改进的Sage-Husa自适应滤波及其应用

为防止滤波发散和提高系统的实时性,提出了一种基于协方差匹配技术的自适应滤波方法。该方法将协方差匹配技术和一种简化的Sage-Husa自适应滤波算法相结合,通过滤波的状态确定量测噪声协方差阵的值,在线估计噪声的统计特性实现自适应滤波。将该算法应用到惯导/双星（INS/DS）组合导航系统中,并和简化的Sage-Husa自适应滤波算法进行仿真比较。仿真结果表明,在滤波精度相当的情况下,新算法简化了运算,提高了实时性。     

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.     

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.     

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。     

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UKF的交互多模型算法

为了提高交互多模型算法的滤波精度,提出了基于无迹卡尔曼滤(UKF)的交互多模型算法(IMM-UKF).该算法融合了交互多模型算法对不同目标机动模式的自适应能力和UKF滤波精度高的优点.通过对机动目标跟踪的应用仿真,将该算法和基于扩展卡尔曼滤波(EKF)的交互多模型算法(IMM-EKF)进行了比较,仿真结果表明了IMM-UKF具有较好的跟踪性能,减小了机动目标跟踪的均方根误差.     

时变转移概率IMM-SRCKF机动目标跟踪算法

给出了一种交互多模型(interacting multiple model,IMM)算法中Markov转移概率矩阵在线修正的方法,并将平方根容积卡尔曼滤波器(square-root cubature Kalman filter,SRCKF)引入到IMM算法中,提出一种时变转移概率的机动目标跟踪IMM-SRCKF算法。该算法利用当前量测中包含的模式信息,对IMM算法中的转移概率矩阵进行实时递推估计,避免了常规IMM算法中转移概率先验确定的困难,提高了模型切换速度和跟踪精度;同时,SRCKF以目标状态协方差的平方根进行迭代更新,确保了滤波过程中协方差矩阵的对称性和半正定性,改善了数值精度和稳定性。仿真实验结果表明,该算法对机动目标的跟踪性能优于常规的IMM及IMM-CKF算法。     

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.     

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。     

基于非对称交互多模型弹道导弹跟踪

弹道导弹飞行三个阶段的动力学模型异常复杂且非线性强,在未知导弹任何先验信息前提下如何连续地跟踪整个弹道已成为目前亟待解决的难题。针对该问题,提出了一种实时非对称交互多模型跟踪算法,它根据弹道不同阶段的受力情况建立相应的跟踪模型。该算法采用非对称的状态交互以及基于熵信息变化的模型概率更新方法对导弹进行实时状态估计,并将其中一个无迹滤波器的非线性状态估计用改进离散方法实现,提高了实时性。仿真实验表明,该跟踪算法能够较精确地从弹道主动段连续地跟踪到再入段,并且能较大幅度地减小模型切换之间的跟踪误差。     

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。     

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。     

基于自适应CS模型的IMM算法

目标运动状态的改变将导致目标跟踪算法精度降低或发散。为了提高机动目标跟踪的跟踪性能,首先,针对当前统计(current statistical, CS)模型中最大加速度固定设置导致模型误差增大的问题,提出了一种自适应CS模型;在自适应CS模型和交互式多模型(interacting multiple model, IMM)的基础上,提出了一种交互式多自适应模型(interacting multiple adaptive model, IMAM),该模型通过采用两个自适应CS模型,能够有效消除目标状态突变造成模型误差急速增大的问题,提高了模型的准确度和适应性。其次,在IMAM的基础上,结合修正卡尔曼滤波(amendatory Kalman filter, AKF)的思想,提出了IMAM-AKF算法,该算法通过修正最终的状态融合估计值,有效地降低了目标机动造成的模型误差,进一步提高了机动目标跟踪的性能。最后,结合自适应渐消卡尔曼滤波(adaptive fading Kalman filter, AFKF)的思想,提出了IMAM-AFAKF算法。仿真结果表明,无论是强机动还是弱机动,IMAM-AFAKF算法都具有较好的跟踪性能。     

基于无源时差定位系统的机动目标跟踪算法

将交互式多模型(IMM)算法应用到具有隐蔽性的无源时差定位系统中,找到了一种适合于无源时差定位系统跟踪机动飞行目标的混合模型即常速度(CV)模型与Singer模型组成的混合CV Singer模型。在各种现有算法中,基于该混合模型的交互多模型算法可获得较好的定位跟踪效果。另外,将该混合系统与CV CA模型组成的混合系统进行了比较,进一步证明了该混合模型的有效性。     

基于TAS模式的多目标跟踪波束调度策略

在跟踪加搜索工作方式下,相控阵雷达既要对已捕获的目标保持稳定跟踪,又要继续搜索责任空域发现新目标,为此提出了一种波束调度策略。在交互多模型框架下,基于状态的一步预测估计了目标的预期驻留时间,以检测概率和跟踪精度为约束条件进行了优化,基于驻留时间估计了目标的预期噪声方差和预期误差协方差,定义了目标跟踪的紧迫因子、偏差因子和调度系数,在各个时刻估算所有目标下一时刻的调度系数,根据调度系数大小确定下一时刻的波束指向,指挥波束进行照射,当波束照射到目标上时,更新量测噪声并滤波,当波束未照射到目标上时用预测值表示目标状态,仿真证明了算法的可行性和有效性。