基于机动判别的变结构交互多模型跟踪算法

临近空间高超声速机动目标具有高速、高机动的运动特性,协同转弯模型是跟踪临近空间目标的常用模型之一。基于协同转弯模型的自适应网格交互多模型(adaptive grid interaction multiple model, AGIMM)算法能够较好地适应临近空间高超声速目标运动特性,但AGIMM算法存在着依赖中心网格模型,非机动时刻模型集收敛缓慢的问题,基于此提出了一种基于机动判别的变结构交互多模型算法。所提算法根据目标机动特性调整跟踪模型集的结构及模型概率转移矩阵,加快了非机动时刻模型集的收敛速度,克服了AGIMM算法存在的问题。通过蒙特卡罗仿真验证,改进的算法相对于AGIMM算法提高了对临近空间高超声速目标的跟踪性能。     

NSHV机动目标跟踪的自适应模型算法

临近空间高超声速飞行器具有飞行轨迹多变、机动性强等特点,而周期性的滑跃式飞行是其常用的重要机动形式。将目标加速度建模为时间自相关的随机过程,结合“当前”统计模型的自适应跟踪思想,提出了一种针对临近空间高超声速飞行器机动目标跟踪的模型。采用容积卡尔曼滤波算法分别对单模型和交互式多模型进行了蒙特卡罗仿真分析,结果表明该模型在跟踪临近空间高超声速飞行器时有较好的跟踪精度和适用性。     

临近空间非弹道式目标跟踪修正变结构滤波

以X-51A和HTV-2为代表的临近空间高超声速飞行器采用非弹道式机动飞行方式,飞行速度快而且其加速度不规则,难以精确估计其运动状态。针对临近空间目标4种典型的非弹道式机动模式,设计了一种修正变结构交互式多模型(modified variable structure interacting multiple model, MVSIMM)算法。该算法采用当前统计模型作为中心模型,左右两边采用匀速转弯模型,相比传统变结构多模型算法, 提高了模型切换速度,实现更加实时,可以更高精度跟踪临近空间目标飞行器。仿真结果表明,针对4种非弹道式机动模式,修正变结构交互式多模型算法效果优于固定结构多模型滤波方法。     

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。     

临近空间高超声速飞行器机动模型及弹道预测

讨论了临近空间轴对称高超声速机动飞行器的跟踪及弹道预测问题。通过引入3个与气动力参数相关的状态变量,建立起一种非线性机动模型,并证明了基于该模型的非线性跟踪系统的可观性。针对此非线性跟踪系统,设计了扩展卡尔曼滤波器以及状态预报器,实现弹道跟踪和预测。仿真结果表明,对于临近空间飞行器在巡航末段的运动状态,采用所提出的机动模型,可以取得优良的跟踪和预测效果。     

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...     

基于控制变量估计的高超声速再入滑翔目标轨迹预测算法

以高超声速再入滑翔目标为研究对象,在对目标机动控制变量进行建模分析的基础上提出了一种轨迹预测算法。首先,基于动力学建模构建了目标跟踪模型,利用气动参数对目标状态向量进行扩维并推导了对应的运动模型。其次,构造了适用于轨迹预测的目标机动控制变量,在不同机动模式下分析了控制变量的变化规律,基于控制变量设计了对应运动方程以及轨迹预测模型。最后,仿真生成了两条轨迹并对所提算法进行了仿真验证,分析了算法性能。仿真结果表明所提轨迹预测算法能够取得较好的预测效果。     

基于控制变量估计的高超声速再入滑翔目标轨迹预测算法

以高超声速再入滑翔目标为研究对象,在对目标机动控制变量进行建模分析的基础上提出了一种轨迹预测算法。首先,基于动力学建模构建了目标跟踪模型,利用气动参数对目标状态向量进行扩维并推导了对应的运动模型。其次,构造了适用于轨迹预测的目标机动控制变量,在不同机动模式下分析了控制变量的变化规律,基于控制变量设计了对应运动方程以及轨迹预测模型。最后,仿真生成了两条轨迹并对所提算法进行了仿真验证,分析了算法性能。仿真结果表明所提轨迹预测算法能够取得较好的预测效果。     

适用于模型失配时的改进IMM算法

机动目标难以跟踪的主要原因是无法找到一个准确的模型来描述目标的运动,即此时目标运动模型是失配的。现今交互式多模型（interacting multiple-model, IMM）算法是一种常用的用于机动目标的跟踪算法。推导分析了现有的典型IMM滤波算法在跟踪机动目标时存在的不足,提出了一种更适用于运动模型失配情况下机动目标跟踪的改进IMM算法。该算法对在跟踪机动目标时滤波器的新息序列的均值特性进行推导分析,改进了IMM算法中模型概率的计算方法,提高了模型概率计算的准确性,从而提高对机动目标的跟踪精度。建立了典型的机动目标跟踪场景,将改进后的IMM算法和原有的典型IMM算法的跟踪性能进行了对比研究,并对模型转换概率的准确性进行了分析,仿真结果验证该改进算法的有效性。     

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。     

基于量测转换序贯滤波的GMPHD机动目标跟踪

针对多普勒雷达杂波环境下的多机动目标跟踪, 提出了一种基于去相关无偏量测转换序贯滤波的多模型高斯概率假设密度算法。针对量测的非线性, 将位置量测进行无偏量测转换, 将多普勒量测进行去偏量测转换, 并通过序贯滤波方式提高跟踪精度。针对多目标的机动性, 在高斯混合概率假设密度(Gaussian mixture probability hypothesis density, GMPHD)中引入多模型思想对模型相关的高斯分量进行预测、更新处理。仿真结果显示, 所提算法可以在杂波环境中实现有效的机动多目标跟踪, 与无迹卡尔曼多模型GMPHD相比不仅跟踪精度提升了38.15%, 而且大大改善了算法效率; 与无迹卡尔曼最适高斯近似GMPHD相比, 在效率上有小幅度的增加, 且跟踪精度提升了36.47%。     

Multiple model tracking algorithms based on neural network and multiple process noise soft switching

A multiple model tracking algorithm based on neural network and multiple-process noise soft-switching for maneuvering targets is presented. In this algorithm, the “current” statistical model and neural network are running in parallel. The neural network algorithm is used to modify the adaptive noise filtering algorithm based on the mean value and variance of the “current” statistical model for maneuvering targets, and then the multiple model tracking algorithm of the multiple processing switch is used to improve the precision of tracking maneuvering targets. The modified algorithm is proved to be effective by simulation.     

基于改进PSO的临空高速飞行器协同跟踪优化

临空高速飞行器具有飞行空域大、速度快等特点。针对临空高速飞行器协同跟踪面临分配资源要素众多、协同关系复杂等问题,在构建了面向临空高速飞行器的多传感器协同跟踪优化模型的基础上,通过改进粒子群优化算法的速度及位置更新方式,提出了结合置信算子及排斥算子的粒子群优化(confidence operator and repulsion operator particle swarm optimization, CORO-PSO)算法。仿真实验验证了所提算法能够满足临空高速飞行器协同跟踪对精确性及实时性的高要求,对临空高速飞行器探测跟踪系统的发展提供了一定的方法支撑。     

基于小波变换的双站纯角度机动目标融合跟踪

纯角度跟踪通常面临非线性滤波和高速率量测数据处理问题。在小波变换的基础上提出一种新的双站纯角度机动目标跟踪算法。该算法使用无源定位的方法确定目标位置，并运用基于多速率运动模型的交互式多模型算法进行滤波。算法避免了角度量测下的非线性滤波，并减少了计算量。Monte Carlo仿真结果表明了算法的有效性。     

基于目标机动模式识别的VSMM算法

针对定结构多模型在高机动目标跟踪算法中存在计算量大、计算时间长、难以满足系统实时性等问题,提出了基于目标机动模式识别的变结构多模型算法。该算法能够选取与目标运动状态相匹配的模型集合,具有时变性、自适应性的优点。通过运用少量的运动模型组成一个模型组,然后不同的运动模型组合形成不同的模型组,以模型组代替原先定结构模型中的多模型,根据跟踪检测到的目标运动模式来选择是否更换模型组,从而用少量运算得到较为精确的次优解。仿真结果表明,该算法在跟踪强机动目标中不但能够有效降低计算量,而且可以使模型集合和目标的运动状态更好地匹配,从而提高目标跟踪精度。