引入多速率模型的变结构机动目标跟踪

变结构多模型方法(VSMM)能够根据目标机动的实际情况实时确定结构不断变化的模型集合,取代传统IMM方法中的固定模型集.使参与状态估计的模型分布更集中,模型数量相对较少,从而提高算法的跟踪精度.多速率模型(Multirate)能够对原始测量数据进行多分辨分解,有效的抑制量测噪声,从而提高原始数据的信噪比.文章将多速率模型引入变结构多模型方法,提出一种新的机动目标跟踪算法多速率变结构多模型方法(MRVSMM),该方法分别从改善原始数据与改善模型集合两方面对传统IMM方法进行了突破.同时,采用多个多速率模型,并将多个模型的滤波结果相互交织实现对机动目标的全速率跟踪.仿真实验证明,该算法较传统的IMM方法跟踪精度得到了一定程度的提高.     

滚动时域估计在三容系统中的应用

为解决处理时域硬约束问题,基于预测控制的滚动优化原理,讨论了一种能用已知约束信息提高估计的合理与准确性的滚动时域估计(MHE:Moving Horizon Estimation)方法,并阐述了滚动时域估计的实用与理论特性.给出了三容系统的仿真结果并与Kalman估计进行了比较,结果表明,MHE方法在处理有约束状态估计方面比卡尔曼滤波方法更有效.     

一种改进的变结构交互多模型被动跟踪算法

针对干扰环境下跟踪机动目标时常常无法获得距离信息的问题,提出了一种新的被动跟踪算法对目标进行精确的跟踪定位。算法针对被动跟踪中状态与量测之间存在的非线性关系,首先采用最小二乘原理对角度量测进行预处理,然后以预处理结果作为输入,进行交互多模型滤波,从而减小非线性量测方程的线性化过程带来的误差。然而,交互多模型滤波中所采用的固定结构模型集并不能保证跟踪精度,为解决这一问题,算法引入序列似然比检测对模型集进行调整,使模型对不同的目标机动模式有更强的自适应能力,从而减小模型之间的竞争,确保跟踪效果。为了验证新算法的有效性,在相同实验条件下,用2种算法分别对同一设定轨迹进行仿真估计,结果表明,新算法可以进一步提高跟踪精度。     

用于机动目标跟踪的多模型概率假设密度滤波器

针对概率假设密度(PHD)滤波器在多目标跟踪问题中无法解决目标发生较大机动时的目标丢失问题,提出了一种多模型概率假设密度(MM-PHD)滤波器.这种MM-PHD滤波器在粒子PHD滤波器的基础上,使用多模型方法对滤波器中每个描述目标状态的粒子的状态进行更新,再将更新后的粒子代入传统的PHD滤波器中用于估计目标的PHD的分布.该滤波器结合PHD滤波器和多模型方法的特点,可用于目标数未知的多机动目标跟踪,且对目标的数量和状态的估计更加准确.多机动目标跟踪的仿真实验表明,与已有方法相比,该滤波器对目标数的估计与真实情况基本一致,描述多目标状态估计误差的Wasserstein距离值降低了50%以上.     

基于时变马尔科夫转移概率的机动目标多模型跟踪

为了消除机动目标多模型跟踪中人为因素对跟踪精度的影响，提出了一种新的基于时变马尔科夫转移概率的机动目标多模型跟踪算法．该算法通过对Baum辅助函数的最大化实现隐马尔科夫模型状态转移概率的参数估计，并将估计结果用于交互式多模型算法的设计中，构造出时变马尔科夫状态转移概率的交互式多模型算法，有效地降低了人为因素对机动目标跟踪精度的影响．通过对一个机动目标的跟踪对比，说明了该算法比传统的交互式多模型算法具有更小的跟踪误差和良好的模型跟踪概率．     

基于输入估计的机动目标跟踪方法

机动目标跟踪方法有变维滤波、输入估计和交互式多模等方法。由于输入估计法采用常速模型作为状态方程对目标进行滤波跟踪,避免了模型集设计而成为研究的热点,但传统输入估计方法跟踪机动目标时存在机动检测时延较长和估计精度不高的缺点。针对这些问题,对输入估计算法进行了改进。采用变检测窗长度提高机动检测的响应速度,通过对检测窗内信息序列的修正显著提高了估计精度。仿真结果表明所提出的算法比原有算法的跟踪性能有显著提高,且对加速度随时间变化的机动也有一定的跟踪性能。     

鲁棒标签多伯努利机动目标跟踪算法

针对未知杂波和检测概率的跟踪环境下,标准的标签多伯努利(LMB)算法对机动目标跟踪性能较差等问题,提出鲁棒标签多伯努利机动目标跟踪算法(R-LMB).首先建立真实目标、杂波与检测概率的增广空间模型,然后结合多模型(MM)系统,推导出基于蒙特卡罗(SMC)实现的带有状态标签和LMB元素标签的预测与更新方程.研究结果表明:在杂波和检测概率先验未知的情况下,所提出的算法可实现对目标数和目标状态的准确估计,同时在低检测概率和高杂波强度环境中仍可保证良好的多机动目标跟踪性能.     

约束仅方位跟踪粒子滤波器研究

该文研究了杂波干扰下适用于平面机动目标实时定位的粒子滤波器的设计和实现.运用贝叶斯递推方法,分析了通用粒子滤波算法.应用马尔可夫链理论,建立了目标机动的多模式模型.针对约束仅方位跟踪(CBOT)的实际条件,推导了粒子滤波器中的最优重要密度公式.综合粒子滤波算法和约束仅方位跟踪理论,得出了约束仅方位跟踪粒子滤波器的伪码.对约束仅方位跟踪粒子滤波器的研究表明:在目标受到道路图之类的约束假设下,可以去除对本站作特定机动的要求;可在杂波环境中、目标作任意非线性机动的情况下,实现仅方位跟踪;跟踪定位距离大、角度宽;采用最优重要密度,可大大减少粒子数,降低计算量.     

基于跑滑系统约束的航空器滑行跟踪算法

为解决大型机场场面易冲突的问题,研究了将基于跑滑系统和管制约束的变结构多模型算法应用于机场场面目标的跟踪.本文首先建立了复杂跑滑结构下的数学建模方法、跑滑结构约束下跟踪状态修正方法和基于管制指令约束的航空器与跑滑系统的自适应匹配方法.与传统场面目标跟踪不同,本文利用跑滑系统和管制指令约束的最大后验概率估计来激活和终止模型集,进而解决机场场面航空器跟踪过程中模型集切换和路段匹配问题.基于上述方法,本文通过结合最大后验概率估计提出了一种新的交互式多模型算法,改善了场面目标的跟踪性能.仿真结果表明:与交互式多模型算法和变结构交互式多模型算法相比,本文所提出的方法能有效地跟踪机场场面目标,显著提高了跟踪精度.     

一种新的多机动目标跟踪的GMPHD滤波算法

针对多机动目标跟踪的传统数据关联算法约束条件苛刻、估计精度低、计算量大等问题,提出了一种基于随机集理论的非数据关联的多机动目标跟踪算法.该算法将高斯混合概率假设密度(GMPHD)滤波与"当前"统计模型的优点相结合,绕过了棘手的数据关联问题,能高效处理目标数较大的机动跟踪问题.在漏检、虚警、多机动目标交叉杂波复杂环境下进行了仿真实验,结果表明,该算法具有较高的跟踪精度和稳健的跟踪性能.     

基于多模型GGIW-CPHD滤波的群目标跟踪算法

针对伽马高斯逆威夏特-概率假设密度(GGIW-CPHD)滤波算法跟踪机动群目标误差较大的问题,提出基于最适高斯近似(BFG)和强跟踪的多模型GGIW-CPHD滤波的群跟踪算法.首先,在对群目标量测分割的基础上,采用BFG方法实现CPHD预测阶段的多模型融合.其次,利用强跟踪滤波(STF)中的渐消因子来修正GGIW分量的预测协方差矩阵.最后,在CPHD更新阶段完成群质心和扩展状态估计的基础上,利用多个模型对应的似然函数完成模型概率的更新.实验结果表明:所提算法能够在GGIW-CPHD框架下实现多个模型的交互,有效降低机动阶段时群目标的状态估计误差,并能有效处理群目标的合并和衍生情况.     

杂波环境下机动输入序列和量测序列的联合最优估计

为了提高在杂波环境下跟踪机动目标的精度,提出了一种新的基于期望极大化（EM）算法的机动目标状态估计方法,首先建立了基于EM算法的最大后验概率意义下的状态估计数学模型,然后采用离散优化技术解决EM算法中的极大化问题,最终确定出作用于系统的实际机动输入序列,同时分离出源于目标的量测序,进而获得对目标状态更精确的估计,它有效地解决了最大后验概率状态估计中的不完全数据问题,Monte-Carlo仿真结果表明,新算法比传统的交互式多模型概率数据关联算法具有更优越的跟踪性能。     

基于VD算法的机动目标跟踪研究

针对机动目标有多个运动模型的特点,建立了机动目标的CA模型和CV模型.采用变维滤波(VD)算法对目标运动轨迹进行跟踪,计算机仿真结果表明VD算法对机动目标跟踪具有较高的精度.     

IMM算法在车辆机动目标跟踪中的应用

针对高速公路车辆的机动目标跟踪问题,采用交互多模型算法(IMM)中的2个模型分别表示车辆的匀速运动状态和匀加速运动状态,并结合目标运动模型对目标当前加速度和其方差进行蒙特卡洛仿真.仿真结果表明该算法不仅可以在匀速运动时将关键测量噪声减低,而且在机动模型中保证状态估计量比未滤波的雷达测量值精确,同时可以对运动模型进行准确的识别,从而改善路面机动目标的跟踪性能,提高车辆的安全性和可靠性.因此,交互多模型算法可以满足高速车辆机动目标跟踪的要求.     

一种强机动目标自适应跟踪算法

针对强机动目标跟踪精度不高的问题,提出了一种强机动目标自适应跟踪算法(HMIMM-CV/CAT)。首先通过机动检测区别目标的机动性能,分别应用Kalman滤波和交互多模算法对目标进行跟踪。其次对机动段交互多模算法,给出一组转弯模型离散模型集,在目标机动时通过角速度估计在离散模型集中遴选出一个最匹配的模型参加交互计算,使模型更加逼近目标真实运动模式,且不增加参与交互运算模型数量。蒙特卡罗仿真结果表明,该算法与几种类似算法相比,更加适用于强机动目标。     

曲线模型的自适应跟踪算法

针对机动目标跟踪问题,提出了一种基于曲线模型的自适应跟踪算法.算法中设计了一种角速度估计方法,即通过采用内嵌交互多模型方法针对目标的角度进行实时滤波,获得目标的角速度和角加速度,从而自适应调整与目标转弯相关的法向加速度和切向加速度.算法简化了计算复杂度,扩大了适用范围.仿真试验证明了该算法的有效性.     

适于无源阵列跟踪的粒子滤波交互多模型算法

针对无源阵列被动跟踪效果较差的问题,融合交互式多模型和粒子滤波方法,提出了一种基于粒子滤波的交互多模型(IMM-PF)算法。该算法采用多模型结构跟踪目标的任意机动;各模型采用粒子滤波算法处理非线性、非高斯问题。各模型中相对固定数目的粒子群经过相互交互、粒子滤波后再进行重抽样以减少滤波退化现象。在交互阶段,对各模型的相应粒子进行输入交互;在滤波阶段,抽取N个采样点,得到估计采样,从而求得估计输出和有关函数;在混合阶段,获得状态向量的后验条件概率密度函数,通过这个后验概率密度便可获得状态向量的估计量。与典型的交互式多模型算法(IMM-KF)进行了比较,计算机仿真结果证实了本文新算法的正确性和有效性。     

一种新型机动目标跟踪算法——VDQ算法

目的 研究机动目标跟踪算法。方法 利用广义似然比技术对机动目标进行检测,既确保检测的可靠性,又满足系统实时性的要求。采用变维和估计系统状态相结合的方法,对机动目标进行跟踪,当目标机动较弱时,对系统状态用噪声方差进行估计,避免由于变维法带来的暂态误差。当目标机动较强时,则采用变维法。结果与结论 计算机仿真结果表明,这种新型机动目标跟踪算法具有良好的跟踪性能。     

目标机动性未知时的多平台交互式多模型融合算法

多平台的交互式多模型（IMM）Kalman滤波器是一种比较有效的机动目标跟踪估计方法．但当目标存在未知机动时,基于模型的估计器的精度就会下降．目标跟踪中的输入估计技术可对未知机动性进行估计．本文在给出过程噪声和量测噪声相关情况下最小方差无偏（MVU）输入、状态滤波估计的基础上,提出了基于上述滤波器的分布式IMM多传感器多平台融合算法．仿真表明了该算法的有效性．     

一种适于非线性非高斯目标跟踪的MRIMMPF算法

为解决粒子滤波应用到IMM算法时计算量过大的问题,融合交互式多模型和粒子滤波,提出了一种采用多速率方法的交互式多模型粒子滤波(multirate interacting multiple model particle filter,MRIMMPF)算法.该算法采用多模型结构来跟踪任意机动的目标;使用一种3模型、one-third速率/全速率跟踪算法,一个one-third速率模型处理非机动或微弱机动,2个全速率模型用于机动模式,以处理非线性、非高斯问题.仿真结果表明,MRIMMPF算法在性能上并不低于交互多模型粒子滤波(IMMPF)算法,但是计算量明显减小.