高频地波雷达飞行目标高度估计

高频地波雷达探测空中目标时缺乏俯仰角度信息,不能直接获取飞行目标高度,目标状态初始值对跟踪精度影响很大。提出一种拟牛顿法与高度参数化迭代扩展卡尔曼滤波(heightparameterized iterated extended Kalman filter,HPIEKF)结合的方法跟踪目标三维信息。首先利用雷达系统过去时刻和当前时刻的观测信息通过拟牛顿法估计目标的飞行高度;其次,用该高度值初始化HPIEKF,对飞行目标进行三维信息跟踪。仿真实验表明,拟牛顿法能够以较小误差估计出目标飞行高度,利用该估计值作为HPIEKF跟踪的初始值,提高了跟踪精度。     

通信距离约束下双无人机目标跟踪算法

提出了一种旨在提高定位精度,同时具有保证通信距离约束和传感器探测距离约束性能的无人机双机协同跟踪路径规划算法。分析了传感器误差引起的目标定位误差,指出使用协同跟踪的优势。针对通信约束、传感器距离约束以及精度要求,分别提出了漏斗函数、参数冻结等策略,满足了双无人机协同目标跟踪时的相关约束。设计了双无人机目标三维定位的方法。通过对无人机双机协同跟踪精度与单机目标测量精度仿真对比,验证了算法能够在维持两种距离约束的情况下,以较高的精度跟踪目标。     

利用变采样率技术改进机载雷达的跟踪性能

机载雷达跟踪目标丢失现象的重要因素之一是由于雷达载机与目标之间的相对运动,在回波信号中产生线性调频项,线性调频项对多普勒频率和距离门估计产生了积累误差,最终导致跟踪目标丢失.提出了应用变采样率技术估计线性调频项参数来减小距离跟踪的误差,提高雷达的跟踪目标性能.同时还进行了具体的理论分析和计算机仿真,结果表明该技术是有效的.     

基于分支剔除的低轨星座实时传感器调度算法

针对低轨星座目标连续跟踪的传感器资源调度问题,通过对调度约束因素的分析,提取跟踪精度、资源松弛度和资源分配均衡因子三个优化参数,建立了传感器实时调度模型;并建立长时调度决策树,将标准代价搜索方法和分支剔除技术相结合,提出了一种基于分支剔除的实时传感器调度算法。仿真实验表明,标准代价搜索和分支剔除技术的引入明显降低了调度算法的运算量,尤其对于多目标和大步长的情况,且调度传感器跟踪目标的误差略小于短时调度方法。     

雷达群目标跟踪条件下的弹道预报方法

弹道导弹在突防时表现为弹头、诱饵等群目标特征。雷达对群目标进行跟踪时,如果某一目标出现丢失,为维持航迹,常利用弹道导弹运动轨迹可预测的特点进行弹道预报。预报的精度主要取决于初值精度。考虑到雷达对群内多目标探测信息具有相关性,多目标之间的相对误差一般小于单个目标的绝对误差。利用这一误差特性,在群目标间不发生机动运动情况下,提出了利用群内目标间的相对运动关系,用雷达正在跟踪的目标对其他丢失目标进行弹道预报的方法。通过误差分析,定量研究了利用群内目标的相对运动关系提高弹道预报精度的机理。仿真表明,当雷达对群目标探测信息相关性较好时,该方法大幅提高了弹道预报精度。     

针对目标跟踪的分布式MIMO雷达资源分配算法

基于分布式多输入多输出雷达,针对目标跟踪精度的优化问题提出了一种联合资源优化分配算法。首先,推导了机动目标跟踪误差的贝叶斯克拉美罗下界(Bayesian Cramer Rao lower bound, BCRLB),由BCRLB可知其跟踪精度主要由信号发射功率、带宽和信号有效时宽决定。然后,以最小化目标的BCRLB为目标函数,建立了包含相应的3个资源变量的优化模型,分析可知该模型的求解是一个非凸问题的求解。所以采用循环最小化算法和凸松弛的方法将这个非凸的优化模型转化为凸优化模型进行求解。最后,仿真结果表明,利用所提出的资源分配算法能明显提高机动目标的跟踪精度。     

考虑雷达导引头前馈补偿的一体化制导方法

针对大机动目标使空空导弹雷达导引头跟踪误差加大和制导精度下降的问题,提出了一种考虑雷达导引头前馈补偿的一体化制导方法。针对机动目标,构造视线角速度前馈补偿回路,对雷达导引头角跟踪系统进行补偿,提高导引头响应速度,降低跟踪误差角。基于视线坐标系设计一体化制导算法,采用卡尔曼滤波器对弹目视线角速度和目标加速度进行估计,将视线角速度信息前馈补偿到导引头跟踪回路中,将目标加速度信息补偿到最优制导律中,同时实现雷达导引头视线角快速跟踪和最优制导律制导信息提取。仿真结果表明,一体化制导算法可同时实现对导引头视线角速度和目标机动的估计,从而提高制导精度。     

跟踪机动目标的雷达波形选择新方法

针对多项式预测模型描述的机动目标,提出了一种新的雷达波形选择算法。由于机动目标的运动方程满足多项式的规律,以运动目标的多项式预测模型作为状态方程,Kalman滤波器可以很好地跟踪目标的位移和速度信息,并得到估计误差以及其预测。利用跟踪器得到目标状态估计误差的预测误差椭圆为基准,通过分数阶傅里叶变换来旋转测量误差椭圆,以使得雷达的测量误差椭圆与目标跟踪算法对目标状态的估计误差的预测的误差椭圆正交,从而得到了最优的波形选择。仿真结果表明,所提出的算法在性能上优于对比算法。     

基于SCKF的光电跟瞄系统等效复合控制

由于高能激光武器独特的毁伤机理要求其光电跟踪瞄准系统的控制精度达到微弧度级,因此由跟踪目标加速度带来的跟踪误差已不可忽略。提出了一种速度与加速度前馈补偿以提高光电跟瞄系统跟踪精度的方法,推导了该系统加速度前馈补偿的误差系数。为获得高精度的目标运动要素,应用平方根容积卡尔曼滤波(square〖JP3〗 root cubature Kalman filter, SCKF)算法对目标进行滤波预测。在建立的等效复合控制系统中进行仿真实验,结果表明,基于SCKF前馈补偿方法相对于基于常用非线性卡尔曼滤波算法的前馈补偿方法,精度得到大幅提高。     

雷达测距数据不匹配系统误差的测速诊断*

对于连续波雷达系统跟踪远程导弹、卫星等飞行器的数据处理问题，本文提出了利用测速数据对测距数据的系统误差进行诊断及修正的方法。在冗余信息较少的情况下，可用此方法修正不匹配误差，以提高定轨精度；同时说明了该方法可用于雷达测量丢失少量数据的情况下，识别测距数据是否发生跳变的问题。仿真与实测数据处理结果表明，该方法计算简单，精度较高，实用性好。     

基于任务驱动的机载相控阵雷达TAS调度算法

针对单波束多功能机载相控阵雷达的资源分配问题,提出一种自适应搜索加跟踪(track and search, TAS)调度算法。该算法以调度间隔为周期,基于先前调度任务的处理结果实时生成当前的任务请求集合,以跟踪类型任务竞争时间资源,搜索任务一直等待空闲时间片为准则,实现搜索和跟踪的协同调度。此外利用波束位置、任务类型和预测速度信息,实时分配各执行任务的工作波形。仿真结果表明,该算法能够合理调度各类跟踪请求事件和搜索事件,同时具有自适应调整执行事件的跟踪时间间隔和探测波形的能力。     

基于多次卡尔曼滤波的目标自适应跟踪算法与仿真分析

标准的卡尔曼滤波算法由于使用了固定单一的状态噪声模型,因此当目标运动状态经常发生剧烈变化时,跟踪效果不是很理想。为了提高对目标的跟踪精度和跟踪收敛速度,提出了一种新的算法,通过多次步长不同的卡尔曼滤波算法来判断机动目标的运动状态,进而使得系统状态噪声协方差能够随着目标机动情况自适应调整。最后的蒙特卡罗仿真实验验证了此算法的有效性。     

高分辨距离像辅助的机动目标跟踪算法

宽带相控阵雷达可以获得高分辨距离像,利用此特征获取目标的姿态角成为了一种可能,基于此提出了一种新的机动目标跟踪算法,充分利用高分辨距离像特征,实时估计目标姿态角,并将姿态角信息融合到雷达的量测方程,本文结合先进的非线性滤波算法,提出了利用姿态角的交互多模型不敏卡尔曼滤波算法。通过计算机仿真表明,利用目标姿态角的机动目标跟踪算法相比传统算法目标跟踪精度(位置精度和速度精度)得到很大提高。同时姿态角误差越小,目标跟踪性能越好。     

基于机会约束规划的机会阵雷达功率资源管理算法

研究了在进行多目标跟踪时机会数字阵列雷达(opportunistic digital array radar, ODAR)的功率资源管理问题。针对复杂多变的环境和未知的目标信息所导致的不确定性,建立了基于随机和模糊机会约束规划(chance constraint programming, CCP)的多目标稳健功率资源管理模型。模型引入随机变量表征雷达总发射功率,引入模糊变量表征每个目标的RCS,以贝叶斯克拉美罗界(Bayesian Cramer Rao lower bound, BCRLB)作为目标跟踪精度的衡量标准,将随机模拟和模糊模拟都嵌入到遗传算法(genetic algorithm,GA)当中,从而预测出下一时刻满足给定置信水平的各目标最优的功率分配,然后根据求解出来的功率分配情况,利用无迹卡尔曼滤波器(unscented Kalman filter, UKF)进行目标跟踪。最后,通过仿真实验验证了算法的有效性和稳定性。     

机载雷达、红外、电子支援措施协同跟踪与管理

针对辐射限制下的目标跟踪问题,提出了一种机载雷达、红外传感器(infrared search and track, IRST)、电子支援措施(electronic support measure, ESM)协同跟踪与管理的方法。针对雷达、红外、ESM量测时间不一致的特点,采用顺序处理结构的多传感器集中式融合方式对目标进行跟踪,利用跟踪过程中的预测协方差与预定门限进行比较控制雷达辐射,并分析了红外、ESM不同间歇时间、不同控制门限与雷达辐射时间的相对关系。研究结论有助于提高作战飞机的抗侦察和抗干扰能力,从而提升整体的生存能力。     

利用方向角信息辅助雷达目标跟踪

传统雷达仅能提供目标的方位和距离量测,由于可利用的信息相对较少,跟踪精度很难进一步提高。利用现代雷达的高分辨探测能力,提出了一种基于距离像识别信息辅助目标跟踪的模型,并结合求根不敏卡尔曼滤波技术得到了一种高性能跟踪算法。该算法根据距离像识别结果得到目标方向角的测量,进而通过增加观测量的维数来提高目标的跟踪能力。不同条件下的仿真结果表明,利用方向角信息辅助的跟踪算法收敛速度快,跟踪精度高,且复杂度与传统算法相当。     

基于预测信息的量测转换序贯滤波目标跟踪

针对多普勒雷达目标跟踪问题,提出了基于预测值量测转换的序贯滤波目标跟踪算法。该算法采用基于预测信息的量测转换方式解决量测与目标运动状态的非线性,其中位置量测转换采用乘性去偏、伪量测转换采用加性去偏,量测转换误差的统计特性基于预测值进行推导,并采用序贯滤波方式处理伪量测以实现目标跟踪。同时将该算法扩展到机动目标跟踪情况,综合利用了位置量测与伪量测滤波部分输出的概率组合作为该模型的更新概率,利用模型更新概率对各滤波器的状态估计结果进行加权求和获得最终估计。仿真结果表明该算法与传统的序贯滤波跟踪算法相比,具有更高的跟踪精度,其扩展方法可实现有效的机动目标跟踪。     

Multiple-target tracking with adaptive sampling intervals for phased-array radar

A novel adaptive sampling interval algorithm for multitarget tracking is presented.This algorithm which is based on interacting multiple models incorporates the grey relational grade (GRG) into the particle swarm optimization (PSO).Firstly,the desired tracking accuracy is set for each target.Secondly,sampling intervals are selected as particles,and then the advantage of the GRG is taken as the measurement function for resource management.Meanwhile,the fitness value of the PSO is used to measure the difference between desired tracking accuracy and estimated tracking accuracy.Finally,it is suggested that the radar should track the target whose prediction value of the next sampling interval is the smallest.Simulations show that the proposed method improves both the tracking accuracy and tracking efficiency of the phased-array radar.     

基于VSMM的GMCPHD滤波算法在多机动目标跟踪的应用

针对交互多模型(interacting multiple model, IMM)在多机动目标跟踪算法中存在的缺陷以及目标跟踪精度问题,提出了基于变结构多模型（variable structure multiple model, VSMM）的高斯混合基数概率假设密度（Gaussian mixture cardinalized probability hypothesis density, GMCPHD）滤波算法。该算法利用了VSMM具有自适应性、时变性的特点,达到了在某一时刻能够选取与目标运动模式相匹配的模型集合的目的,相比于IMM考虑的仅是固定的模式集合具有很强的优越性。此外,GMCPHD滤波算法不仅避免了数据关联问题,而且通过高斯分布递推PHD函数的同时递推基数分布。最后,利用雷达作为传感器,对跟踪机动目标进行仿真,证明VSMM相比于IMM对于多机动目标跟踪更具有优越性,同时验证了VSMM GMCPHD滤波算法具有提高机动目标跟踪精度,减小跟踪误差的作用。     

基于ANFIS的自适应机动目标状态估计算法

针对基于当前统计(current statistics,CS)模型的机动目标状态估计算法对机动目标加速度的极限值依赖性大的缺陷,提出了一种利用自适应神经网络-模糊推理系统(adaptive neuro-fuzzy inference system, ANFIS)自适应调整目标状态噪声方差的方法。首先利用ANFIS算法对目标机动强度进行估计,进而对目标状态噪声协方差矩阵进行自适应调整;然后利用粒子滤波(particle filter, PF)算法对目标状态进行估计。仿真结果表明,与该方法能够有效提高目标状态估计的精度。