一种姿态角辅助的IMMPF算法

交互式多模型粒子滤波(IMMPF)算法把粒子滤波(PF,Particle Filter)引入交互式多模型估计(IMM)算法,从而能够有效地解决非线性、非高斯机动目标跟踪问题.首次把姿态角信息引入到针对空中机动目标跟踪的IMMPF算法中,通过姿态角测量与当前运动模式的模糊关联来辨识目标的机动模式,然后把辨识结果与IMMPF算法的后验粒子权值相融合,以提高算法本身的模型分辨能力;对机动目标跟踪的仿真实验表明,该方法能够有效地改善原跟踪算法的跟踪精度和稳定性.     

临近空间非弹道式目标跟踪修正变结构滤波

以X-51A和HTV-2为代表的临近空间高超声速飞行器采用非弹道式机动飞行方式,飞行速度快而且其加速度不规则,难以精确估计其运动状态。针对临近空间目标4种典型的非弹道式机动模式,设计了一种修正变结构交互式多模型(modified variable structure interacting multiple model, MVSIMM)算法。该算法采用当前统计模型作为中心模型,左右两边采用匀速转弯模型,相比传统变结构多模型算法, 提高了模型切换速度,实现更加实时,可以更高精度跟踪临近空间目标飞行器。仿真结果表明,针对4种非弹道式机动模式,修正变结构交互式多模型算法效果优于固定结构多模型滤波方法。     

基于Input Estimation的VSIMM机动目标跟踪

IMM算法的跟踪性能很大程度上取决于模型集的选择.提出了基于InputEstimation的自适应改变模型集的变结构多模型算法IE_VSIMM.对IMM算法输出的状态估计及其误差协方差进行准Kalman滤波,由Input Estimation算法得到的加速度增量估计,可检测目标机动和生成新的模型集.修正过程则由IMM算法在新模型集上对状态估计及其误差协方差进行更正.仿真结果表明IE_VSIMM算法的跟踪性能更好.     

非线性滤波算法在无源双基地雷达目标跟踪中的比较研究

针对无源双基地雷达目标跟踪问题,仿真分析了EKF、UKF、CDF等几种非线性滤波算法的状态估计性能。同时,基于后向平滑估计原理,利用当前观测数据平滑估计前时刻状态变量的均值和方差,提出了一种改进的UKF(CDF)滤波算法-BSUKF/CDF。仿真结果表明,在理想高斯白噪声情况下,UKF/CDF及BSUKF/CDF的跟踪性能相近,但均明显优于EKF;但若考虑角闪烁噪声,BSUKF/CDF的跟踪性能则优于UKF/CDF及EKF。     

基于小波变换的双站纯角度机动目标融合跟踪

纯角度跟踪通常面临非线性滤波和高速率量测数据处理问题。在小波变换的基础上提出一种新的双站纯角度机动目标跟踪算法。该算法使用无源定位的方法确定目标位置，并运用基于多速率运动模型的交互式多模型算法进行滤波。算法避免了角度量测下的非线性滤波，并减少了计算量。Monte Carlo仿真结果表明了算法的有效性。     

基于卷积粒子滤波的交互式多模型算法

针对噪声分布未知环境下的非线性目标跟踪,提出了基于卷积粒子滤波的交互式多模型算法。该算法利用卷积粒子滤波器并行地运行多个模型,对前一时刻每个模型的状态后验概率密度进行交互,从交互后的概率密度中采样作为当前时刻滤波器的初始粒子,对当前时刻每个模型的状态后验概率密度进行加权作为系统输出。与基于粒子滤波的交互式多模型算法相比,算法消除了对量测噪声分布的依赖,提高了效费比,理论分析和仿真结果证明了该算法的有效性。     

双站纯方位空时软约束无迹粒子滤波算法

针对双站纯方位机动目标跟踪中由信息不完全和非结构化测量环境导致的有界混合似然问题，提出空时软约束无迹粒子滤波算法。针对目标先验未知，利用光电经纬仪对极几何约束测量空间点，预测空间曲面中心计算转弯率；为覆盖多域似然，采用无迹变换技术更新目标状态，引入模糊测度调制重要性函数；为保持估计方差维数不变性，根据狄拉克后验采样提取目标状态。仿真结果表明，对于典型的双站经纬仪跟踪空域点目标，相比于Rao-Blackwell多模型粒子滤波，提出算法的计算复杂度与单模型粒子滤波量级相当；相比约束辅助粒子滤波算法，提出算法的滤波精度提高了27%～41%。     

基于交互式多模型的粒子滤波算法

融合交互式多模型和粒子滤波，提出了一种新的多模型粒子滤波算法。该算法采用多模型结构以跟踪目标的任意机动。各模型采用粒子滤波算法，以处理非线性、非高斯问题。各模型中相对固定数目的粒子群经过相互交互、粒子滤波后再进行重抽样以减少滤波退化现象。与通用的交互式多模型算法进行了比较，试验仿真结果证实了本文新滤波算法的有效性。     

一种跟踪机动目标的变结构交互多模型滤波算法

将当前统计模型和变结构多模型估计算法相结合,阐述了变结构多模型算法的基本思想,研究和设计了一种用于跟踪机动目标的变结构交互多模型算法。计算机仿真显示该算法能有效提高交互多模型估计器的费效比。     

基于容积粒子滤波的交互式多模型算法

针对非线性非高斯条件下目标跟踪容易发散和精度下降等问题,将容积粒子滤波引入到交互式多模型算法中,提出了一种基于容积粒子滤波的交互式多模型算法。该算法在粒子先验分布更新阶段,利用容积卡尔曼滤波器融入最新的观测数据并产生重要性密度函数,使其更加逼近系统真实状态的后验概率密度,改善了粒子滤波的性能。仿真表明在运算时间未显著变化的情况下,该算法与交互式多模型无迹粒子滤波算法相比有着更高的滤波精度和稳定性。     

基于IMM的UK-GMPHDF算法在多机动目标跟踪中的应用

为解决非线性系统滤波的非线性和多机动目标跟踪问题,提出了一种基于交互多模型(IMM)的无迹卡尔曼实现的高斯混合概率假设密度滤波(UK-GMPHDF)算法.该算法结合了IMM算法对不同目标机动模型的自适应能力和UK-GMPHD滤波精度高、计算量小的优点.此外,滤波器利用UK-GMPHD滤波,不仅避免了难以解决的数据关联问题,而且可以联合估计目标数和目标状态.在非线性系统和杂波环境下,通过对多机动目标跟踪的应用仿真,将该算法和基于单模型的UK-GMPHDF算法进行了比较,仿真结果表明了基于IMM的UK-GMPHDF算法具有较好的跟踪性能,大大提高了多机动目标跟踪精度,减少了跟踪的多目标误差.     

机场三维态势呈现中IMMKF平滑ADS-B数据

针对基于广播式自动相关监视(automatic dependent surveillance-broadcast, ADS-B)数据进行机场三维态势呈现的应用,研究了在态势显示的第一步,ADS-B数据精度不高、不平滑问题,预处理后数据可以用于后续插值生成高帧率的航迹数据。交互式多模型卡尔曼滤波(interacting multiple model Kalman filter, IMMKF)算法可以较好地解决机场场面运动目标ADS-B轨迹数据的实时平滑问题。首先,根据飞机的真实运动情况建立了飞机的匀加速运动、匀速转弯运动及匀速运动模型,然后利用卡尔曼滤波Singer模型与IMM相结合的IMMKF算法对场面飞机的ADS-B轨迹进行了跟踪滤波,达到目标轨迹光滑的效果。实验结果表明,与多种经典的滤波方法相比, IMMKF方法在保证了光滑性的情况下跟踪失败概率低,可实时计算,精度能满足要求。     

基于低轨星网的多目标协同跟踪滤波技术

低轨高密度星网因其覆盖范围广、能够对弹道目标进行全程跟踪而受到广泛的重视。针对低轨星网对多弹道目标协同跟踪问题, 提出一种基于卡方分布和无迹卡尔曼滤波(unscented Kalman filter, UKF)的多目标协同跟踪滤波算法。该方法首先在卡方分布的假设下, 设计了一种基于测量平面的数据关联指标函数, 实现量测值的分配; 在此基础上采用变结构滤波框架对多弹道目标进行状态更新; 最后给出了多目标状态估计性能的评估指标。数值仿真实验证明, 所提算法可以有效地实现多目标在测量平面上的数据关联, 并以较少的计算量对多目标进行准确估计。     

一种基于目标运动模型的可变固定延迟的平滑算法

近来，对于机动目标跟踪的问题已经提出很多平滑方法。其中相互作用多模型一概率数据关联固定延迟算法（IMMPDAS）对在杂波环境下跟踪机动目标提供了一个较为有效的解决方法。然而，在此标准的平滑算法中，对于每一种模型采用相同的延迟间隔。提出了一种新的基于IMMPDA状态扩展系统的算法。它的改进性在于针对每种模型的复杂性采取不同的平滑延迟步幅，从而计算量将会大大降低，并且使用将更加灵活。通过对一个高度机动目标的多传感器跟踪的仿真实例来进行验证。仿真结果表明提出的平滑算法精度上与原有的平滑算法相差无几，都比已有的IMMPDA算法在航迹估计精度上有了显著提高，但却有更小的计算量。     

基于SVM数据融合的实时粒子滤波算法

采用粒子滤波的目标跟踪算法在粒子数目较多时计算量大、实时性差,针对该问题提出了一种新的基于支持向量机数据融合的实时粒子滤波算法。该算法在估计窗实时粒子滤波的基础上,使用支持向量机融合窗内不同时刻粒子集,并根据融合的结果更新粒子权值,实现对目标状态的快速跟踪。相对于原算法采用最小化Kullback-Leibler距离来调整估计窗混合分布的权值,该方法的计算复杂度低、速度快,进一步提高了算法的实时性。对纯角度目标跟踪问题的仿真结果表明了该算法的可行性和有效性。     

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。     

高斯粒子PHD滤波的多个弱小目标TBD算法

针对现有多个弱小目标检测前跟踪(track before detect, TBD)算法存在的跟踪精度低,算法复杂度高等问题,提出一种新的基于概率假设密度(probability hypothesis density, PHD)的TBD算法。所提算法通过高斯粒子滤波对PHD中的各高斯项进行递归运算、进行多帧能量累积,并提取高斯项的均值为目标的状态,达到检测与跟踪多个弱小目标的目的。算法在随机集滤波框架下完成未知数目的多个弱小目标跟踪,不仅充分利用粒子滤波的非线性估计能力,同时避免了传统算法利用模糊聚类进行目标状态提取所带来的跟踪精度低等问题。仿真结果表明,所提算法与传统方法相比,在降低算法复杂度的同时,对多个红外弱小目标具有更加良好的实时检测和跟踪性能。     

分布式被动传感器网异步采样下的机动目标跟踪

针对分布式被动传感器网的特点，提出了一种异步采样条件下机动目标跟踪方法。该方法采用交互式多模型概率数据互联滤波器跟踪机动目标。为启动滤波器，采用最大似然法估计目标初始状态；为适应异步观测条件，提出了马尔可夫转移概率计算方法。仿真实验表明，在分布式被动传感器网中采用该算法能有效进行机动目标跟踪。     

基于AGIMM的临近空间机动目标跟踪滤波算法

由于临近空间高超声速目标的机动形式复杂,单一模型很难满足高精度跟踪的需要。因此需要使用基于多种模型进行交叉耦合的交互式多模型算法,这种算法特点与临近空间目标高速、高机动特性相适应。提出了一种自适应网格交互多模型跟踪算法用于临近空间高超声速机动目标的跟踪问题。所提方法能够处理自适应时变模型集合,随时调整当前时刻使用的模型数量,相比于固定结构交互式多模型算法极大减少了计算量,计算效率和跟踪精度更高,数值仿真结果验证了所提算法的有效性。     

基于容积变换的平滑变结构滤波及应用

针对非线性系统状态估计中,平滑变结构滤波(smoothing variable structure filter,SVSF)算法要求系统是连续可微的且需要计算系统Jacoby矩阵的问题,提出了基于球面径向基容积规则的平滑变结构滤波(cubature-smoothing variable structure filter,C-SVSF)算法,该算法避免了对非线性系统Jacoby矩阵的计算;同时受计算机计算字长的限制,算法会有一定的舍入误差,误差的积累有时会导致协方差矩阵失去非负定性和对称性,从而使得滤波计算发散。因而进一步提出了C SVSF的平方根形式,即平方根容积平滑变结构滤波算法。最后在动力定位船状态估计仿真实验中,说明了算法的有效性。