基于平方根UKF的多传感器融合再入段目标跟踪研究

为了提高再入段目标跟踪的精度,将平方根不敏卡尔曼滤波（unscented Kalman filter, UKF）算法与多传感器分布式融合算法相结合,提出了基于平方根UKF的多传感器融合跟踪算法。在各个独立的传感器中利用平方根UKF滤波器进行状态估计,然后通过分布式融合方法融合各传感器的状态估计值得到全局的状态估计值和误差协方差,将全局误差协方差进行加权对各传感器进行分配更新。通过仿真验证,基于平方根UKF的多传感器融合跟踪算法具有较高的跟踪性能,是一种有效的非线性融合跟踪算法。     

基于SVM数据融合的实时粒子滤波算法

采用粒子滤波的目标跟踪算法在粒子数目较多时计算量大、实时性差,针对该问题提出了一种新的基于支持向量机数据融合的实时粒子滤波算法。该算法在估计窗实时粒子滤波的基础上,使用支持向量机融合窗内不同时刻粒子集,并根据融合的结果更新粒子权值,实现对目标状态的快速跟踪。相对于原算法采用最小化Kullback-Leibler距离来调整估计窗混合分布的权值,该方法的计算复杂度低、速度快,进一步提高了算法的实时性。对纯角度目标跟踪问题的仿真结果表明了该算法的可行性和有效性。     

模糊自适应强跟踪卡尔曼滤波器研究

针对卡尔曼滤波器对系统模型依赖性强、鲁棒性差和跟踪机动目标能力有限的问题,提出了一种具备模糊自适应特点的模糊强跟踪卡尔曼滤波器(fuzzystrongtrackingKalmanfilter,FSTKF)。这种方法主要利用模糊逻辑自适应控制器监测残差均值与标准差,并根据模糊规则动态调整弱化因子,从而对强跟踪滤波器中多重次优渐消因子进行自适应调整,进一步提高滤波器的估计性能。仿真结果表明,该改进滤波器跟踪机动目标的精度高于常规卡尔曼滤波器和强跟踪卡尔曼滤波器。     

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。     

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。     

条件线性高斯状态空间模型的GSF-KF滤波算法

算法将模型中的条件线性状态方程代入观测方程,并融合线性状态的过程噪声和观测噪声,再与非线性状态方程联立,由高斯和滤波器(Gaussian sum filter,GSF)获得非线性状态的估计;然后将估计值代入线性状态方程与观测方程,由卡尔曼滤波器(Kalman Filter,KF)获得线性状态的估计.此外,获得的非线性状态估计的方差还用于修正线性状态的估计.将GSF-KF算法应用于目标跟踪的仿真结果表明,与现有Rao-Black-wellized粒子滤波器(Rao-Blackwellized ParticleFilter,RBPF)相比,新方法在保证精度的同时,明显提高了实时性,计算时间仅约为RBPF的7%.     

一种强跟踪自适应状态估计器及其仿真研究

分析了强跟踪滤波器中新息方差近似计算方法的不足,提出了一种基于衰减记忆思想来近似计算新息方差的改进强跟踪滤波器。然后,对于过程噪声水平未知的目标状态估计问题,在Sage-Husa过程噪声水平自适应估计算法的基础上,一旦通过基于新息的滤波器发散判据检测到可能出现的发散现象,提出用改进的强跟踪滤波器进行抑制,极大地提高了滤波算法的鲁棒性。对三种典型的目标机动形式进行的Monte-Carlo仿真结果进一步验证了新提出算法的有效性。     

带反馈信息的纯方位水下分布式融合算法

针对水下被动目标跟踪的特点，为了改善跟踪性能，本文研究纯方位水下分布式模型中多传感器的状态估计技术。参照雷达系统中的反馈机制，在观测平台有效机动的情况下，利用多传感器量测的方位序列进行状态估计融合。仿真结果表明，融合中心能够完成对目标的状态估计，且引入反馈机制可以明显改善局部传感器的估计精度。这为水下被动目标跟踪的实现，提供了工程应用参考。     

超低空拦截导弹武器系统的UKF-IMM目标跟踪算法

针对超低空拦截导弹武器系统的特点,提出了运用基于交互多模型的无迹卡尔曼滤波算法(UKF-IMM)对来袭目标进行状态估计的滤波方法.根据来袭目标的运动特点建立了特定的模型集,模型集由CV模型、比例导引模型和"当前"统计模型组成.每个模型分别采用UKF滤波器进行滤波,UKF-IMM滤波器的输出为各滤波器状态输出的概率加权融合.仿真结果表明,该模型集能够概括超低空拦截导弹拦截目标的运动样式,模型之间切换迅速,滤波算法收敛速度快.运用UKF-IMM滤波算法能够实现超低空拦截导弹火控系统对来袭目标及时准确地跟踪.     

基于观测值聚类的多雷达数据融合

根据多部雷达同一时刻对同一目标的观测值在空间呈团状的特征,运用模式识别理论中聚类的方法解决数据融合问题。采用一种改进的KNN算法对多雷达观测数据进行聚类,结合聚类中心和目标预测值,应用卡尔曼滤波器估计目标状态,从而实现多雷达数据融合。实验结果表明,这种方法是有效的。     

基于平方根CKF的多传感器序贯式融合跟踪算法

为了提高非线性序贯式融合跟踪算法的精度,提出了基于平方根容积卡尔曼滤波器的多传感器序贯式融合跟踪算法。该算法使用三阶容积数值积分原则计算非线性过程的均值和方差,克服了扩展卡尔曼滤波器存在的滤波精度低及平方根无迹卡尔曼滤波器存在的参数复杂的缺点。同时,在滤波递归过程中以协方差平方根矩阵代替协方差矩阵,这样确保了滤波算法的数值稳定性,提高了跟踪的精度。最后用已知弹道系数的再入段弹道跟踪模型对所提算法的性能进行仿真测试。仿真结果表明,所提算法具有很好的跟踪性能,是一种有效的非线性序贯式融合跟踪算法。     

基于平方根UKF的多传感器融合跟踪

为了提高融合算法的精度,将UKF(Unscented Kalman Filter)算法与多传感器顺序滤波融合跟踪算法相结合,提出了基于UKF的多传感器序贯融合算法.UKF算法利用非线性方程自身的传播,估计系统状态,避免了对非线性方程线性化的过程.顺序滤波融合算法用同一时刻的量测依次更新状态,计算复杂性低.仿真结果表明,UKF顺序滤波融合跟踪算法比传统的扩展卡尔曼滤波(EKF)算法有更高的跟踪性能,是一种有效的非线性融合算法.     

基于两次Kalman滤波的观测噪声自适应调整算法

在实际的目标跟踪过程中,由于目标远近等各种客观因素的影响,观测噪声是随时变化的.但是在标准卡尔曼滤波中,如果将观测噪声协方差设为恒定值,必然造成跟踪结果不理想.针对这种情况,通过在任意时刻施行两次卡尔曼滤波的结果来自适应地调整观测噪声协方差,使卡尔曼滤波算法中的观测噪声协方差与实际值更加接近,从而提高对目标的跟踪精度.最后Monte Carlo仿真实验证明了本算法的有效性.     

Neural fuzzy inference network approach to maneuvering target tracking

In target tracking study, the fast target maneuver detecting and highly accurate tracking are very important.And it is difficult to be solved. For the radar/infrared image fused tracking system, a extend Kalman filter combines with a neural fuzzy inference network to be used in maneuvering target tracking. The features related to the target maneuver are extracted from radar, infrared measurements and outputs of tracking filter, and are sent into the neural fuzzy inference network as inputs firstly, and then the target's maneuver inputs are estimated, so that, the accurate tracking is achieved. The simulation results indicate that the new method is valuable for maneuvering target tracking.     

基于鲁棒H∞滤波的多站角度测量机动目标被动跟踪

建立了机动目标的多站被动红外搜索与跟踪（infrared search and tracking, IRST）系统的当前统计模型,基于该模型提出了机动目标跟踪的鲁棒H∞融合滤波算法。该算法将H∞滤波算法和集中融合跟踪算法相结合,对多站IRST测得的目标角度信息进行融合,可解决被动式跟踪系统的可观测性及非线性问题,以实现对目标较高精度的定位和跟踪。以三个观测站进行跟踪为例,对一个高机动目标进行了仿真研究,仿真结果表明,该滤波算法比扩展卡尔曼滤波（extended Kalman filter, EKF）算法有更高的跟踪性能,是IRST系统中一种有效的跟踪算法。     

三维AoA目标跟踪的二次约束卡尔曼滤波算法

在基于到达角(angle of arrival, AoA)的三维目标跟踪中, 伪线性卡尔曼滤波具有稳定性高和计算复杂度低的优点, 但是严重的偏差问题使其跟踪精度迅速下降。针对该问题, 提出一种二次约束卡尔曼滤波(quadratic constraint Kalman filter, QCKF)算法。首先引入涉及所有观测噪声项的增广矩阵, 然后建立与线性卡尔曼滤波等价的目标函数并且附加含有二次项的约束条件, 以此降低偏差影响, 实现更准确的状态更新。QCKF算法采用广义特征值分解求解约束优化问题, 无法直接通过状态更新表达式推导其协方差矩阵, 因此利用约束条件以及矩阵扰动方法完成协方差矩阵更新。仿真分析表明, QCKF算法相较于其他非线性滤波算法具有更优的跟踪性能, 不仅在低噪声条件下可达到后验克拉美罗下界, 而且当噪声严重时能够显著降低跟踪误差, 并且计算开销不高。     

双基阵纯方位水下被动目标跟踪性能仿真分析

研究了基于纯方位信息的双基阵声纳信息融合的跟踪性能，并进行了详细的仿真实验。仿真结果表明，在平台—目标相遇这种较为常见的态势下应用扩展卡尔曼滤波可以快速、稳定地完成目标运动要素的估计，同时还揭示了平台与目标运动的几何态势对跟踪性能的影响，为工程应用提供了参考。     

运动参数受限的目标跟踪算法研究

提出一种运动参数受限的目标跟踪算法,对于速度受限目标采用平滑修正滤波跟踪算法,首先使用Kalman滤波得到当前时刻的滤波值,找到平滑精度最高点,根据速度限制条件,对滤波结果进行修正。为了保证滤波的无偏有效性,修正计算得到的结果不参与后续滤波处理。通过理论分析和仿真表明,速度受限跟踪算法在观测误差相对较大以及滤波起始阶段可以使滤波跟踪效果获得较大的改善。     

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。     

机动目标模型匹配卡尔曼滤波载波跟踪算法

针对传统卡尔曼滤波器用于高动态载波跟踪时性能不够理想的问题,提出一种基于机动目标模型匹配的卡尔曼滤波载波跟踪算法,能够在载波参数剧烈变化的条件下实现稳定的载波同步。所提算法较传统算法更加契合实际环境,具有实用价值高、应用范围广等优点。使用线性卡尔曼滤波器,无需矩阵求逆运算,计算复杂度低,便于工程实现。仿真结果表明,所提算法在跟踪具有剧烈动态特性的载体信号时能够显著提高跟踪精度,且跟踪门限信噪比能够降低约3 dB。