相控阵雷达采样周期自适应策略研究

采样周期是相控阵雷达资源调度的关键参数之一。深入研究了几种采样周期自适应策略，在此基础上提出了两种改进的采样周期自适应策略。提出了自适应采样周期下的性能评估公式，并分别基于IMM、Kalman滤波算法对它们进行了仿真分析比较，得到了令人满意的结果。     

一种模糊自适应交互多模型算法

提出了一种模糊自适应交互多模型（FAIMM）算法。该算法通过模糊推理机制，在线调节模型集合中部分模型的参数，使这些模型对不同的目标机动模式有更强的自适应能力，从而使该算法可以采用较少的模型达到很好的跟踪滤波效果，而且避免了传统交互多模型算法的模型冲突问题，大大减少了计算量。最后将该算法与传统的交互多模型算法进行了仿真对比，仿真结果表明，FAIMM算法比传统的交互多模型算法有更好的跟踪性能。     

利用子区域特征进行自适应目标跟踪

提出了一种基于目标区域分割的自适应运动目标跟踪算法。该算法通过K-均值聚类,将目标分割为多个子区域,根据子区域颜色特征及其分布提出了一种新的目标模型,并给出模型相似性测度准则,从而将目标模型更新问题简化为区域特征的更新,提高了模型的稳定性。同时在跟踪过程中,利用相似性测度检测目标遮挡程度,根据遮挡程度自适应地调整卡尔曼滤波器的参数和模型更新过程,提高了在遮挡情况下算法的鲁棒性。分析和实验表明,新算法能够在真实场景中准确、实时地跟踪目标,是一种有效的视频目标跟踪算法。     

组合导航自适应交互多模型算法研究

针对交互多模型(IMM)方法模型集覆盖能力与计算量相矛盾的问题,提出了将简化的Sage-Husa自适应滤波与IMM相结合,构成一种自适应交互多模型的方法.简化的Sage-Husa自适应滤波首先给出噪声统计特性的粗略值,IMM方法以该粗略值为中心,对称地得到模型集,再进行IMM估计.车栽组合导航仿真表明,该算法能够以较少的模型实现对实际模态的覆盖,而且精度比IMM方法也进一步提高.     

尺度自适应的多模型压缩跟踪算法

为了对复杂环境中的目标进行长时间的精确跟踪,在压缩跟踪算法的基础上提出一种尺度自适应的多模型压缩跟踪算法。该算法首先利用离线学习获得目标的尺度约束集,建立目标的多尺度模型,实现尺度的自适应选择;其次,利用随机投影矩阵对多尺度图像特征进行降维,减少算法计算量;最后,利用多模型分类器在线学习训练朴素贝叶斯分类器实现目标跟踪。实验结果表明,本文算法在跟踪尺度变化的目标和外观变化的目标时,跟踪性能有了较大改善,虽然处理时间有一定程度的增加但仍满足实时性的要求。     

自适应高斯模型与多基地雷达机动目标跟踪

为改善多基地雷达系统对高机动目标的跟踪性能,提出了基于自适应高斯模型和扩展卡尔曼滤波(EKF)的机动目标跟踪算法.将目标加速度的概率密度特性描述为一具有均值和方差的高斯分布,建立了系统的离散状态方程和非线性观测方程进行EKF滤波,并在每个采样周期实现对输入控制信号及过程噪声协方差的更新,使加速度符合目标的实际变化情况.Monte Carlo仿真结果显示,对目标的变加速轨迹,该算法在位置和加速度上的均方根误差均比Singer模型小,且误差曲线平滑,表明了该算法能对机动目标实现准确跟踪.     

一种灵活的相控阵雷达采样周期自适应算法

相控阵雷达的波束资源具有很大的灵活性。设计了雷达资源调度仿真模块 ,分析了对雷达波形、波束指向、采样周期等参数实施控制的意义和原则。重点研究了一种基于参数的采样周期自适应策略 ,并提出了改进算法。仿真研究表明 ,参数λ使得采样周期自适应策略更加灵活、有效。     

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。     

多模型自适应预测函数控制及仿真

许多工业控制对象存在一定程度的非线性环节,经典控制方法很难满足控制要求。多模型预测函数控制法结合了多模型控制法和预测函数控制法的优点,在一些复杂的工业控制系统中获得了成功的应用。结合模型匹配计算公式,提出了基于参数在线辨识的多模型切换方法。它不依赖于典型工况下系统参数的模型,且能根据实际系统的运行情况及时地切换模型参数。将这种控制方法应用到蒸馏塔温度控制系统中去,研究表明,这种控制方法有较强的自适应能力,具有一定的实用价值。     

基于当前统计模型的机动目标自适应强跟踪算法

在当前统计模型卡尔曼滤波算法的基础上,结合升半正态形模糊分布函数特性,提出了一种加速度方差两段函数自适应调整方法,该方法能自适应逼近目标真实机动并进行准确跟踪。给出了最大加速度自调整方法,克服了模型对目标最大加速度的依赖。引入强跟踪滤波算法,增强了模型对突发机动自适应跟踪的能力。理论分析和仿真结果表明,该算法提高了机动模型和系统模式的匹配程度,增强了系统对强机动目标的跟踪能力,并保持对弱机动和非机动目标良好的跟踪性能,且具有运算量小、跟踪精度高、易于工程化实现等优点。     

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。     

一类非线性系统的鲁棒自适应控制

针对一类含有不确定参数和未知扰动的非线性系统，提出一种鲁棒自适应控制方法以确保系统输出稳定地精确跟踪给定的参考信号。控制器的设计分两步进行：首先，在不考虑扰动的情况下，采用一种基于参数映射的Lyapunov设计方法设计系统参数自适应控制器；然后，在该自适应控制器的基础上，采用衰减控制策略设计鲁棒补偿器，实现对扰动的抑制。最后通过数字仿真验证了设计方案的有效性。     

异结构不确定混沌系统的广义投影同步

针对一类参数随时间变化的不确定混沌系统,用鲁棒自适应方法实现异结构混沌系统的广义投影同步和参数辨识。基于李亚普诺夫稳定性理论,设计了鲁棒自适应控制器和参数自适应律。通过改变广义投影同步的比例矩阵,获得所有状态变量任意比例于原驱动系统的混沌信号,并辨识出系统所有未知参数。以R-ssler超混沌系统和Lü超混沌系统为例,数值仿真验证了所设计方法的有效性和可行性。     

基于"当前"统计模型的交互式多模型算法

提出了一种基于"当前"统计模型的交互式多模型算法。在交互式多模型算法框架内,计算"当前"统计模型的概率,自适应地调整"当前"统计模型中目标加速度,使其能够反映目标的机动特性,充分发挥了"当前"统计模型和交互式多模型算法的优点,扩大了"当前"统计模型的应用范围,提高了"当前"统计模型的自适应性。Monte Carlo仿真结果表明了该算法的有效性。     

基于自适应初始搜索点预测的目标跟踪算法

为了得到恰当的初始搜索点以使得目标跟踪算法避开背景干扰并缩短搜索距离,提出了一种自适应初始搜索点预测的算法。该算法通过对坐标变换参数的变化率进行Kalman滤波来更好地预测初始搜索点;更重要的是,该算法有效地在线估计Kalman滤波器中的模型噪声功率,而非先验地对它们的取值做出假设,因而能够在没有任何人工干预的情况下动态地根据不同的目标运动状况和搜索精度进行实时调整。大量实景视频流上的实验结果均证实了该算法显著提高了跟踪稳定性,并且大幅降低了计算量。     

基于博弈论的自适应波束成形算法

针对自适应波束成形算法中用户之间的动态相互干扰,提出了一种基于博弈论的自适应波束成形算法,构建了波束成形博弈算法数学模型。该算法将不同用户的发射权值调整描述为一个多用户的博弈过程,通过数学推导论证了基于博弈论的自适应波束成形算法纳什平衡点的存在性和唯一性,设计了收敛的发射权值更新算法。通过仿真实验验证了算法的性能以及讨论了代价因子、可调参数和收敛精度等参数对算法的影响。     

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。     

改进SCEM-UA算法在概念性降雨-径流模型参数优选中的应用

在系统研究SCEM-UA算法基础上, 借鉴自适应Metropolis算法的思想, 对SCEM-UA算法中推荐分布的协方差策略和 接受率策略进行了改进, 改进后的算法能有效确保样本多样性的丰富和保持, 增强算法全局搜索能力, 避免'早熟收敛'. 以岷江流域降雨-径流模型参数优选研究为例, 分析了改进算法在推求参数后验分布的搜索性 能和效率, 计算结果表明, 改进SCEM-UA算法的参数推荐分布和接受率随着计算过程自动更新, 整体计算效率和 解的精度要明显优于传统的SCEM-UA算法.