一种新的自适应机动目标跟踪算法

在＂当前＂统计（CS）模型基础上,提出了一种新的机动目标自适应滤波算法,当前统计模型-修正强跟踪滤波（CS-MSTF）算法。新算法在保留＂当前＂统计模型及强跟踪滤波器（STF）对一般机动目标跟踪精度高的优点的同时,作出以下改进：针对强跟踪滤波器在机动部分获得完美性能的同时,非机动部分的精度却不理想的缺陷,对预测误差协方差及渐消因子的计算作出修正,同时改进机动部分和非机动部分的精度;将目前常用的估计误差协方差的计算公式采用更加可靠的Joseph公式,增强了数值的稳定性和算法的鲁棒性。蒙特卡罗仿真表明,新算法的性能优于当前统计模型-强跟踪滤波（CS-STF）算法,能够进行有效估计。

Abstract：

Based on the ＂current＂ statistical model,a new adaptive maneuvering target tracking algorithm,CS-MSTF,was proposed. The new algorithm,keeping the merits of high tracking precision that the ＂current ＂ statistical model and strong tracking filter（STF） have in tracking maneuvering target has made the modifications as such：First,STF has the defect that it achieves the perfert performance in maneuvering segment at a cost of the precision in non-naneuvering segment,so the new algorithm modifies the prediction error covariance matrix and the fading factor to improve the tracking precision both of the maneuvering segment and non-maneuvering segment; The estimation error covariance matrix was calculated using the Joseph form,which is more stable and robust in numerical. The Monte-Carlo simulation shows that the CS-MSTF algorithm has a more excellent performance than CS-STF and can esitmate efficiently.     

基于当前统计模型的机动目标自适应跟踪算法

当前统计模型及其自适应卡尔曼滤波算法对强机动目标具有很好的跟踪效果,但当机动目标为弱机动和非机动时算法跟踪性能较差。针对这一问题,提出了采用铃形函数作为模糊隶属函数对模型中加速度极值进行修正的自适应滤波算法,调整加速度稳定时的系统过程噪声方差,提高算法的跟踪精度。同时,借鉴强跟踪滤波算法的渐消自适应滤波因子思想,针对加速度突变的情况引入渐消因子对修正的加速度极值进行调节,提高算法在加速度突变情况下的跟踪速度。仿真实验结果表明,算法对弱机动目标和非机动目标的跟踪具有良好的效果。     

基于当前统计模型的机动目标自适应强跟踪算法

在当前统计模型卡尔曼滤波算法的基础上,结合升半正态形模糊分布函数特性,提出了一种加速度方差两段函数自适应调整方法,该方法能自适应逼近目标真实机动并进行准确跟踪。给出了最大加速度自调整方法,克服了模型对目标最大加速度的依赖。引入强跟踪滤波算法,增强了模型对突发机动自适应跟踪的能力。理论分析和仿真结果表明,该算法提高了机动模型和系统模式的匹配程度,增强了系统对强机动目标的跟踪能力,并保持对弱机动和非机动目标良好的跟踪性能,且具有运算量小、跟踪精度高、易于工程化实现等优点。     

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ANFIS的自适应机动目标状态估计算法

针对基于当前统计(current statistics,CS)模型的机动目标状态估计算法对机动目标加速度的极限值依赖性大的缺陷,提出了一种利用自适应神经网络-模糊推理系统(adaptive neuro-fuzzy inference system, ANFIS)自适应调整目标状态噪声方差的方法。首先利用ANFIS算法对目标机动强度进行估计,进而对目标状态噪声协方差矩阵进行自适应调整;然后利用粒子滤波(particle filter, PF)算法对目标状态进行估计。仿真结果表明,与该方法能够有效提高目标状态估计的精度。     

机动目标跟踪的多模型多机动策略算法

在机动目标运动过程中引入机动决策的概念,建立了具有多个运动模式与多种机动决策的目标运动模型.并针对目标运动的多模式与多机动决策的特点,提出了一种多个运动模型与多种机动决策共同交互的机动目标跟踪算法.最后利用计算机仿真手段对所提出的交互式多模型多机动策略跟踪算法进行了验证,仿真结果显示此目标跟踪算法对于跟踪以多种机动策略实时机动的目标不仅是有效的,而且较之传统的交互多模型算法,跟踪性能更加优越.     

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。     

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。     

基于神经-模糊推理网络的机动目标跟踪方法

对目标机动的检测和准确跟踪，是目标跟踪研究中非常重要但难度较大的问题。在雷达和红外融合的跟踪系统，将神经-模糊推理网络与扩展Kalman滤波结合起来，形成闭环。即提取和目标机动有关的特征量送入神经-模糊推理网络，再估计目标机动输入，实现对机动目标的精确跟踪。仿真试验说明了本文所采用方法的有效性。     

自适应高斯模型与多基地雷达机动目标跟踪

为改善多基地雷达系统对高机动目标的跟踪性能,提出了基于自适应高斯模型和扩展卡尔曼滤波(EKF)的机动目标跟踪算法.将目标加速度的概率密度特性描述为一具有均值和方差的高斯分布,建立了系统的离散状态方程和非线性观测方程进行EKF滤波,并在每个采样周期实现对输入控制信号及过程噪声协方差的更新,使加速度符合目标的实际变化情况.Monte Carlo仿真结果显示,对目标的变加速轨迹,该算法在位置和加速度上的均方根误差均比Singer模型小,且误差曲线平滑,表明了该算法能对机动目标实现准确跟踪.     

基于"当前"统计模型的模糊自适应跟踪算法

“当前”统计模型需要预先设定目标最大机动加速度，不能很好的适应各种机动情况。采用模糊推理的方法根据测量新息和新息变化率实时调整目标最大机动加速度，自适应各种机动情况。此外，针对多数传感器测量方程的非线性，采用性能较好的Unscented Kalman Filter代替常用的扩展卡尔曼滤波。仿真结果表明，该算法在跟踪精度和收敛速度都优于传统的基于“当前”统计模型的跟踪算法。     

基于雷达/红外神经网络融合目标跟踪算法

提出—种基于雷达/红外传感器神经网络融合的机动目标跟踪算法，利用神经网络的非线性逼近能力，将神经网络与卡尔曼滤波器相结合构成一个非线性估计器，该算法可以对来自红外成像传感器的补充信息加以充分利用，进行机动检测，把计算负荷转移到神经网络，在改善跟踪性能的同时又保持跟踪滤波的计算结构尽可能简单。仿真结果表明所提出的跟踪滤波算法在跟踪应用上优于—般的非线性估计算法，它最明显的优点就是减少了数字计算上的复杂性，提高了跟踪算法的快速性。     

跟踪机动目标的多模型算法进展

对多模型算法的发展过程进行了回顾和评述。分析了固定结构多模型算法的局限性。在变结构多模型算法的实现方法中 ,介绍了激活有向图方法、自适应网格方法和有向图切换方法。通过一个仿真实例比较了固定结构与变结构多模型算法的费效比     

闪烁噪声机动目标跟踪的模型集交互跟踪算法

给出了一种量测噪声为闪烁噪声情况下的模型集交互机动目标跟踪算法。在雷达目标跟踪系统中由于目标位置的随机摆动,使得对其位置的量测伴随着闪烁噪声的出现,这种闪烁噪声会对目标跟踪的性能产生很大的影响。本文通过对闪烁噪声的QQplots-分析,利用高斯分布和拉普拉斯分布的合成对其进行建模,在机动目标跟踪中采用两个模型集来处理闪烁噪声的情况,并详细推导了模型集交互时机动目标跟踪算法。最后,通过Monte Carlo的仿真结果表明了该算法的有效性。     

一种新的机动目标跟踪算法

针对反舰导弹末端超音速、跃升俯冲的攻击模式,提出了一种基于描述导弹受力状态和运动参数之间关系的模型的机动目标跟踪新算法,可以通过在线辨识模型中的力学参数,自动适应导弹运动模态的变化,最后研究了新算法与基于CV、CA模型的目标跟踪算法的性能比较。仿真结果表明,在反舰导弹末端超音速、跃升俯冲攻击模式下,基于CV、CA模型的目标跟踪算法性能较差,而新算法可显著提高对高速强机动目标的跟踪性能。     

基于Input Estimation的VSIMM机动目标跟踪

IMM算法的跟踪性能很大程度上取决于模型集的选择.提出了基于InputEstimation的自适应改变模型集的变结构多模型算法IE_VSIMM.对IMM算法输出的状态估计及其误差协方差进行准Kalman滤波,由Input Estimation算法得到的加速度增量估计,可检测目标机动和生成新的模型集.修正过程则由IMM算法在新模型集上对状态估计及其误差协方差进行更正.仿真结果表明IE_VSIMM算法的跟踪性能更好.     

非线性预测滤波器在机动目标跟踪中的应用

提出了一种直接根据新息的机动目标跟踪非线性预测跟踪滤波算法。该算法不需要假定目标的机动加速度模型 ,而是将目标的机动加速度作为滤波结果的一部分直接估计出来。对不同机动目标的仿真结果表明 ,所提出的预测滤波算法具有优良的估计性能     

基于多传感器数据融合的机动目标跟踪自适应学习方法

考虑到传感器对目标的观测都存在有偏差，同时针对雷达系统检测中存在漏检的现象，提出了一种适用于处理传感器漏检现象的多传感器融合方法。并以雷达／红外成像复合的双模制导体系下红外和雷达两种传感器对目标状态的检测和跟踪为例，给出一个完整的多传感器数据融合和目标跟踪自适应方法。该方法简单易行，鲁棒性强，通过对红外成像和雷达系统的数据融合和目标跟踪的数字仿真，表明该方法有效。另外，该方法同样适用于多于两个多传感器系统。