基于似然函数的自适应Singer模型滤波算法

Singer模型滤波算法可以对机动目标进行有效跟踪,但其模型参数的确定依赖于先验知识,且一旦确定,将在滤波过程中不再变化.因此,当事先确定的参数与目标机动不匹配时,跟踪精度会变得比较差.针对模型参数失配时,传统Singer模型不能有效跟踪机动目标的问题,提出一种自适应Singer模型滤波算法.在滤波过程中,构造多模型的模型似然函数,并随着滤波过程实时计算模型似然函数,根据似然函数的变化,自适应调整Singer模型加速度参数.仿真表明,该算法能够有效跟踪目标不同的机动情况,滤波效果较固定参数的Singer模型算法和离散自适应Singer模型算法更优.     

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。     

改进的截断正态概率密度模型自适应滤波算法

应用当前统计模型跟踪机动目标时,模型参数机动频率和加速度极限值需要根据经验事先设定,在假设不准确的情况下,大大降低了模型的跟踪精度。针对此问题,基于截断正态概率密度模型,提出了一种新的参数自适应跟踪滤波算法。该模型算法通过使用距离函数来表征目标进行机动的强弱状况,采用指数型调整函数自适应调整目标的加速度极限值和机动频率,从而实现了对系统状态噪声和滤波增益的自适应调整,提高了机动模型与目标实际机动情况的匹配程度,提升了滤波器的跟踪性能。仿真结果表明:与常规ACS和TGPMKF算法相比,新算法在跟踪机动目标时,性能更优。     

修正的截断正态概率密度模型自适应滤波算法

针对机动目标跟踪问题,在截断正态概率密度模型的基础上,通过目标机动状况与相邻采样时刻间位置估计量变化之间的函数关系实现噪声方差自适应调整,提出了一种新的自适应滤波算法——基于截断正态概率密度模型修正的自适应滤波算法。计算机仿真结果表明,该算法在跟踪机动目标时,具有良好的跟踪性能,并极大地改善了跟踪非机动目标的能力。     

基于正态截断模型的被动传感器目标跟踪算法

被动传感器只能获得目标的角度信息而无法获得位置信息,因此单被动传感器对目标进行跟踪时难以满足可观测性条件.对单被动传感器高斯-厄米特滤波的量测模型进行扩维,建立了多被动传感器高斯-厄米特滤波模型.由于Singer模型只适用于匀速和匀加速范围内的目标运动,对于强烈的机动将引起较大的模型误差.而正态截断模型本质上是非零均值时间相关模型,能够更加真实地反映目标机动泛围和强度的变化,是目前较好的实用模型.文中基于正态截断模型提出了只有角度量测的双被动传感器高斯-厄密特机动目标跟踪算法,仿真结果表明,该方法能够对机动目标进行稳定的跟踪.     

当前统计模型自适应滤波算法改进

由于"当前"统计模型自适应滤波算法对于最大加速度的过分依赖,使其对于弱机动目标并不具有较高的跟踪精度,基于"当前"统计模型自适应滤波算法的研究及目标跟踪性能的分析,提出了将目标的机动状态划分为强机动和弱机动,当目标在作弱机动运动时,可通过修正最大加速度来提高跟踪精度,分别针对常速、常加速、弱变加速三种弱机动情况进行了数学仿真,仿真结果表明,通过修正最大加速度的方法,可使该算法对于弱机动目标的跟踪精度大大提高。     

目标航迹在转弯状况下自适应滤波算法的研究

在分析机动目标在弯道飞行状况下的运动特点后推导了一个建立在以弯道曲率中心为极点的极坐标系上的目标模型并提出了一个自适应滤波算法.在自适应滤波算法中引进了对曲率中心参数的修正以及采用似然比判据检测进入(或退出)机动状态的时刻.计算结果表明,该算法具有较强的跟踪弯道飞行目标的能力,且计算量增加不多.     

基于CS-CL两层嵌套模型的强机动目标跟踪算法

针对强机动目标的跟踪问题,提出了一种基于两层嵌套模型的强机动目标跟踪算法,以改进"当前统计"(current statistical,CS)作为内模型;利用滤波残差构造统计量,对目标机动进行检测,根据检测结果在线修正"CS"模型参数以适应目标的机动;以"曲线"(curve linear,CL)模型为外模型,它以改进的"CS"模型的目标加速度估计值作为输入参数,利用CL模型可以较好近似目标曲线运动的特点,实现对强机动目标进行高精度稳定跟踪。仿真验证了算法的有效性。     

一种跟踪机动目标的双带宽自适应滤波器

本文研究了一个跟踪机动目标的双带宽自适应滤波器,两个不同带宽的滤泼器由不同参数的Singer模型构成。目标运动状态的估计始终是这两个滤波器输出的线性组合假设检验理论用来确定组合系数的计算。Monte-Carlo仿真结果表明,这一双带宽滤波器调整时间和对目标机动变化的反应时间都较快。     

基于粗神经网络的并行自适应滤波算法

讨论了机动目标跟踪问题，针对机动目标并行自适应滤波特点，结合粗神经网络特有的同一神经元可以双输入的特点，利用全状态反馈，提出了基于“当前”统计模型的粗神经网络并行自适应滤波算法，仿真表明该算法对机动目标具有较强的跟踪能力。     

基于混合坐标系下的自适应α-β滤波器

针对雷达目标,观测和处理了在不同坐标系下的数据,提出了一种混合坐标系下的自适应α-β滤波算法来跟踪机动目标。该算法以自适应α-β滤波器为基础,将直角坐标系和球面坐标系下的算法相结合,克服了这两种坐标系下滤波算法的不足,对机动目标有很好的跟踪效果。仿真表明,该算法的跟踪性能优于单一坐标系下的自适应α-β滤波器,尤其适用于TWS雷达多机动目标跟踪情况。     

光电经纬仪对机动目标跟踪算法的研究

被动式跟踪基本上都是假定目标作匀速或匀加速直线运动,跟踪问题较为简单,一旦目标发生机动,传统的跟踪方法就无法对机动目标进行稳定的跟踪。本文采用目标的位置、速度、加速度作为状态变量,基于“当前”统计模型对机动目标进行建模,并结合Kalman算法进行滤波,仿真表明了该算法在光电经纬仪中的适用性。     

基于改进“当前”统计模型和AKF的机动目标跟踪

采用"当前"统计模型设计Kalman滤波算法,实现对机动目标的自适应跟踪;并针对"当前"统计模型对机动目标跟踪中存在的缺陷,提出改进的"当前"统计模型,根据滤波估计值对最大加速度进行自适应调整,使得系统噪声方差随着目标运动情况自适应变化;此算法在没有增加任何计算量的基础上有效提高了机动目标的跟踪性能.通过对实际交通视频的仿真实验验证了算法的有效性.     

基于改进遗传粒子滤波的纯方位机动目标跟踪

采用传统遗传粒子滤波算法解决纯方位机动目标跟踪时,由于进化过程中大权值父粒子产生新生代粒子的变异方式比较单一,会导致目标在机动时跟踪误差较大和收敛时间长的问题。为解决该问题,提出一种在进化时调整新生代粒子的分布方式及变异幅度的改进遗传粒子滤波算法,以扩大粒子分布范围、多样化变异幅度并提高粒子接近机动目标真实运动状态的可能性。经仿真实验验证,本文的改进遗传粒子滤波算法能有效提升纯方位机动目标跟踪的收敛速度,减小跟踪误差,提升系统的估计性能。     

机动目标跟踪中一种改进的自适应卡尔曼滤波算法

针对“当前”统计模型中预先设置机动频率和加速度极限值造成对目标跟踪精度不高的问题,提出一种新的参数自适应算法.该算法利用目标前后2个时刻的加速度均值代替“当前”统计模型中只利用前一时刻的加速度值作为当前时刻的加速度均值,推导出了机动频率自适应,再利用加速度方差与加速度变化量之间存在的正比线性关系,推导出了加速度方差自适应,避免了由于参数设置不合理而造成的跟踪误差.理论分析和仿真结果表明,改进算法有效提高了目标跟踪精度,仿真结果验证了改进算法的有效性.     

基于粒子滤波的仅有角测量的被动跟踪

基于粒子滤波,提出了仅有角测量无源被动跟踪的新解决方法．该方法采用“当前”统计模型,使用粒子滤波算法,融合了双站测量数据．在双站测量的被动跟踪试验中,仿真结果证实了该方法能有效跟踪高度机动的目标．     

EKF算法在机动模型中的应用研究

针对大多数情况下,对目标机动的先验知识了解很少,且目标在机动过程中受人为作用力的影响,很难用数学公式准确描述,只能在各种假设条件下用近似方法描述该问题,因此假设了一种机动目标模型:初始匀速直线阶段、匀速圆周运动阶段、返回匀速直线阶段,在此过程中线速度大小v保持不变。利用扩展卡尔曼(extended kalmanfilter,EKF)滤波算法进行定位跟踪,仿真结果表明,该假设模型既符合机动实际,又便于数学处理,并且滤波算法过程稳定,具有较快的收敛速度和较高的定位精度,提高了机动目标跟踪的精度和系统的实时性。     

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.     

EKF算法在机动模型中的应用研究

针对大多数情况下,对目标机动的先验知识了解很少,且目标在机动过程中受人为作用力的影响,很难用数学公式准确描述,只能在各种假设条件下用近似方法描述该问题,因此假设了一种机动目标模型:初始匀速直线阶段、匀速圆周运动阶段、返回匀速直线阶段,在此过程中线速度大小口保持不变.利用扩展卡尔曼(extended kal-man filter,EKF)滤波算法进行定位跟踪,仿真结果表明,该假设模型既符合机动实际,又便于数学处理,并且滤波算法过程稳定,具有较快的收敛速度和较高的定位精度,提高了机动目标跟踪的精度和系统的实时性.     

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.