫星的大角度/位置的快速机动、高精度控制的任务需求,提出了一种敏捷卫星姿态确定算法。该算法利用对偶四元数推导出敏捷卫星运动学模型,并建立陀螺、星敏感器测量模型。通过对系统状态方程以及测量方程的线性化,应用自适应迭代扩展式卡尔曼滤波(adaptive iterated extended Kalman filer, AIEKF)算法对敏捷卫星的运动状态进行估计。仿真结果表明,所设计的算法能够有效估计系统状态噪声、测量噪声以及陀螺常值漂移,卫星的姿态角估计误差和角速度估计误差收敛至零,验证了算法的有效性。     

基于量测转换与输入估计的机动目标跟踪算法

针对雷达系统中机动目标的跟踪问题,提出输入估计(input estimation,IE)与无偏量测转换（unbiased converted measurement,UCM）相融合的自适应算法。用无偏量测转换技术将观测量转换到直角坐标系,使得在极坐标系内应用IE成为可能;提出检测窗内加速度阶梯变化的假设并推导相关模型,使得单个输入估计器能够跟踪各种变化机动。仿真分析表明,算法与基于多滤波器并行工作的交互式多模型相比,跟踪精度相当,但运算量大大降低,因此适用于对性能和实时性要求较高的场合,有很好的应用前景。     

NSHV机动目标跟踪的自适应模型算法

临近空间高超声速飞行器具有飞行轨迹多变、机动性强等特点,而周期性的滑跃式飞行是其常用的重要机动形式。将目标加速度建模为时间自相关的随机过程,结合“当前”统计模型的自适应跟踪思想,提出了一种针对临近空间高超声速飞行器机动目标跟踪的模型。采用容积卡尔曼滤波算法分别对单模型和交互式多模型进行了蒙特卡罗仿真分析,结果表明该模型在跟踪临近空间高超声速飞行器时有较好的跟踪精度和适用性。     

基于强跟踪器的机动航天器相对动态定位算法

针对机动航天器之间精确动态相对定位问题,提出一种基于强跟踪器(strong tracking filter, STF)的动态相对定位算法。该算法针对相对机动过程中3个方向的机动特性,设置三向渐消因子进行三向滤波,克服了单向渐消因子与实际机动不匹配而造成的跟踪精度下降问题, 针对三向滤波在直角坐标系下的跟踪问题,设置去偏转换测量算法,克服了球坐标系与直角坐标系的转换偏差问题。仿真实验表明,该算法在初值敏感性和相对机动恢复性上均强于其他算法,适用于脉冲推力、有限推力等多种情况下机动航天器间精确动态相对定位。     

基于低轨星网的多目标协同跟踪滤波技术

低轨高密度星网因其覆盖范围广、能够对弹道目标进行全程跟踪而受到广泛的重视。针对低轨星网对多弹道目标协同跟踪问题,提出一种基于卡方分布和无迹卡尔曼滤波(unscented Kalman filter, UKF)的多目标协同跟踪滤波算法。该方法首先在卡方分布的假设下,设计了一种基于测量平面的数据关联指标函数,实现量测值的分配;在此基础上采用变结构滤波框架对多弹道目标进行状态更新;最后给出了多目标状态估计性能的评估指标。数值仿真实验证明,所提算法可以有效地实现多目标在测量平面上的数据关联,并以较少的计算量对多目标进行准确估计。     

基于扩张状态观测器的机动目标加速度估计

目标机动是影响制导精度的关键因素之一,针对此问题,提出了一种解决目标加速度估计问题的新思路,即通过扩张状态观测器(extended state observer, ESO)来实时估计目标加速度。首先建立弹目相对运动模型,然后在采用扩展比例导引律的条件下,设计扩张状态观测器来观测系统状态并估计目标加速度。最后针对实际系统中量测噪声较大的情况,设计带有滤波器的扩张状态观测器来估计目标加速度。这种方法无须建立机动目标模型,收敛速度快,估计精度高,明显优于常规的目标估计算法,仿真结果验证了本方法的有效性。