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。     

改进的“当前”统计模型自适应跟踪算法

针对"当前"统计模型算法及其改进的算法对弱机动目标存在较大跟踪误差,同时对机动加速度极限值有依赖的缺陷。在分析传统"当前"统计模型适用范围的基础上,提出了一种改进的"当前"统计模型自适应算法。用截断正态分布来弥补修正瑞利分布的缺陷;同时在此基础上通过预测残差向量定义调整因子对模型中各参数进行自适应调整,提高了机动模型和目标运动形式的匹配程度;并对加速度均值进行了修正,使之适合于一般运动形式。最后对算法进行了仿真实验分析。结果表明,提出的模型(ACS)较经典模型(CS)及其相关改进模型(MCS)不仅弥补了对弱机动目标的跟踪的不足,对强机动目标的跟踪精度也有较大程度的提高。     

改进的截断正态概率密度模型自适应滤波算法

应用当前统计模型跟踪机动目标时,模型参数机动频率和加速度极限值需要根据经验事先设定,在假设不准确的情况下,大大降低了模型的跟踪精度。针对此问题,基于截断正态概率密度模型,提出了一种新的参数自适应跟踪滤波算法。该模型算法通过使用距离函数来表征目标进行机动的强弱状况,采用指数型调整函数自适应调整目标的加速度极限值和机动频率,从而实现了对系统状态噪声和滤波增益的自适应调整,提高了机动模型与目标实际机动情况的匹配程度,提升了滤波器的跟踪性能。仿真结果表明:与常规ACS和TGPMKF算法相比,新算法在跟踪机动目标时,性能更优。     

基于改进“当前”统计模型和AKF的机动目标跟踪

采用"当前"统计模型设计Kalman滤波算法,实现对机动目标的自适应跟踪;并针对"当前"统计模型对机动目标跟踪中存在的缺陷,提出改进的"当前"统计模型,根据滤波估计值对最大加速度进行自适应调整,使得系统噪声方差随着目标运动情况自适应变化;此算法在没有增加任何计算量的基础上有效提高了机动目标的跟踪性能.通过对实际交通视频的仿真实验验证了算法的有效性.     

机动目标跟踪中一种改进的自适应卡尔曼滤波算法

针对“当前”统计模型中预先设置机动频率和加速度极限值造成对目标跟踪精度不高的问题,提出一种新的参数自适应算法.该算法利用目标前后2个时刻的加速度均值代替“当前”统计模型中只利用前一时刻的加速度值作为当前时刻的加速度均值,推导出了机动频率自适应,再利用加速度方差与加速度变化量之间存在的正比线性关系,推导出了加速度方差自适应,避免了由于参数设置不合理而造成的跟踪误差.理论分析和仿真结果表明,改进算法有效提高了目标跟踪精度,仿真结果验证了改进算法的有效性.     

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。     

一种新的改进的“当前”统计模型的自适应滤波算法

针对标准"当前"统计模型中加速度和机动频率需要预先设定的不合理,以及在跟踪非机动和弱机动目标时存在精度不高的问题,从加速度状态方程式中推导出机动频率自适应表达式;并结合已有的加速度方差自适应算法,提出了一种新的基于"当前"统计模型的自适应卡尔曼滤波算法。仿真结果表明算法的有效性和合理性。     

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。     

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。     

基于粗神经网络的并行自适应滤波算法

讨论了机动目标跟踪问题，针对机动目标并行自适应滤波特点，结合粗神经网络特有的同一神经元可以双输入的特点，利用全状态反馈，提出了基于“当前”统计模型的粗神经网络并行自适应滤波算法，仿真表明该算法对机动目标具有较强的跟踪能力。     

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．     

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.     

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．     

IMM算法在车辆机动目标跟踪中的应用

针对高速公路车辆的机动目标跟踪问题,采用交互多模型算法(IMM)中的2个模型分别表示车辆的匀速运动状态和匀加速运动状态,并结合目标运动模型对目标当前加速度和其方差进行蒙特卡洛仿真.仿真结果表明该算法不仅可以在匀速运动时将关键测量噪声减低,而且在机动模型中保证状态估计量比未滤波的雷达测量值精确,同时可以对运动模型进行准确的识别,从而改善路面机动目标的跟踪性能,提高车辆的安全性和可靠性.因此,交互多模型算法可以满足高速车辆机动目标跟踪的要求.