一种用于杂波中机动目标跟踪的自适应关联波门设计方法

针对传统关联波门设计方法在应用于机动目标跟踪时容易引起失跟现象的问题,提出一种新的自适应关联波门设计方法。该方法在综合交互多模型概率数据关联算法的基础上进行关联波门设计,当波门内不存在有效量测时,首先以最大机动水平对应的模型误差协方差对关联波门进行适当扩大,确保量测点迹进入波门。然后假定目标的机动能力已知,在目标运动状态的预测范围内利用观测信息寻找最小均方误差意义下的最优波门中心。该方法可以从根本上改善关联概率,从而降低失跟率,提高目标跟踪精度。仿真结果表明,与传统关联波门设计方法相比,该方法的失跟率降低了30%~40%,而且目标机动时的跟踪精度提高了20%~30%。实测数据同样验证了该方法的有效性。     

混合坐标系singer模型跟踪突发机动目标改进算法研究

针对混合坐标系下singer模型对跟踪弱机动目标初期误差出现跳变现象,且对突发机动跟踪自适应能力较差的情形,本文提出一种改进算法,通过引入渐消因子,实时调节一步预测协方差,以此调节滤波器增益,增强了滤波器跟踪突发机动目标的适应能力,同时改进了混合坐系下singer模型跟踪算法的精度.仿真结果表明,本文算法对突发机动自适应跟踪能力和弱机动目标跟踪精度都有提高     

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．     

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.     

基于多模型与滚动时域估计的机动目标跟踪算法

针对受限于已知物理约束的机动目标,提出了一种目标跟踪算法。针对机动目标的不同运动模式,采用多模型组合的方法进行了近似;针对目标的已知物理约束,采用滚动时域估计方法进行处理,并将其作为状态估计的先验信息来提高估计精度;最终通过设计多模型结构的状态估计演化方程、改进滚动时域估计的误差协方差矩阵更新公式,给出了一种多模型结构与滚动时域估计相结合的机动目标跟踪算法。仿真结果表明:该算法与自适应卡尔曼滤波(AKF)、交互式多模型(IMM)算法相比,可以对具有物理约束的机动目标进行更好的跟踪。     

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。     

基于自适应采样速率交互式概率数据关联的机动目标跟踪算法

在交互式多模型和概率数据关联算法融合的基础上,又将自适应采样速率算法融合到交互式多模型概率数据关联滤波器中,提出了自适应采样速率交互式概率数据关联算法,该算法不但能有效地跟踪高速机动的目标,且能使系统的采样间隔根据目标的运动状态做自适应调整. 仿真结果表明该算法扩大了机动目标的跟踪范围,且对高速机动的目标有很好的跟踪效果和较强的跟踪精度.     

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。     

无线传感器网络下的粒子滤波分布式目标跟踪算法

针对无线传感器网络环境下的机动目标跟踪问题,提出了一种描述目标机动加速度的目标状态空间模型,以此模型为基础开发出基于粒子滤波的单目标和多目标跟踪算法.基本思想是:在状态空间中通过寻找一组传播的随机样本来获得近似后验概率分布,并以样本均值代替积分运算,从而求得最小状态方差估计.仿真结果表明,所提算法可以较好地解决无线传感器网络环境下的机动目标跟踪问题,速度跟踪精度、机动加速度跟踪精度均较经典分布式粒子滤波算法分别提高20%、27%.     

基于机动频率自适应的目标跟踪算法

利用观测新息在目标机动时发生变化的信息，设计了一种自适应的机动目标跟踪算法，通过对目标状态误差的估计，从而自适应的改变机动频率，使跟踪算法与目标的真实状态更接近，该算法具有运算量小、跟踪精度高、易于工程化实现的特点。     

基于模糊卡尔曼滤波器的机动目标跟踪算法

本文在基于"当前"统计模型的基础上,结合模糊推理技术,设计了一种改进的模糊自适应算法。该算法使用了模糊推理技术,使得系统状态噪声方差随着机动特性能够自适应调整,提高了系统在目标作非机动或弱机动时的跟踪精度以及在强机动时的快速响应能力。仿真结果显示,该算法在跟踪精度和收敛速度方面都优于传统的基于"当前"统计模型的跟踪算法。     

基于距离加权的概率数据关联机动目标跟踪算法

为了提高杂波环境下机动目标跟踪的实时性和精确性,在概率数据关联算法的基础上,引入距离加权的概念,以区分来自于目标的量测概率和来自于杂波的虚假概率,在一定程度上提高了概率数据关联算法在密集杂波环境下的非机动目标的跟踪性能.针对机动目标的跟踪,提出了一种适用于密集杂波环境下的联合交互式多模型概率数据关联跟踪算法,该算法利用距离加权的概率数据关联算法进行滤波.模拟实验结果表明:该算法可以在一定程度上提高密集杂波环境下机动目标跟踪的性能,能够更加有效、可靠地实现机动目标跟踪的目的.     

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。     

基于极大后验估计的STUKF算法跟踪再入弹道目标

针对弹道导弹再入阶段飞行受力情况复杂多变,状态噪声未知时变的非线性跟踪问题,提出基于极大后验估计的STUKF非线性滤波跟踪算法。该算法采用最小偏度单行采样策略,在保证跟踪精度的同时,提高实时性;引入带有多重次优渐消因子的强跟踪算法,在线调整状态一步预测均方误差阵,提高系统对突发机动跟踪的稳定性;采用指数加权的方法,利用次优无偏MAP时变噪声统计估计器,在线估计未知系统过程噪声的统计特性,提高系统应对噪声变化的能力。仿真结果表明:该算法具有比不敏卡尔曼滤波算法(UKF)和扩展卡尔曼滤波算法(EKF)更好的跟踪性能。     

基于期望极大化算法的转弯机动目标跟踪

针对目标做转弯机动时产生的运动模式的不确定性问题，提出了基于期望极大化（EM）算法的转弯机动目标跟踪算法，采用转弯速率来描述目标的转弯机动，并将转弯速率作为待估量，用EM算法对转弯速率序列进行估计，从而获得对目标状态的精确估计．最后，给出了该算法的批处理形式和递推形式．新算法有效地提高了目标的跟踪精度．Monte—Carlo仿真表明，与标准的交互式多模型算法相比，批处理EM算法使目标的位置和速度的跟踪精度提高了70％以上，当转弯速率处于稳态时，递推EM算法使目标的位置和速度的跟踪精度提高了20％以上．     

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。     

基于模糊逻辑和机动检测的AGIMM跟踪算法

针对机动目标高机动和多阶段运动的特性,单模型跟踪算法难以实现精确跟踪的问题,提出一种基于模糊逻辑和机动检测的AGIMM跟踪算法。考虑现有的AGIMM算法网格模型收敛速度慢和机动检测方法过于依赖模型后验概率的问题,首先引入模糊逻辑算法计算机动检测的可信度,然后利用机动检测可信度信息、目标的机动信息和模型的后验概率调整跟踪模型集的结构,克服了AGIMM算法模型收敛速度慢的不足,实现了模型与目标运动模式的快速匹配。仿真结果表明:与AGIMM算法和固定结构交互式多模型算法相比,文中提出的算法使得不同条件下的位置跟踪误差分别至少降低5.6%和15.1%,说明该算法具有更快的模型收敛速度和更高的目标跟踪精度。     

带常值偏差的机动目标跟踪数据处理方法

机动目标跟踪中的系统误差是影响跟踪精度的关键因素之一。为了抑制系统误差带来的影响,本文提出了基于UKF的常值偏差估计的机动目标跟踪处理方法,通过对状态变量的扩维处理,不仅能有效抑制动力学模型非线性和观测模型非线性带来的模型误差,还能对观测模型中产生的系统误差进行估计,从而提高机动目标跟踪精度。仿真实验表明,在测距和测速跟踪模式下,测距系统误差能有效估计出来,常值偏差不会对跟踪精度产生影响。     

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。     

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。