基于AR模型的非线性目标跟踪自适应算法

针对Jerk模型中各参数设置不合理对跟踪系统所造成的影响,提出一种基于自回归（AR）模型的Jerk参数自适应改进算法,实时估计并调整系统的参数,提高系统的跟踪精度及稳定性;同时,针对非线性目标跟踪系统扩展卡尔曼滤波算法（EKF）计算复杂跟踪精度低,提出采用平方根容积卡尔曼滤波器（SRCKF）进行状态估计,保证跟踪系统的精度和鲁棒性,为Jerk模型参数自适应提供良好条件.仿真结果验证了算法的有效性.     

基于改进Jerk模型的高超声速滑翔目标跟踪

临近空间高超声速滑翔目标具有高速、高机动的运动特性,为了提高其跟踪精度,对现有的Jerk跟踪模型提出改进。首先将一阶AR模型的思想运用到模型参数的实时估计中,在目标状态方程和量测方程中引入了相关参数,然后构建了基于改进Jerk模型的参数自适应Kalman滤波算法,在目标状态估计的同时能够对模型参数进行自适应调整。最后基于HGT仿真轨迹对所提模型与传统的Jerk模型进行比较,仿真结果证明了改进Jerk模型对HGT跟踪的有效和优势。     

混合坐标系singer模型跟踪突发机动目标改进算法研究

针对混合坐标系下singer模型对跟踪弱机动目标初期误差出现跳变现象,且对突发机动跟踪自适应能力较差的情形,本文提出一种改进算法,通过引入渐消因子,实时调节一步预测协方差,以此调节滤波器增益,增强了滤波器跟踪突发机动目标的适应能力,同时改进了混合坐系下singer模型跟踪算法的精度.仿真结果表明,本文算法对突发机动自适应跟踪能力和弱机动目标跟踪精度都有提高     

基于自适应采样速率交互式概率数据关联的机动目标跟踪算法

在交互式多模型和概率数据关联算法融合的基础上,又将自适应采样速率算法融合到交互式多模型概率数据关联滤波器中,提出了自适应采样速率交互式概率数据关联算法,该算法不但能有效地跟踪高速机动的目标,且能使系统的采样间隔根据目标的运动状态做自适应调整. 仿真结果表明该算法扩大了机动目标的跟踪范围,且对高速机动的目标有很好的跟踪效果和较强的跟踪精度.     

自适应模型集交互式多模型算法

针对交互式多模型(IMM)算法的目标跟踪精度问题,提出了一种自适应模型集IMM算法.利用IMM算法中的模型概率含义,并以此对模型集的收缩比例因子进行设计,这样模型集通过向中心模型收敛可完成自适应调整,而自适应调整过程能有效、实时地利用观测信息.仿真实验结果表明,所提算法能有效跟踪机动目标,而且比IMM算法的跟踪精度更高,但其受到目标机动模型的先验性的限制.     

基于似然函数的自适应Singer模型滤波算法

Singer模型滤波算法可以对机动目标进行有效跟踪,但其模型参数的确定依赖于先验知识,且一旦确定,将在滤波过程中不再变化.因此,当事先确定的参数与目标机动不匹配时,跟踪精度会变得比较差.针对模型参数失配时,传统Singer模型不能有效跟踪机动目标的问题,提出一种自适应Singer模型滤波算法.在滤波过程中,构造多模型的模型似然函数,并随着滤波过程实时计算模型似然函数,根据似然函数的变化,自适应调整Singer模型加速度参数.仿真表明,该算法能够有效跟踪目标不同的机动情况,滤波效果较固定参数的Singer模型算法和离散自适应Singer模型算法更优.     

一种跟踪机动目标的双带宽自适应滤波器

本文研究了一个跟踪机动目标的双带宽自适应滤波器,两个不同带宽的滤泼器由不同参数的Singer模型构成。目标运动状态的估计始终是这两个滤波器输出的线性组合假设检验理论用来确定组合系数的计算。Monte-Carlo仿真结果表明,这一双带宽滤波器调整时间和对目标机动变化的反应时间都较快。     

基于模糊神经网络融合的目标自适应跟踪算法

为解决基于“当前”统计模型的自适应滤波器对弱机动,特别是非机动目标跟踪精度下降问题,提出基于模糊神经网络的目标自适应跟踪算法,对并行工作的两滤波器进行数据融合.仿真结果表明:与一般自适应算法相比,该算法对各种机动程度的目标跟踪精度均有不同程度的提高,能更好地适应目标的各种运动形式,尤其适用于对目标的速度和加速度估计精度要求较高的场合,在指控、火控系统中具有实用价值.     

多级修正的高机动Jerk模型研究

基于Jerk模型及当前统计模型，提出了一种多级修正的高机动Jerk模型（MJerk）．在假设机动加速度变化率（即加加速度）为非0均值指数相关随机过程的条件下，通过对Jerk模型状态分量作Taylor级数展开，得到了各状态分量的Jerk修正方程，使得机动加加速度对系统各状态分量的作用得到反映，减小了模型误差．Monte Carlo数值仿真表明，在进行高机动目标跟踪时，MJerk模型的均方根误差比Jerk模型的约减小了20％，而二者的计算量相当。     

改进的基于“当前”统计模型自适应滤波算法及其在航迹预测中的应用

基于"当前"统计模型的模糊自适应(FACS)滤波算法利用机动目标"当前"加速度调整加速度极限值,实现了对一般机动目标的有效预测;但是在预测强机动目标时却存在较大的预测误差。为了解决这一问题,引入强跟踪滤波器(STF),提出了一种新的自适应滤波算法STF-FACS。该算法根据滤波残差实时调整卡尔曼滤波增益,提高了对强机动目标的预测能力;同时保留了FACS算法对于一般机动目标的预测性能。最后,对强机动目标分直线机动和转弯机动,分别进行航迹预测仿真。仿真结果表明,对弱机动目标进行航迹预测时,两种算法的预测效果相当;对强机动目标进行航迹预测时,STF-FACS算法无论是在动态时延和预测精度方面都比FACS算法要好。