一种强机动目标自适应跟踪算法

针对强机动目标跟踪精度不高的问题,提出了一种强机动目标自适应跟踪算法(HMIMM-CV/CAT)。首先通过机动检测区别目标的机动性能,分别应用Kalman滤波和交互多模算法对目标进行跟踪。其次对机动段交互多模算法,给出一组转弯模型离散模型集,在目标机动时通过角速度估计在离散模型集中遴选出一个最匹配的模型参加交互计算,使模型更加逼近目标真实运动模式,且不增加参与交互运算模型数量。蒙特卡罗仿真结果表明,该算法与几种类似算法相比,更加适用于强机动目标。     

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。     

一种机动目标跟踪的IMM模型优化设计方法

为了提高机动目标的跟踪精度,提出了一种使用2个模型实现对机动目标跟踪的多模型算法,采用当前统计模型和扩展后的常速模型组成的模型集进行交互.该算法不受目标转弯率大小和变化的限制,对目标运动模式的未知参数变化的适应性较强.该算法对目标的跟踪精度优于传统的使用3个以上模型交互的IMM-CV/CT算法,仿真结果证明了该算法的有效性.     

基于模糊神经网络融合的目标自适应跟踪算法

为解决基于“当前”统计模型的自适应滤波器对弱机动,特别是非机动目标跟踪精度下降问题,提出基于模糊神经网络的目标自适应跟踪算法,对并行工作的两滤波器进行数据融合.仿真结果表明:与一般自适应算法相比,该算法对各种机动程度的目标跟踪精度均有不同程度的提高,能更好地适应目标的各种运动形式,尤其适用于对目标的速度和加速度估计精度要求较高的场合,在指控、火控系统中具有实用价值.     

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．     

采用平方根高斯核积分滤波的目标跟踪算法

为进一步提高目标跟踪精度，提出了一种新的平方根高斯核积分滤波算法(SGKQF)。选取比例因子重构高斯-厄米特积分点，利用高斯核构造的线性方程组计算相应权重，从而建立单变量高斯核积分规则；采用张量积方法将其扩展到多变量积分规则，以实现对多维积分的数值近似；将其引入非线性高斯递推滤波框架中，为增强算法的稳定性，在滤波过程中使用协方差的平方根形式，得到SGKQF算法。将所提算法应用于纯方位目标跟踪系统中，仿真结果表明，在选取合适高斯核带宽的条件下，相对于传统GHQF算法，SGKQF对目标位置和速度估计的精度分别提高了8.7%和11.8%,可获得更高的滤波估计精度。     

机动目标有偏观测的主从融合算法

多传感器组网系统中,分立传感器之间存在着时空基准上的差异,即使经过校准,仍然会不同程度地残存系统误差。在这种有偏观测环境中,传统的异步序贯融合算法会出现显著的性能退化。针对上述问题,该文提出有偏观测下的主从融合算法。系统误差对目标位置估计的影响显著,而对速度估计的影响并不明显。因此,新算法采用主从两级结构,应用不同策略对位置和速度的估计分别处理,通过从滤波器的速度融合,为主滤波器的状态估计提供参考信息,以改善估计的性能。仿真结果表明:主从融合算法能够更有效地调和平滑度和机动跟踪能力的矛盾,可显著提高对目标速度估计的精度,改善对机动目标的跟踪性能。     

引入多速率模型的变结构机动目标跟踪

变结构多模型方法(VSMM)能够根据目标机动的实际情况实时确定结构不断变化的模型集合,取代传统IMM方法中的固定模型集.使参与状态估计的模型分布更集中,模型数量相对较少,从而提高算法的跟踪精度.多速率模型(Multirate)能够对原始测量数据进行多分辨分解,有效的抑制量测噪声,从而提高原始数据的信噪比.文章将多速率模型引入变结构多模型方法,提出一种新的机动目标跟踪算法多速率变结构多模型方法(MRVSMM),该方法分别从改善原始数据与改善模型集合两方面对传统IMM方法进行了突破.同时,采用多个多速率模型,并将多个模型的滤波结果相互交织实现对机动目标的全速率跟踪.仿真实验证明,该算法较传统的IMM方法跟踪精度得到了一定程度的提高.     

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。     

基于改进粒子滤波算法的车速估计

针对基于粒子滤波算法设计的车速估计器因提议分布与实际分布不一致导致粒子退化使估计误差变大的问题,提出了一种通过修正提议分布减弱粒子退化影响的改进粒子滤波车速估计器。首先,基于车辆运动学模型和传感器特性建立系统的状态转移方程和观测方程。然后,利用传感器测量值与粒子状态值的差值设计提议分布修正项对状态转移方程进行修正,并对过程噪声做自适应处理。最后,利用CarSim-Simulink联合仿真平台在双移线工况和正弦转角输入工况下进行仿真验证。与自适应粒子滤波器相比,双移线工况下改进粒子滤波估计器产生的纵向速度估计值和侧向速度估计值的平均绝对误差分别减小了40.25%和55.71%;正弦转角输入工况下,改进粒子滤波估计器产生的纵向速度估计值和侧向速度估计值的平均绝对误差分别减小了47.00%和41.21%。     

一种基于改进视觉注意模型和局部自相似性的目标自动检测算法研究

针对基于视觉注意模型的检测算法只能检测到图像中的感兴趣区域,无法准确地提供目标的轮廓和位置的不足,提出了一种基于改进视觉注意模型和图像局部自相似性的目标自动检测算法。通过增加运动速度和运动方向特征改进了经典的Itti视觉注意模型。利用改进的视觉注意模型提取感兴趣区域,提高了视觉注意模型的检测能力。再利用图像在边缘处具有良好的局部自相似性,实现了基于图像局部自相似性的目标检测算法。实验表明,算法能快速检测到图像中的目标感兴趣区域,并对其进行精确分割和定位。     

基于改进GMDH的科技成果中试转化系统模型构建

基于科技成果中试转化运行原理,搭建中试系统机理模型,利用改进GMDH构建相应数学模型。改进GMDH将含有回归项线性相关检测的快速递归算法（FRA）代替传统最小二乘（OLS）进行GMDH多层建模的部分多项式求解,使用初始变量添加法避免有效神经元过早丢失。以改进的GMDH对上海市中试转化统计数据进行建模及仿真实验,结果表明,所建模型比传统GMDH模型精度高,泛化能力强。     

基于平方根Unscented卡尔曼滤波的车辆融合跟踪

针对车辆运动的机动性和跟踪系统的非线性，提出了一种基于平方根Unsoented卡尔曼滤波(SR-UKF)的多传感器融合跟踪方法．该方法采用动力学模型建立系统的状态方程和量测方程，充分利用了多传感器的量测信息，更好地满足了目标的机动特性．采用基于UKF的数据融合方法处理系统的非线性问题，避免了扩展卡尔曼滤波(EKF)产生的线性化误差．同时，在滤波过程中，以协方差平方根阵代替协方差阵参加速代运算，有效地避免了滤波器的发散，提高了滤波算法的收敛速度和稳定性，实验证明，与基于EKF的融合算法相比，基于SR-UKF的融合算法使系统的位置和方向角的跟踪精度分别提高了18．22％和34．81％。     

非Gaussian信道DS-CDMA系统中的多用户检测算法

对于实际非Gaussian加性噪声信道条件下的DS-CDMA系统,基于理想Gaussian白噪声假设的多用户接收机的性能会严重下降。为了同时抑制多址干扰和非Gaussian脉冲噪声的影响,提出了一种自适应多用户接收机,其模型参数的估计和传输数据的检测采用EM/SAGE递归结构联合进行。该接收机具有实现简单、鲁棒性高、适用性强的优点。分析和仿真结果表明,无论是在多址干扰还是在非Gaussian脉冲噪声占主导的情况下,EM/SAGE-MUD算法在降低误码率,克服远近效应方面比起传统的多用户检测方法有显著改善。     

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.     

雾霾天气车辆检测的改进YOLOv3算法

针对传统YOLOv3算法中存在检测框定位不精确的问题，提出了一种改进的YOLOv3算法用来重新估计检测框位置，提高智能汽车在雾霾交通环境下的定位精度。首先运用图像去雾算法对采集到的图片进行预处理，然后构造定位置信度替代分类置信度作为参考项来选择估计检测框位置，并改进非极大值抑制（NMS）算法，引入软化非极大值抑制（soft-NMS），最后使用加权平均的方式来更新坐标位置，以达到提高定位精度的目的。实验结果表明，先经过单尺度retinex去雾算法处理图片，再通过改进的YOLOv3算法进行车辆检测，与使用原始的YOLOv3算法进行检测相比平均精度均值mAP（mean average precision）提高了0.44%，在满足检测实时性的同时，能够检测到更多的目标，对检测车辆的定位也更加精确。     

基于跟踪轨迹的车辆异常行为检测

为提高ITS(Intelligent Traffic System)交通事件管理的智能性, 提出基于跟踪轨迹的车辆异常行为检测,分为目标检测跟踪、轨迹分析处理和车辆行为分析3 个步骤。首先利用三帧差法对目标进行初始定位, 采用基于Kalman 预测器的改进跟踪算法对车辆进行跟踪; 然后提出采用最小二乘法自适应分段直线拟合算法对目标跟踪获得的运动轨迹进行快速拟合; 最后结合运动方向变化率和速度变化率两个参数建立车辆异常行为检测模型。实验结果表明, 在道路监控视频中, 该算法能快速准确检测急刹车、急转弯和急转弯刹车等车辆异常行为。     

接近非合作目标的航天器相对轨道有限时间控制

针对快速接近非合作目标航天器任务,提出了一种基于观测器的相对轨道有限时间控制算法．首先,基于非奇异的终端滑模技术,设计了一种有限时间控制器．该控制器可使追踪航天器与目标航天器的相对位置和速度在有限时间内达到期望值．其次,考虑到非合作航天器的逃逸机动,在控制器中引入了一种有限时间观测器,该观测器可在有限时间内估计出目标的逃逸加速度,从而保证闭环系统的全局有限时间收敛．最后,通过数值仿真验证了该控制算法的有效性．     

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．