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。     

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。     

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Jerk模型高机动目标跟踪自适应算法

在Jerk模型的基础上,提出了一种新的高机动目标跟踪自适应算法STF-C-Jerk.该算法利用“当前”模型的思想,将Ｊerk项假设成为非零均值过程,更切合目标机动实际过程,同时通过引入强跟踪滤波器的渐消因子,实时调节滤波器增益,增强了系统对目标突发机动的自适应跟踪能力.仿真结果表明,提出的STF-C-Jerk自适应跟踪算法显著提高了Jerk模型自适应算法的跟踪性能.     

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。     

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.     

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。     

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．     

基于当前统计模型的机动目标被动跟踪

介绍了极坐标系下的被动跟踪算法及存在的问题，并分析了其原因，为解决机动目标的被动跟踪问题，选取当前统计模型对加速度进行建模，并建立双机目标测量模型，推导了被动式机动目标自适应跟踪算法。Monte-Carlo仿真表明，新算法能够跟踪任意机动的飞行目标。     

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.     

基于空域和时域信息的交互多模优化跟踪算法

机动目标跟踪所遇到的基本问题是所建目标模型的动力学方程与目标的实际运动模型存在着不匹配.为了解决这一问题,提出了基于辐射源信号的方位角及时间差信息的交互多模IMM滤波算法.这种算法是一种最佳的合成滤波器,它的主要特点是具有用几个模型估计系统状态的能力,而这些模型可以相互转换,这种方法能更好地解决对机动辐射源的无源定位跟...     

基于“当前”统计模型的模糊自适应航迹预测算法

基本的"当前"统计模型由于其机动加速度极限值固定不变,只能描述机动加速度较大的机动目标。因而基本的"当前"统计模型及其自适应滤波算法(CSAF)对机动性较强目标的预测性能较好,而对机动性较弱目标的预测误差较大。针对这个问题,新算法中设计了一种新的模糊隶属度函数,利用机动目标的"当前"加速度来自适应地调整机动加速度极限值,使"当前"统计模型可以描述具有任意加速度的机动目标。最后,运用该算法和CSAF算法对机动目标进行了航迹预测仿真实验,仿真实验结果表明,无论对于机动性较强的目标还是机动性较弱的目标,新算法的预测性能均优于CSAF算法。     

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.     

组网雷达自适应数据融合跟踪算法

针对高速、机动目标的实时、精确跟踪问题,提出一种能在线调整组网雷达中各雷达权值的自适应数据融合算法。按照一定的规则寻找最佳的权系数,使融合后目标的状态估计值最优;把输入信号用作自适应滤波器的量测信号,利用新息相关的自适应滤波算法对状态方程及量测方程中误差的变化调节增益矩阵的大小,同时根据自适应滤波的状态偏差输出信号与当前的量测数据,运用模糊推理规则对组网雷达系统中各雷达的权值进行在线调节;系统输出结果即为自适应数据融合下目标的最优状态估计值。仿真结果验证了该算法在跟踪精度和收敛速度上的优越性,实现了组网雷达系统对目标的自适应跟踪。     

自适应模型集交互式多模型算法

针对交互式多模型(IMM)算法的目标跟踪精度问题,提出了一种自适应模型集IMM算法.利用IMM算法中的模型概率含义,并以此对模型集的收缩比例因子进行设计,这样模型集通过向中心模型收敛可完成自适应调整,而自适应调整过程能有效、实时地利用观测信息.仿真实验结果表明,所提算法能有效跟踪机动目标,而且比IMM算法的跟踪精度更高,但其受到目标机动模型的先验性的限制.     

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