基于量测转换序贯滤波的GMPHD机动目标跟踪

针对多普勒雷达杂波环境下的多机动目标跟踪, 提出了一种基于去相关无偏量测转换序贯滤波的多模型高斯概率假设密度算法。针对量测的非线性, 将位置量测进行无偏量测转换, 将多普勒量测进行去偏量测转换, 并通过序贯滤波方式提高跟踪精度。针对多目标的机动性, 在高斯混合概率假设密度(Gaussian mixture probability hypothesis density, GMPHD)中引入多模型思想对模型相关的高斯分量进行预测、更新处理。仿真结果显示, 所提算法可以在杂波环境中实现有效的机动多目标跟踪, 与无迹卡尔曼多模型GMPHD相比不仅跟踪精度提升了38.15%, 而且大大改善了算法效率; 与无迹卡尔曼最适高斯近似GMPHD相比, 在效率上有小幅度的增加, 且跟踪精度提升了36.47%。     

极坐标系中带多普勒量测的雷达目标跟踪

将仅仅考虑位置量测的二维去偏一致转换量测卡尔曼滤波算法进行推广,以解决包含多普勒量测且斜距误差和多普勒误差相关的雷达目标跟踪问题。首先用斜距和多普勒量测的乘积构造伪量测,以减小多普勒量测和目标运动状态之间的强非线性程度;然后用嵌套条件方法得到了转换量测误差前两阶矩的一致性估计;最后根据伪量测是目标运动状态二次函数的特性,用二阶EKF最优地实现了非线性跟踪滤波,其中为了进一步减小二阶EKF的近似误差,利用Cholesky分解实现了位置量测和伪量测的序贯处理。Monte-Carlo仿真结果表明采用新算法可以明显改善跟踪滤波器的性能。     

基于概率数据关联的雷达导引头抗速度拖引干扰算法

针对在速度拖引干扰下, 脉冲多普勒雷达导引头无法精确跟踪、制导目标的问题, 提出了基于概率数据关联的抗速度拖引干扰算法。对于雷达导引头角度测量信息和Doppler测量信息, 采用序贯扩展卡尔曼滤波算法进行目标状态估计。根据Doppler信息强非线性的特点构建了伪量测信息, 并提出了在Doppler量测更新滤波估计阶段，采用概率数据关联算法进行抗速度拖引干扰。给出了算法的推导过程, 并进行了数值仿真验证。仿真结果表明, 采用该算法能够稳定跟踪释放多重速度拖引干扰的目标, 有效抑制速度拖引干扰对制导信息估计的影响, 改善导弹的制导精度。     

分布式干扰下组网雷达目标检测与跟踪技术

针对分布式干扰下组网雷达目标检测与跟踪,提出一种基于分布式干扰下雷达量测模型的跟踪技术。该跟踪技术包括分布式干扰下量测模型和组网雷达序贯滤波跟踪两部分,分布式干扰下量测模型根据雷达采取抗干扰措施前后的接收机输入端的信干比分别计算检测概率,进而模拟传感器在分布式干扰下对目标的检测情况。在组网雷达序贯滤波中,首先对分布式干扰下各雷达的量测数据进行串行合并和点迹合成,然后采用基于交互多模型的序贯滤波方法对压缩后的数据进行跟踪。该检测与跟踪技术可模拟出雷达在分布式干扰下因检测概率下降造成的目标暂消现象,提高组网雷达跟踪航迹的连续性和稳定性。仿真结果证明了该技术的可行性和有效性。     

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。     

基于最小二乘滤波起始的机动目标被动跟踪方法

针对仅有量测角的机动目标跟踪给出了基于最小二乘法的滤波器起始方法。该方法减少了伪量测估计方法的估计偏差,同时克服了基于最大似然估计算法计算复杂和容易陷入局部极值点的不足。该起始算法与交互式多模型(IMM)算法相结合实现了对机动目标的被动跟踪。计算机仿真验证了该方法的有效性。     

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.     

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.     

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。     

组网雷达系统对于高加速机动目标的精确跟踪研究

针对多基地雷达系统跟踪近距离高加速机动目标的场合,提出了一种并行扩展卡尔曼滤波算法。该算法首先建立起组网雷达群跟踪目标运动形态的观测模型,然后将三维加速度矢量引入到目标的运动模型中,通过并行计算的方式,在对加速度进行合理估计的基础上对量测数据进行卡尔曼滤波跟踪分析,获得目标的精确轨迹。仿真结果表明,该算法不仅能快速精确计算目标的位置和速度,而且具有很好的瞬态特性和稳态特性。     

基于卡尔曼滤波的组网雷达系统目标跟踪分析

提出了一种快速卡尔曼滤波跟踪算法,用于组网雷达系统对机动目标的跟踪分析.该算法只需要组网雷达系统给数据处理中心提供每个接收机所测得的准确径向距离,然后根据推广卡尔曼滤波技术迭代估算出目标的位置.对机动目标的仿真结果表明,该算法不但大大减小了传统跟踪算法的运算复杂度而且具有优良的跟踪性能,尤其适用于近距离高速运动目标的准确跟踪.     

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。     

基于自适应滤波的高超声速滑翔目标三维跟踪算法

针对临近空间高超声速滑翔飞行器机动模式复杂, 单一运动学模型难以完成三维跟踪的问题, 提出一种三维跟踪方法。将飞行器机动弹道分为纵向和横向弹道, 根据飞行器机动特性, 在纵向上将加速度建模为零均值的二阶时间自相关随机过程, 在横向上采用Singer模型和匀加速模型进行交互多模型(interactive multiple model, IMM)滤波, 引入无偏量测转换将球坐标系下的雷达观测模型转换为笛卡尔坐标系, 避免了模型的非线性滤波。最后, 在现有卡尔曼滤波基础上设计了一种基于多重渐消因子的自适应卡尔曼滤波方法, 增强了模型对强机动的自适应跟踪能力。仿真实验表明, 该算法在对高超声速滑翔飞行器进行三维跟踪时,能保持较好的稳定性和较高的跟踪精度。     

δ-广义标签多伯努利滤波算法的非线性扩展

针对高斯混合(Gaussian mixture, GM)实现的变分贝叶斯-δ-广义标签多伯努利(variational Bayesian-δ-generalized labeled multi-Bernoulli, VB-δ-GLMB)滤波算法在非线性场景下跟踪性能较低这一问题, 结合基于临近点算法(proximal point algorithm, PPA)和变分贝叶斯(variational Bayesian, VB)的迭代优化与容积卡尔曼滤波(cubature Kalman filtering, CKF), 提出一种适用于非线性模型的机动多目标跟踪算法。该算法在GM-VB-δ-GLMB的基础上采用逆伽马(inverse-Gamma, IG)和高斯乘积混合分布近似量测噪声协方差和状态联合后验分布; 利用PPA-CKF-VB(PCKF-VB)方法对传递过程中的高斯项参数进行预测更新; 最后为提高滤波精度进行变分贝叶斯容积RTS(VB cubature Rauch-Tung-Striebel, VB-CRTS)平滑。仿真结果表明, 对于量测噪声未知的非线性系统, 所提的算法与现有的VB-δ-GLMB算法相比目标跟踪精度有显著提高。     

基于"当前"统计模型的模糊自适应跟踪算法

“当前”统计模型需要预先设定目标最大机动加速度，不能很好的适应各种机动情况。采用模糊推理的方法根据测量新息和新息变化率实时调整目标最大机动加速度，自适应各种机动情况。此外，针对多数传感器测量方程的非线性，采用性能较好的Unscented Kalman Filter代替常用的扩展卡尔曼滤波。仿真结果表明，该算法在跟踪精度和收敛速度都优于传统的基于“当前”统计模型的跟踪算法。     

一种基于小波变换的机动目标跟踪算法研究

小波变换是去噪的有力工具 ,它可以将由各种不同频率成分组成的信号分解到不同的频率区间上 ,有效地用于滤波。研究了一种基于多尺度分解的机动目标跟踪算法 ,该算法利用小波中的经典算法———Mallat算法对单一分辨率的测量数据进行多尺度分解 ,将分解得到的多分辨率测量数据用于目标状态更新。该算法是一种准实时最佳滤波算法。仿真结果表明 ,该算法具有良好的跟踪性能 ,且运算量不大。     

融合常规运动目标和突然机动目标的图像跟踪系统

当舰载或机载光电传感器晃动、掉帧或者目标做复杂战术机动时,跟踪目标在相邻帧间会突然改变原来的运动轨迹,此时如何有效跟踪突然机动目标是一个难点问题。首先利用基于组合基于(speeded up robust features,SURF)特征描述子的二帧差分法进行背景差分,然后再利用卡尔曼滤波给出目标的预测位置,在以此为中心的搜索区域内用Mean shift跟踪方法寻找目标的最佳匹配,同时逐帧根据卡尔曼滤波的先验预测误差协方差判断目标是否出现机动。在检测到目标机动后,利用基于显著密度的高效子窗口搜索方法快速检测视场内的所有可疑目标,最后利用SURF算法进行特征匹配筛选出原始跟踪目标并返回目标位置,实现突然机动目标的自动可靠跟踪。仿真实验表明,新系统无论针对常规运动目标还是突然机动目标都能保证又快又准的跟踪效果。