适用于模型失配时的改进IMM算法

机动目标难以跟踪的主要原因是无法找到一个准确的模型来描述目标的运动,即此时目标运动模型是失配的。现今交互式多模型（interacting multiple-model, IMM）算法是一种常用的用于机动目标的跟踪算法。推导分析了现有的典型IMM滤波算法在跟踪机动目标时存在的不足,提出了一种更适用于运动模型失配情况下机动目标跟踪的改进IMM算法。该算法对在跟踪机动目标时滤波器的新息序列的均值特性进行推导分析,改进了IMM算法中模型概率的计算方法,提高了模型概率计算的准确性,从而提高对机动目标的跟踪精度。建立了典型的机动目标跟踪场景,将改进后的IMM算法和原有的典型IMM算法的跟踪性能进行了对比研究,并对模型转换概率的准确性进行了分析,仿真结果验证该改进算法的有效性。     

自适应CS模型的强跟踪平方根容积卡尔曼滤波算法

对于目标跟踪过程中的强机动问题,基于当前统计(current statistical, CS)模型和改进的强跟踪平方根容积卡尔曼滤波器(square root cubature Kalman filter, SCKF),提出新的跟踪算法。在CS模型和改进输入估计算法的基础上,引入加加速度估计,使得状态过程噪声与状态协方差矩阵相联系,实现模型的自适应调整。从正交性原理出发,重新确定了渐消因子的引入位置,并提出了新的渐消因子计算形式,以克服传统渐消因子在雷达量测坐标系中的失效问题,从而构造强跟踪平方根容积卡尔曼滤波器。另外,构造强机动检测函数,利用SCKF的输出来调整自适应CS模型中的机动频率。仿真结果表明,相比基于CS模型的多重渐消因子强跟踪SCKF算法、改进CS模型的强跟踪SCKF(SCKF STF)算法和交互式多模型(interacting multiple model, IMM)SCKF算法,所提算法具有更佳的目标机动适应性和跟踪精度;相比于IMM SCKF算法,实时性有明显改善。     

一种简化的交互多模式算法

通过对交互多模式(IMM)算法在机动目标跟踪中的分析,发现该算法在实现过程中滤波模式的确定和模式间转移概率的确定,要求具有一定的经验知识,对不能获得准确先验知识的研究带来了一定的困难。针对这种情况,研究了一种简化的IMM算法跟踪模型,该模型通过检测目标是否发生机动,自适应调整Kalman滤波(KF)的部分参数,从而实现不受IMM算法中有限模式集合限制的机动目标跟踪。通过仿真实验,证明了该算法在机动目标跟踪性能方面与IMM算法具有相似的效果,而在计算复杂度和对先验知识的要求方面有所降低     

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.     

空间机动目标跟踪的改进自适应IMM算法

针对使用模型似然函数比对传统交互多模型(interacting multiple model, IMM)算法模型转移概率实时修正存在奇异的问题, 基于所提修正函数给出一种改进自适应IMM算法。首先, 将白噪声模型与扩展卡尔曼滤波(extended Kalman filter, EKF)算法结合, 设计了非机动模型EKF1及机动模型EKF2作为IMM算法模型集。其次, 预报模型采用适应椭圆参考轨道的非线性相对轨道动力学方程以提高模型预报精度。最后, 分析了速率量测信息对减小机动目标跟踪峰值误差的作用。仿真结果表明, 改进的模型转移概率自适应IMM-EKF算法跟踪精度明显提高, 且优于比较的现有方法; 引入速率量测信息后, 最大峰值误差及估计精度得到了改善。     

融合位置和姿态信息的模型概率估计

为了利用目标的姿态信息来提高机动目标跟踪的精度,提出一种融合位置和姿态信息的模型概率估计算法。该算法采用模糊关联的方法,实现了基于姿态信息的模型概率估计;根据离散点过程滤波的基本理论,对其进行滤波;采用贝叶斯推理方法,对来自姿态的模型概率和来自位置的模型概率进行了信息融合,并将融合后的模型概率应用到IMM算法。仿真表明,改进的IMM在保持传统IMM实时性的基础上提高了跟踪精度,从而验证了姿态信息对目标跟踪的辅助作用。     

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。     

基于平方根CKF的多传感器序贯式融合跟踪算法

为了提高非线性序贯式融合跟踪算法的精度,提出了基于平方根容积卡尔曼滤波器的多传感器序贯式融合跟踪算法。该算法使用三阶容积数值积分原则计算非线性过程的均值和方差,克服了扩展卡尔曼滤波器存在的滤波精度低及平方根无迹卡尔曼滤波器存在的参数复杂的缺点。同时,在滤波递归过程中以协方差平方根矩阵代替协方差矩阵,这样确保了滤波算法的数值稳定性,提高了跟踪的精度。最后用已知弹道系数的再入段弹道跟踪模型对所提算法的性能进行仿真测试。仿真结果表明,所提算法具有很好的跟踪性能,是一种有效的非线性序贯式融合跟踪算法。     

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.     

未知转换概率矩阵下的机动目标跟踪算法

机动目标跟踪过程中的转换概率矩阵往往是未知的,系统状态也将呈现非线性、非高斯、不完全观测的特点。传统的方法如交互多模型、广义伪贝叶斯算法等解决该类型问题的效果并不理想。将准贝叶斯法则和辅助粒子滤波算法相结合,提出了一种新的未知转换概率矩阵条件下的机动目标跟踪算法(QB-APF)。仿真结果表明,该算法与其他方法相比具有更高的滤波精度和较好的数值稳定性。     

基于修正的自适应平方根容积卡尔曼滤波算法

目标建模不确定性会造成滤波算法性能下降, 通过构建强跟踪滤波器(strong tracking filter, STF)可以提升滤波算法的自适应性, 但是构建STF时存在理论推导复杂、求解计算量大等局限和不足, 针对上述问题, 在平方根容积卡尔曼滤波(square-root cubature Kalman filter, SRCKF)的基础上, 提出一种基于修正的自适应SRCKF算法。该算法通过设置判定门限和修正准则, 直接对状态预测值或滤波增益进行修正以平衡先验的预测值和后验反馈的量测值在滤波中所占的比重, 进而减小状态估计误差。仿真结果表明, 所提算法具有在目标状态突变和量测非线性时的良好滤波性能和数值稳定性, 同时相比较需要计算渐消因子的STF算法, 该算法在计算量和收敛速度上具有优势。     

基于交互多模型的分组δ-广义标签多伯努利算法

为了解决马尔科夫跳变系统广义标签多伯努利滤波器在多机动目标跟踪场景需要计算大量模式假设分支,并且需要频繁对假设分支进行剪枝,导致算法存在计算量过高并且影响跟踪精度的问题,提出一种基于交互多模型的分组δ-广义标签多伯努利滤波器.滤波器采用航迹分组策略,不同组的航迹独立进行关联映射与分支权重计算,降低了关联的计算复杂度,可...     

基于自适应扩展H∞滤波的机动目标被动跟踪

为提高对机动目标的跟踪效果,提出了一种基于扩展H_∞滤波的自适应交互多模多被动传感器机动目标跟踪算法。利用简化的Sage-Husa自适应滤波器与交互多模相结合,对多被动传感器测得的目标角度信息进行融合,解决了被动式跟踪系统的可观测性及非线性问题,将扩展H_∞滤波器作为模型条件滤波器,通过调节扩展H_∞滤波器参数和量测噪声预测协方差矩阵,增强了对外界干扰的鲁棒性。仿真结果表明,所提算法比扩展卡尔曼滤波交互多模算法和标准交互多模算法具有更高的跟踪性能,在多站被动红外搜索与跟踪中是一种有效的跟踪算法。     

一种改进的分布式多目标跟踪算法

将多平台分布式的IMM_Kalman(DIMM_Kalman)算法和IMM_JPDA(DIMM_JPDA)算法相结合,得到改进的DIMM_JPDA(DIIMM_JPDA)算法。在DIIMM_JPDA算法中,每个平台都有自己独立的IMM算法跟踪系统,每个IMM算法中都采用Kalman/JPDA滤波器,全局的滤波值由各平台的滤波值融合而成。然而在全局融合中,由于协方差矩阵可能出现奇异,导致计算的不稳定性或出现严重异常。为了克服上述问题的缺点,引入了特征值扰动方法,使该协方差矩阵变成非奇异矩阵。仿真实验表明改进的DIIMM_JPDA算法比DIMM_JPDA算法有更小的误差。     

基于MCMC无味粒子滤波的目标跟踪算法

针对传统粒子滤波目标跟踪算法存在粒子退化的问题,提出了基于马尔可夫链-蒙特卡罗(Markovchain Monte Carlo,MCMC)无味粒子滤波的目标跟踪算法.该算法采用无味卡尔曼滤波(unscented Kalmanfilter,UKF)生成粒子滤波的提议分布,来代替传统粒子滤波算法采用状态转移先验概率作为粒子滤波的提议分布,以改善滤波效果,然后在无味粒子滤波的基础上融合了典型的MCMC抽样算法(Metropolis Hastings,MH),从而可以减少传统粒子滤波未考虑当前量测对状态的估计作用所带来的影响.融合后的算法将当前量测信息融入到滤波过程中,并使采样粒子更加多样化.实验结果表明,该算法较传统方法在跟踪精度方面有显著的提高.