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.     

基于距离加权的概率数据关联机动目标跟踪算法

为了提高杂波环境下机动目标跟踪的实时性和精确性,在概率数据关联算法的基础上,引入距离加权的概念,以区分来自于目标的量测概率和来自于杂波的虚假概率,在一定程度上提高了概率数据关联算法在密集杂波环境下的非机动目标的跟踪性能.针对机动目标的跟踪,提出了一种适用于密集杂波环境下的联合交互式多模型概率数据关联跟踪算法,该算法利用距离加权的概率数据关联算法进行滤波.模拟实验结果表明:该算法可以在一定程度上提高密集杂波环境下机动目标跟踪的性能,能够更加有效、可靠地实现机动目标跟踪的目的.     

飞行状态敏感的关联门调节算法

机动目标的跟踪精度受飞行状态、噪声等多种因素影响,机动目标发生强机动或者杂波干扰过大都会导致跟踪精度下降。关联门是数据关联算法筛选的有效量测和提高跟踪精度的重要环节。本文提出了一种飞行状态敏感的关联门调节算法(Flight-Status-Sensitive Tracking Gate Adjustment Algorithm, FSSTGAA)。该算法根据目标的飞行状态分析误差的来源及其变化趋势,在跟踪误差尚可接受的范围内,依据误差动态变化率动态调整关联门大小。仿真结果表明,相比于传统关联门自适应算法,本文算法能有效地降低目标丢失率,提高机动目标的跟踪精度。     

一种用于杂波中机动目标跟踪的自适应关联波门设计方法

针对传统关联波门设计方法在应用于机动目标跟踪时容易引起失跟现象的问题,提出一种新的自适应关联波门设计方法。该方法在综合交互多模型概率数据关联算法的基础上进行关联波门设计,当波门内不存在有效量测时,首先以最大机动水平对应的模型误差协方差对关联波门进行适当扩大,确保量测点迹进入波门。然后假定目标的机动能力已知,在目标运动状态的预测范围内利用观测信息寻找最小均方误差意义下的最优波门中心。该方法可以从根本上改善关联概率,从而降低失跟率,提高目标跟踪精度。仿真结果表明,与传统关联波门设计方法相比,该方法的失跟率降低了30%~40%,而且目标机动时的跟踪精度提高了20%~30%。实测数据同样验证了该方法的有效性。     

多传感器多机动目标跟踪的CPHD滤波算法

针对单传感器在多机动目标跟踪系统中不能很好地处理目标数目变化与突发机动的问题,提出了多传感器多机动目标跟踪的概率假设密度滤波算法.以CPHD滤波算法为理论基础,同时递推概率假设密度(PHD)函数和基数分布,避免了多目标多传感器的数据关联问题.结合自适应当前统计模型,选择3个雷达作为跟踪目标的传感器,相比于单传感器降低了信息的模糊度,提高了可信度.仿真结果比较表明了多传感器CPHD滤波算法在多目标跟踪方面的性能优势.     

基于并行处理机制的多基地雷达多目标跟踪算法

针对用多基地雷达系统跟踪近距离多高速机动目标的场合,提出了一种基于并行处理机制的跟踪 算法。该算法将整个观测数据的关联过程拆分成若干个并行子关联进程,并将确定目标的跟踪过程拆分成 两个并行的三维子进程,同时对距离和拟测值及多普勒速度拟测值进行迭代滤波。仿真结果表明,该算法不 仅能够在杂波中快速精确地跟踪多个机动目标,而且具有很好的收敛特性和稳定性。     

当前统计模型自适应滤波算法改进

由于"当前"统计模型自适应滤波算法对于最大加速度的过分依赖,使其对于弱机动目标并不具有较高的跟踪精度,基于"当前"统计模型自适应滤波算法的研究及目标跟踪性能的分析,提出了将目标的机动状态划分为强机动和弱机动,当目标在作弱机动运动时,可通过修正最大加速度来提高跟踪精度,分别针对常速、常加速、弱变加速三种弱机动情况进行了数学仿真,仿真结果表明,通过修正最大加速度的方法,可使该算法对于弱机动目标的跟踪精度大大提高。     

杂波环境下基于红外传感器和雷达融合的机动目标跟踪算法

提出一种在密集杂波环境下多传感器机动目标跟踪算法,在利用雷达测量数据的基础上,融合红外(IR)传感器获得的精确角度信息来提高机动目标跟踪性能。通过计算机仿真,该算法较传统概率数据关联(PDA)对于航迹跟踪成功率和位置估计的准确率更为有效。     

一种基于改进的“当前”统计模型自适应跟踪算法

针对工程应用中"当前"统计模型对机动频率和最大加速度经验值依赖过大,难以根据目标的加速度变化进行实时动态调整优化的问题;以及标准"当前"统计模型在跟踪非机动或弱机动目标时,精度不高的问题,在分析机动频率物理含义及其与加速度变化关系、卡尔曼滤波的新息与加速度方差关系的基础上,提出了一种高效的机动频率和加速度方差双变量自适应算法。仿真结果表明该算法能够很好地自适应目标的加速度变化;并能有效提高跟踪精度,大大提高了对非机动或弱机动目标的跟踪精度。     

杂波环境下机动输入序列和量测序列的联合最优估计

为了提高在杂波环境下跟踪机动目标的精度,提出了一种新的基于期望极大化（EM）算法的机动目标状态估计方法,首先建立了基于EM算法的最大后验概率意义下的状态估计数学模型,然后采用离散优化技术解决EM算法中的极大化问题,最终确定出作用于系统的实际机动输入序列,同时分离出源于目标的量测序,进而获得对目标状态更精确的估计,它有效地解决了最大后验概率状态估计中的不完全数据问题,Monte-Carlo仿真结果表明,新算法比传统的交互式多模型概率数据关联算法具有更优越的跟踪性能。     

空基多平台多传感器机动目标自适应跟踪

在空战中，需要基于空中移动平台对机动目标进行自适应跟踪．由于机动目标“当前”统计模型符合实际目标的动力特征，所以文中基于该模型，针对空基多平台多传感器环境，推导了机动目标跟踪的状态方程和测量方程，并给出了机动目标自适应跟踪算法．Monte—Carlo仿真表明，该方法能有效地估计出机动目标的运动状态．     

A novel maneuvering multi-target tracking algorithm based on multiple model particle filter in clutters

To solve the problem of strong nonlinear and motion model switching of maneuvering target tracking system in clutter environment, a novel maneuvering multi-target tracking algorithm based on multiple model particle filter is presented in this paper. The algorithm realizes dynamic combination of multiple model particle filter and joint probabilistic data association algorithm. The rapid expan- sion of computational complexity, caused by the simple combination of the interacting multiple model algorithm and particle filter is solved by introducing model information into the sampling process of particle state, and the effective validation and utilization of echo is accomplished by the joint proba- bilistic data association algorithm. The concrete steps of the algorithm are given, and the theory a- nalysis and simulation results show the validity of the method.     

基于模糊自组织神经网络的多目标跟踪算法

分析了多目标跟踪问题的数据关联算法复杂性,研究了基于模糊C均值聚类算法的模糊自组织神经网络的特性及其在多目标跟踪中的应用,提出了将FKCN算法、自组织神经网络与数据关联、滤波相结合的跟踪算法．仿真结果表明本算法能在多目标环境下取得较好的跟踪效果．     

基于粒子滤波的仅有角测量的被动跟踪

基于粒子滤波，提出了仅有角测量无源被动跟踪的新解决方法．该方法采用“当前”统计模型，使用粒子滤波算法，融合了双站测量数据．在双站测量的被动跟踪试验中，仿真结果证实了该方法能有效跟踪高度机动的目标．     

考虑目标航向机动信息的机动目标跟踪算法

传统的机动目标跟踪算法大多过于依赖所采用的目标运动模型,没有充分利用目标量测序列中携带的其它有用信息,当目标机动时跟踪性能下降较大。针对该问题,提出了利用目标航向机动序列修正传统跟踪算法滤波值的新算法。仿真结果表明,该算法比传统跟踪算法的跟踪精度高,是一种简单有效的自适应机动目标跟踪算法。     

基于卡尔曼滤波的多特征加权最近邻数据关联与跟踪算法

针对传统最近邻数据关联算法正确率较低且容易出现漏关联的问题,提出一种多特征加权的最近邻关联算法。根据智能车环境感知系统获得的障碍物特征数据,定义了一种相似度函数,提出基于生命周期计算有效关联度的方法,从而判定目标是否关联;基于卡尔曼滤波对关联目标进行迭代更新,实现对目标的跟踪;通过实验对比了静止目标、无交互的低速运动目标和有交互的低速运动目标的跟踪轨迹。结果表明,与传统的最近邻数据关联算法相比,所提出的改进算法可以实现对低速运动目标准确连续的关联跟踪,不会出现目标丢失或位置突变的现象,且跟踪目标的交互与遮挡对跟踪效果影响较小,具有较高的有效性与实用性。研究结果可为智能车辆的目标跟踪设计提供参考。     

基于交互式多模型扩展维特比容积卡尔曼滤波机场场面运动目标跟踪

根据先进场面运动引导控制系统(advanced surface movement guidance and control system,A-SMGCS)的监视要求,提出一种基于交互式多模型扩展维特比算法(interactive multi-model extended viterbi algorithm,IMMEV)与容积卡尔曼滤波(CKF)相结合的目标跟踪算法,以实现机场场面目标的跟踪。根据机场场面运动目标的运动建立相应的运动模型集,采用交互式多模型算法(IMM)实现目标跟踪;模型集中过多的模型会导致运算复杂性增加,且不能真实反映目标的运动,采用扩展维特比(extended viterbi,EV)算法对IMM进行优化,简化模型集;容积卡尔曼滤波器(cubature Kalman filter,CKF)较传统的滤波算法具有更高的滤波精度和稳定性,将其与IMMEV相结合形成IMMEV-CKF跟踪算法。为了验证所提出的IMMEV-CKF对场面运动目标跟踪性能,仿真研究IMMEV-CKF算法、IMM-UKF和当前统计模型对同一目标的跟踪。仿真结果表明,IMMEVCKF在跟踪精度性能方面要优于IMM-UKF和改进后的当前统计模型。因此,IMMEV-CKF更能满足机场场面运动目标跟踪要求。     

基于当前统计模型的机动目标被动跟踪

介绍了极坐标系下的被动跟踪算法及存在的问题，并分析了其原因，为解决机动目标的被动跟踪问题，选取当前统计模型对加速度进行建模，并建立双机目标测量模型，推导了被动式机动目标自适应跟踪算法。Monte-Carlo仿真表明，新算法能够跟踪任意机动的飞行目标。     

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。