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。     

基于交互式多模型算法跟踪临近空间目标

由于目前机动目标模型越来越向模块化、并行计算的方向发展,对目前算法计算效率提出了更高的要求。对于临近空间超声速机动目标一般采用多种机动模型跟踪,单一模型已经很难满足高精度跟踪的需要。因此需要使用基于多种模型进行交叉耦合的交互式多模型（interacting multiple model, IMM）算法,这种算法特点与临近空间目标高速、高机动特性相适应。同时考虑到扩展卡尔曼滤波 (extended Kalman filter, EKF) 算法对强非线性对象滤波效果不好, 无迹卡尔曼滤波(unscented Kalman filter, UKF)算法对于此类问题,可以很好地加以解决。仿真对比试验表明,交互式多模型〖CD*2〗无迹卡尔曼滤波(interacting multiple model unscented Kalman filter, IMM UKF)算法优于单一模型EKF算法。     

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。     

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。     

基于大地坐标系的IMM航空器短期航迹外推

针对航路飞行阶段的航空器, 通过对比空间直角坐标系和大地坐标系的优劣, 采用大地坐标系表示航空器的位置; 基于大地坐标系, 将航空器的运动解耦成3个方向上的独立运动, 分别建立每个方向上的子模型; 使用交互式多模型(interacting multiple model, IMM)算法对航空器的航迹进行跟踪。仿真结果表明, 基于大地坐标系的IMM算法对于航空器有很好的轨迹追踪性能; 根据航空器末时状态及各个子模型的概率分布进行航空器的航迹短期外推, 基于大地坐标系的IMM算法的航迹外推性能优于基于空间直角坐标系的IMM算法的航迹外推性能。     

基于因子图的车载INS/GNSS/OD组合导航算法

针对车载多传感器组合导航系统中传感器有效性动态改变,以及传感器存在异步和时延的问题,提出了基于因子图的INS/GNSS/OD组合导航算法。采用因子图方法对惯性导航系统(inertial navigation system,INS)、全球导航卫星系统(global navigation satellite system,GNSS)、里程计(odometer,OD)进行建模,构建了INS/GNSS/OD组合导航系统因子图模型。采用变量消除算法将因子图转化为贝叶斯网络,并通过贝叶斯树的形式实现增量推理,确保了因子图算法的实时性。仿真结果表明,当传感器有效性动态改变,以及传感器存在异步和时延时,基于因子图的组合导航算法能够连续稳定地输出高精度的导航结果,满足了车载INS/GNSS/OD系统的要求。因子图算法具有很强的鲁棒性和灵活性,在处理多传感器信息融合问题中具有较大优势。     

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。     

弹道式再入目标跟踪方法对比分析

地基雷达对弹道式再入目标进行滤波跟踪时主要存在两个导致滤波误差增大的不确定因素,一是弹道系数未知,二是不可准确确定过程噪声协方差矩阵。为此,采用交互式多模型无敏滤波（iterative multiple model unscented filter, IMM UF）算法对弹道式再入目标进行跟踪,选取不同的弹道系数初值和过程噪声协方差矩阵构成合适的模型集合进行了仿真分析,并将其滤波结果与扩展卡尔曼滤波（extended Kalman filter, EKF）和无敏滤波（unscented filter, UF）的滤波结果进行了对比分析,同时还分析比较了IMM UF和自治多模型（autonomous multiple model, AMM）UF算法的跟踪滤波性能。从仿真结果可以看出,采用的IMM UF算法和相应的模型集合可以在先验信息缺少的情况实现对弹道式再入目标更高精度的跟踪。     

融合位置和姿态信息的模型概率估计

为了利用目标的姿态信息来提高机动目标跟踪的精度,提出一种融合位置和姿态信息的模型概率估计算法。该算法采用模糊关联的方法,实现了基于姿态信息的模型概率估计;根据离散点过程滤波的基本理论,对其进行滤波;采用贝叶斯推理方法,对来自姿态的模型概率和来自位置的模型概率进行了信息融合,并将融合后的模型概率应用到IMM算法。仿真表明,改进的IMM在保持传统IMM实时性的基础上提高了跟踪精度,从而验证了姿态信息对目标跟踪的辅助作用。     

一种改进的多模型噪声辨识方法

在混合系统参数估计问题中，交互式多模型算法是一种比较有效的求解方法。但是当系统机动模式较多时，模型集中的模型数目也随之增加。针对模型集过大导致的参数估计精度下降的现象，提出了一种改进的多模型算法，并将其应用于系统噪声辨识。它利用多扫描量测信息，采用离散优化技术，获得近似于系统的实际噪声水平的最优的子模型集。然后，利用此进行噪声估计作为结果输出。Monte Carlo仿真结果表明了新算法估计精度优于标准IMM算法。     

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。     

基于自适应滤波的高超声速滑翔目标三维跟踪算法

针对临近空间高超声速滑翔飞行器机动模式复杂,单一运动学模型难以完成三维跟踪的问题,提出一种三维跟踪方法.将飞行器机动弹道分为纵向和横向弹道,根据飞行器机动特性,在纵向上将加速度建模为零均值的二阶时间自相关随机过程,在横向上采用Singer模型和匀加速模型进行交互多模型(interactive multiple mode...     

基于距离测量的双领航AUV间协同导航算法

针对多自主水下航行器(AUV)编队中因领航AUV一时无法借助外部有源位置信息进行实时校准,自身定位误差逐渐增大可能导致的编队解体问题,提出了一种基于距离测量双领航AUV间协同导航算法.在给出领航AUV航位推算误差模型的基础上,首先设计两个领航AUV分别基于忽略对方位置误差的估计自身误差的滤波算法,然后提出其位置误差的分别修正算法,最后通过对位置误差估计的可观测性分析,指出在直线航行条件下两个领航AUV可通过加、减速进行相对机动,保证其可观测性.仿真结果表明:两个领航AUV存在航位推算位置误差的情况下,随着滤波时间增加其定位误差可逐渐趋同,并收敛到其经、纬度定位误差的均值,验证了本文所提协同导航算法的可行性和有效性.     

基于交互式模型的多AUV协同导航鲁棒性滤波算法

针对多自主式水下潜器(autonomous underwater vehicle,AUV)在协同导航过程中量测异常等问题,提出一种基于交互式模型的多AUV协同导航滤波算法。首先以建立多AUV协同导航基本模型为基础,给出基本的协同导航滤波过程;通过广义最大似然估计的滤波算法对受污染的量测噪声进行处理;进一步地,利用Schweppe形式下的广义最大似然估计解决量测出现的异常情况;运用交互式多模型算法解决由量测噪声时变而造成的滤波精度下降问题。最后仿真结果表明该协同导航滤波算法具有良好的自适应鲁棒性。     

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。     

基于因子图的协同定位与误差估计算法

针对多自主水下航行器协同定位系统中从艇的数据融合问题,首先建立了协同定位系统的数学模型,然后分析了速度误差及航向误差对从艇定位误差的影响,同时设计了协同定位及误差估计的因子图模型.接着,提出了基于高斯噪声的协同定位及误差估计算法,利用均值和方差在因子图各节点间传递完成对从艇位置、速度误差和航向误差的估计.为了验证算法的...