基于强跟踪滤波器的自适应常加速模型及跟踪算法

建立目标机动模型是传感器目标跟踪数据处理中的一个重要环节.为了克服"当前"统计模型对非机动目标和常加速模型对机动目标跟踪性能较差的缺陷,通过对"当前"统计(CS)模型的分析研究,在常加速(CA)模型的基础上提出了一种基于强跟踪滤波器的自适应常加速模型及跟踪算法(ACA-STF).该算法利用速度预测估计与实时速度估计间的偏差进行自适应方差调整,并通过引入强跟踪滤波器(STF)的渐消因子,实时调节滤波器增益,从而提高了跟踪精度,增强了系统对突发机动的自适应跟踪能力.理论分析和仿真结果表明对于非机动和机动目标,该算法比"当前"统计模型算法具有更高的跟踪精度.     

杂波环境下目标无源跟踪算法

针对杂波（虚假量测）环境下的目标无源跟踪问题进行了研究,并给出了只测角情况下相应的跟踪算法。该算法在利用修正增益扩展卡尔曼滤波(modified gain extended Kalman filter, MGEKF)对目标进行无源纯方位跟踪的同时,通过建立波门对不同时刻的测量数据进行选择,然后利用角度测量数据计算落入波门内的有效测量数据的概率（包括波门内所有有效量测均为虚假量测的概率和第i个有效回波是正确的概率）,并以这些概率值作为权值对目标状态进行加权融合,实现杂波环境下对目标的实时纯方位无源跟踪。同时,仿真分析对文中所提算法的可行性和有效性进行了验证。     

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MCSM的自适应跟踪算法

针对基于"当前"统计模型的算法跟踪突发强机动目标性能下降的问题,提出了一种通过强机动自适应检测调整模型参数的改进算法。该算法利用残差统计距离的概率分布设置目标强机动的检测门限,根据目标的机动水平联合调整模型的机动频率、最大机动加速度以及滤波器增益,在保持"当前"统计模型跟踪算法对一般机动目标跟踪精度的前提下,增强了系统对突发强机动目标的自适应跟踪能力。仿真结果表明,该算法扩大了跟踪机动目标的动态范围,提高了跟踪性能。     

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。     

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。     

自适应CS模型的强跟踪平方根容积卡尔曼滤波算法

对于目标跟踪过程中的强机动问题,基于当前统计(current statistical, CS)模型和改进的强跟踪平方根容积卡尔曼滤波器(square root cubature Kalman filter, SCKF),提出新的跟踪算法。在CS模型和改进输入估计算法的基础上,引入加加速度估计,使得状态过程噪声与状态协方差矩阵相联系,实现模型的自适应调整。从正交性原理出发,重新确定了渐消因子的引入位置,并提出了新的渐消因子计算形式,以克服传统渐消因子在雷达量测坐标系中的失效问题,从而构造强跟踪平方根容积卡尔曼滤波器。另外,构造强机动检测函数,利用SCKF的输出来调整自适应CS模型中的机动频率。仿真结果表明,相比基于CS模型的多重渐消因子强跟踪SCKF算法、改进CS模型的强跟踪SCKF(SCKF STF)算法和交互式多模型(interacting multiple model, IMM)SCKF算法,所提算法具有更佳的目标机动适应性和跟踪精度;相比于IMM SCKF算法,实时性有明显改善。     

基于量测转换与输入估计的机动目标跟踪算法

针对雷达系统中机动目标的跟踪问题,提出输入估计(input estimation,IE)与无偏量测转换（unbiased converted measurement,UCM）相融合的自适应算法。用无偏量测转换技术将观测量转换到直角坐标系,使得在极坐标系内应用IE成为可能;提出检测窗内加速度阶梯变化的假设并推导相关模型,使得单个输入估计器能够跟踪各种变化机动。仿真分析表明,算法与基于多滤波器并行工作的交互式多模型相比,跟踪精度相当,但运算量大大降低,因此适用于对性能和实时性要求较高的场合,有很好的应用前景。     

基于模糊推理的机动目标跟踪

针对"当前"统计模型算法对目标强机动时跟踪精度下降的问题,提出一种改进算法。该算法在"当前"统计模型的基础上,采用双滤波器并行结构,提取目标的状态信息,使用模糊推理的方法求解调节因子,通过调节因子实时调整滤波器的预测协方差,在保证对目标弱机动跟踪精度的同时,提高了目标发生强机动时的跟踪精度。仿真结果表明目标强机动时,该算法的跟踪精度明显高于"当前"统计模型算法。     

基于实时测控数据驱动的航天可视化仿真系统

随着我国航天事业的发展,对航天测控可视化系统仿真技术的要求也逐步提高.文章以我国嫦娥一号卫星首次月球探测工程为背景,分析并口研究了基于实时测控数据驱动的可视化仿真系统需要实现的功能,并针对过去实时视景仿真系统中视点设计适应性差、缺乏灵活性等弊病,提出了可应用于航天探测视景仿真的通用视点设计步骤,实现对三维视景灵活多变的实时渲染显示.     

多目标跟踪

本文提出了一种多机动目标跟踪的方法。该方法用自适应门限获得二值图像，其中，自适应门限用边缘和灰度二重信息来建立，并对由此所获得的二值图像进行预处理。在此基础上，利用目标像素点的空间信息，使用标记电路，检测有效视场内的目标个数。同时利用目标形状特征和灰度信息对目标进行分类；利用目标运动信息，对各个目标进行识别，解决短时间的目标遮挡、重叠等问题。文章也给出了实时实现该方法的硬件框图和部分软件工作流程。该方法已应用于多模式电视跟踪器，取得了预期效果。     

卫星数据中继天线的跟踪规律研究

用户星数据中继天线对中继卫星的跟踪规律研究是一个基本的、十分重要的问题.从工程应用角度研究了用户星数据中继天线对中继卫星的跟踪规律.首先对研究中涉及的坐标系进行了定义.基于开普勒轨道运动方程推导了一套数据中继天线跟踪中继卫星的角度及其变化角速度的数学模型.通过这套模型可以推算用户星跟踪数据中继卫星时中继天线转动的方位角和俯仰角的变化规律.最后通过仿真算例的结果分析验证了模型的正确性.     

二阶动力学系统模型的跟踪设计

考虑了基于分散状态反馈控制律的二阶动力学系统输出渐近跟踪设计,该控制律包括被控对象状态和参考模型状态两部分。给出了问题解的存在条件:两个矩阵方程,其中一个为二阶Sylvester矩阵方程。给出了所有控制器增益阵的完全参数化表达式。归纳出了二阶动力学系统模型参考输出跟踪控制律的设计算法。该算法直接基于原系统的参数矩阵,无须对系统增广或变换,仅涉及自由参数的选取和一些简单的代数运算,便于工程应用。仿真结果说明所给出的算法是有效的。     

基于头盔显示器的视频头位跟踪方法研究

头位跟踪在虚拟现实系统中起着至关重要的作用。提出了一种新的基于头盔显示器的视频头位跟踪方法。首先设计了立体标记物,置于头盔显示器正上方,然后使用CAMSHIFT算法跟踪视频中标记物的四个非共面特征点,获取其像素坐标,跟踪过程中使用OpenMP实现了多点的同步跟踪。最后利用非共面的POSIT算法估计立体标记物的旋转矩阵和平移向量,得到头部位姿。实验表明,该方法是有效可行的,精度高、实时性好、无束缚。     

一种新颖的无线信道跟踪方案

基于贝叶斯预测技术,提出了一种实用的时变无线信道模型.在此基础上利用粒子滤波技术强大的随机搜索能力,给出了一种稳健的无线信道跟踪方案.与目前已有的方案相比,该方案不需要知道准确的信道统计特性并且能有效地降低静态低阶AR过程的建模误差.仿真结果表明该方案具有优越的信道跟踪性能和鲁棒性.     

分类信息辅助的多目标跟踪方法研究

多目标跟踪系统的关键技术之一是航迹关联。当传感器能同时得到目标分类信息和运动信息时，本文提出结合分类信息的综合概率数据关联算法，把目标不同信息相结合来提高关联效果。它通过分类混淆矩阵确定分类信息似然函数。再用谊函数调整传统的只利用运动信息的似然函数。使分类信息有效辅助综合概率数据关联．在杂波环境对多个邻近且不同种类目标跟踪情况仿真，比较仿真结果说明所提算法确实提高了多目标数据关联效果。     

一种改进的分布式多目标跟踪算法

将多平台分布式的IMM_Kalman(DIMM_Kalman)算法和IMM_JPDA(DIMM_JPDA)算法相结合,得到改进的DIMM_JPDA(DIIMM_JPDA)算法。在DIIMM_JPDA算法中,每个平台都有自己独立的IMM算法跟踪系统,每个IMM算法中都采用Kalman/JPDA滤波器,全局的滤波值由各平台的滤波值融合而成。然而在全局融合中,由于协方差矩阵可能出现奇异,导致计算的不稳定性或出现严重异常。为了克服上述问题的缺点,引入了特征值扰动方法,使该协方差矩阵变成非奇异矩阵。仿真实验表明改进的DIIMM_JPDA算法比DIMM_JPDA算法有更小的误差。     

多传感器多目标跟踪的JPDA算法

传统的联合概率数据关联算法(JPDA)是在密集杂波环境下的一种良好的多目标跟踪算法,但它是针对单传感器对多目标跟踪的情况下使用,不能直接用于多传感器对多目标的跟踪。针对这一问题,文中提出了一种适用于多传感器多目标跟踪的JPDA算法,它以极大似然估计完成对来自多传感器的测量集合进行同源最优分划,然后采用JPDA方法对多目标进行跟踪。经过理论分析和仿真试验,证明了该方法能有效地进行多传感器多目标的跟踪,且具有算法简单、跟踪精度高、附加的计算量小等优点。     

载波跟踪算法综述

随着GPS软件接收机技术的飞速发展,作为其关键技术之一的载波跟踪算法也取得了长足进展。基于一种典型载波跟踪环的结构,将载波跟踪算法归类为纯载波跟踪算法和有外部辅助载波跟踪算法两大类。其中纯载波跟踪算法的关键技术主要有:环路鉴别算法,环路滤波器的优化设计,基于锁相环和锁频环的混合载波跟踪环的设计,智能降噪技术、智能控制技术、智能估计算法和自适应算法的引入等;外部辅助的载波跟踪算法主要存在于各类组合导航系统中,最典型的就是紧耦合或超紧致耦合组合导航系统中利用惯导测量信息对载波跟踪进行辅助。分析了上述各种技术研究的侧重点及工作原理,总结了各种研究侧重点的特点及优缺点,指出了载波跟踪算法的发展方向。