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。     

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。     

α-β滤波器和复合控制

通过对复合控制在α-β滤波器中应用原理的分析,得出了在四维跟踪雷达系统中,距离跟踪回路可利用速度跟踪回路测量结果应用复合控制方法来减少跟踪高加速度目标时产生的动态滞后误差的重要结论,并提出了工程实现方法和应用该方法的具体步骤,通过仿真实验证明了该算法的有效性。实验数据表明,这种方法对于四维跟踪雷达是否需要利用测速回路输出改善测距回路性能具有重要的参考意义。     

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。     

一种带未知时变系统噪声水平的目标跟踪滤波器

在机动目标跟踪中，为了保证Kalman滤波器的数值稳定性和最优性，未知的时变系统噪声水平需要在线估计，但已有方法主要针对平稳或统计特性缓变的噪声过程。在Sage-Husa系统噪声水平自适应估计算法的基础上，通过引入基于新息的滤波器发散检测判据和利用强跟踪滤波器的思想，提出了一种系统噪声水平估计值的时变调节因子阵来抑制因系统噪声水平突变而引起的滤波器可能出现的发散问题。Monte-Carlo仿真结果表明，该算法不仅数值稳定性好，同时目标的跟踪精度也得到明显改善。     

基于强跟踪滤波器的纯方位机动目标跟踪算法

针对无源纯方位跟踪中目标机动的问题,提出了一种基于强跟踪滤波器的机动目标跟踪算法.该算法在目标机动跟踪中通过实时调节增益阵,提高了滤波器对状态变化的跟踪能力,避免了修正增益协方差(MGEKF)算法中所寻找的观测量修正函数不准确而引起较大的误差.同时对量测模型非线性问题采用伪量测变换估计器(PLE)予以解决,它具有形式简单,计算量小的优点.最后将该算法与MGEKF算法相比较,Monte Carlo仿真结果验证了提出算法的优越性.     

视频监视中运动目标的检测与跟踪算法

提出一种视频监视中运动目标的精确检测、提取以及跟踪算法。该算法采用基于自适应背景图像估计与当前多帧图像的混合差实现快速精确地检测和提取目标 ,使用扩展的Kalman滤波器预测运动目标下一时刻可能处于的区域 ,缩小了目标跟踪时的搜索范围。充分利用运动目标检测的结果 ,提高了目标的匹配效率及跟踪速度。     

时域宽带矩阵空域滤波器设计方法

提出了一种基于FIR滤波器的时域宽带矩阵空域滤波器设计方法.首先,采用窄带矩阵空域滤波器优化设计方法,设计对应工作频带内各子带的恒定扇区响应空域滤波加权矩阵集.应用该矩阵集元素重构N个宽带基阵加权向量集,设计对应的N个恒定响应空域宽带FIR滤波器,进而构成时域宽带矩阵空域滤波器.该方法实现了对阵元接收宽带数据的时域矩阵空域预滤波,提高了系统的实时信号处理能力.计算机仿真和实验数据处理结果验证方法的有效性.     

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。     

基于时域特性的非相参雷达目标检测与跟踪

将跟踪雷达的目标检测策略应用于搜索雷达数据处理,提升对复杂低空空域非相参雷达图像中小弱目标的检测与跟踪能力。首先,根据跟踪目标的生命周期等时域特性,修正“最优分类面”中目标预估位置邻域内的分割阈值,以提高目标检测灵敏度。然后,利用杂波在雷达图像序列中的时域特性进一步修正“最优分类面”,剔除剩余杂波。最后,将本算法与已经实现的基于空域特性的杂波抑制算法相结合,分别应用于仿真和实测数据,并采用多种方法评价检测结果。检测结果表明,本算法能够在提高检测率的同时,进一步降低虚警率。     

一种变阶数自适应滤波算法

通过对回声抵消的实际应用环境进行分析,提出一种新的动态改变自适应滤波器阶数的算法。该算法在权系数的长度与失调误差信号之间建立一种非线性函数关系,具有在环境突变阶段,保持较高的滤波器阶数,而在稳态阶段自动减少阶数的特点,可以极大地降低自适应滤波器算法的运算量。理论分析和计算机仿真结果表明,该算法具有良好的收敛性能和跟踪性能,稳态误差的水平与传统算法保持一致。     

基于多模型蒸馏的时间正则化相关滤波跟踪算法

目前大多数基于相关滤波的跟踪方法是通过对模型采取简单的线性加权融合或是将历史模型作为时间正则化项来约束模型更新的方式, 增强滤波器对目标的判别能力, 但这种方式对目标时域信息利用有限, 容易造成模型退化漂移。本文提出一种基于多模型蒸馏的时间正则化相关滤波跟踪算法, 该方法通过收集跟踪过程中利用当前样本产生的独立模型, 在建立包含背景信息的局部样本库中来指导滤波器更新, 以此保留目标在时域中的鲁棒特征。同时，根据每一个模型对当前目标的表征能力不同进行可靠性权值更新。最后，利用交替方向乘子(alternating direction multiplier，ADMM)算法进行模型迭代优化。通过在大量的数据库进行实验, 结果表明本文的方法在精确度与成功率上有了大幅提升。     

基于粒子滤波的机器人定位及动态目标跟踪

提出了一种基于粒子滤波的动态跟踪算法,解决了传统SLAM理论在处理动态目标时误差不断累加的问题。通过分析移动机器人和激光测距仪,里程计的原理,建立了机器人的运动和观测模型。将数据关联的方法用于动态环境中则提高了系统的稳定性和定位的精度。仿真结果表明此算法能够比较精确地估计出机器人的位姿以及动态目标在地图中的位置,为开展将静态与动态相结合的定位与地图构建的研究提供了一种可行方案。     

基于强跟踪滤波器的改进非线性自适应观测器

对基于强跟踪滤波器的非线性自适应观测器(nonlinearadaptiveobserver,NAO)的收敛性进行了分析,给出了NAO局部渐近收敛的充分条件。提出了一种改进非线性自适应观测器(modifiednonlinearadaptiveobserver,MNAO)算法。MNAO在具有强跟踪特性的同时对输出测量中的坏数据有较强的鲁棒性。为了降低对初始误差的敏感性,采用一种强跟踪扩展卡尔曼观测器算法启动MNAO。数值仿真示例显示了本方法的有效性。     

机动目标跟踪的斯-厄米特粒子滤波算法

闪烁噪声环境下的机动目标跟踪实质上是一个非线性非高斯系统滤波问题,为了提高跟踪精度,应用高斯-厄米特滤波方法来产生粒子滤波器(PF)的重要密度函数,解决了PF算法的粒子退化问题,并给出了基于高斯-厄米特粒子滤波器(GHPF)的闪烁噪声机动目标跟踪算法。仿真结果表明,各种PF算法对闪烁噪声机动目标的跟踪精度远远好于卡尔曼滤波方法;同时GHPF不仅提高了估计精度,而且减少了粒子数目,降低了算法的复杂度,因此其综合性能要好于其他PF算法,具有较高的跟踪精度和较好的实时性。     

基于PDAF和线性预测的实时小目标跟踪算法

根据红外图像中小目标的典型特征提出了一种新的小目标检测算法。利用图像小目标的微分几何特性,计算图像的最小法向曲率,并以此为阈值,获得小目标的候选区对象,以实现目标检测。针对复杂背景下跟踪过程出现背景杂波干扰或目标受到遮挡时,出现目标消失的问题,提出了一种基于概率数据互联滤波器和线性预测技术相结合的实时跟踪算法,以提高目标跟踪的稳定性和精度。最后,利用实际录制的图像序列进行仿真实验,可准确跟踪信噪比不小于2、运动速度为1帧/像素的目标,验证了算法的有效性和实时性。     

基于Masreliez-Martin的鲁棒分数阶容积卡尔曼滤波算法及应用

针对具有非高斯量测噪声的分数阶离散时间非线性系统的状态估计问题, 提出一种基于Masreliez-Martin(简称为M-M)方法的鲁棒分数阶容积卡尔曼滤波器。在分数阶离散非线性动态系统基础上, 使用三阶容积原则推导了状态预测公式, 并使用M-M方法实现状态的量测更新, 构成了基于M-M方法的鲁棒分数阶容积卡尔曼跟踪算法。将提出的算法应用到再入目标的状态估计中, 仿真结果表明, 基于M-M方法的鲁棒分数阶容积卡尔曼滤波器优于分数阶无迹滤波器和分数阶容积卡尔曼滤波器。最后, 分析了不同程度的量测污染噪声对鲁棒分数阶容积卡尔曼滤波算法的估计性能影响, 验证了所提算法的鲁棒性。     

基于混合粒子滤波的多目标跟踪

针对可变数量的多个红外弱小目标的检测与跟踪问题,提出了基于混合概率密度模型的多目标先跟踪后检测方法,开发了一种t分布混合粒子滤波器.在混合粒子滤波器中,利用每个分量粒子滤波器的输出信息,根据序列似然比假设检验,检测每个被跟踪目标的存在性.通过估计目标在离散占据网格上的出现概率,检测新目标的出现.混合粒子滤波器使用单独的粒子滤波器独立估计每个被跟踪目标的状态,避免算法的计算量随着目标数量增加呈指数增长的问题.仿真实验证明混合粒子滤波器能够跟踪目标数量可变的弱小目标,能够同时检测目标的消失和出现.     

非均匀稀疏采样环境自适应α-β滤波算法

针对非均匀稀疏采样环境下的被动机动目标跟踪问题,提出了一种新的自适应α-β滤波算法.算法首先在最小均方误差准则下,推导了α-β滤波器的最优参数选择方法;然后详细分析了非均匀稀疏采样被动传感器上报数据的特点,提出利用上报时间间隔和目标速度来设计跟踪指数,且根据被动传感器系统的实际观测情况,推导了观测误差标准差的表达式;最后,在保证算法稳定性的前提下,给出了自适应滤波器参数设计方法.实验结果表明,提出算法能够准确对机动目标进行跟踪,性能要好于工程中常用的α-β滤波器,且算法设计简单,能够工程实现.     

基于状态参数调整的多速率自适应算法

通过对实际应用环境的分析,提出一种新的动态改变自适应滤波器权系数更新速率的算法。该算法在权系数的更新速率与误差信号之间建立一种非线性函数关系,具有在环境突变阶段,滤波器系数的更新速率自动变快,而在稳态阶段更新速率很慢的特点,可以极大的降低自适应滤波器的运算量。理论分析和计算机仿真结果表明该算法具有良好的收敛性能和跟踪性能,稳态误差的水平与传统算法保持一致。