一种基于多传感器协同探测的雷达跟踪系统

战场上雷达是对目标进行跟踪的常用手段,当敌方施放有源压制干扰时常导致目标航迹丢失,雷达无法对目标进行持续跟踪。为了改善对目标的跟踪性能,建立了干扰背景下基于机载多传感器协同探测的雷达跟踪系统,首先采用Kalman滤波预测雷达量测缺失数据,当跟踪精度不满足期望值时应用支持向量机回归(SVMR,Support Vector Machine Regression )算法估计缺失数据作为雷达的量测值继续进行卡尔曼滤波估计,实现了对目标的持续跟踪,精度较高。仿真验证了该系统能够解决有源压制干扰条件下的目标航迹丢失问题,增强了雷达对目标的跟踪性能。     

压制干扰下雷达网点目标概率多假设跟踪算法

针对压制干扰下雷达网跟踪中使用概率多假设跟踪(PMHT)算法航迹丢失率高的问题,提出了一种基于数据压缩的雷达网点目标概率多假设跟踪(DC-PPMHT)算法.该算法先将各雷达在压制干扰下由于检测概率下降出现目标暂消的量测数据在空间对准后进行串行合并和点迹合成,并计算数据压缩后各量测点迹的检测概率,然后把计算得到的压缩点迹和检测概率送入点目标PMHT滤波器中进行跟踪.DC-PPMHT算法在压制干扰下的雷达网跟踪中可以降低航迹丢失率,提高航迹跟踪的精度.仿真结果表明,与PMHT算法相比,DC-PPMHT算法在各雷达采取抗干扰措施前、后的航迹丢失率分别降低了4.7％和1.2％.     

一种雷达网络偏差估计补偿方法

为了提高雷达目标跟踪精度,针对雷达网络跟踪系统的时变配准偏差补偿问题,该文提出了一种通用的估计补偿方法.该方法根据雷达提供的测量信息,引入伪测量方程和等价偏差的概念,结合卡尔曼滤波方法估计出雷达的量测偏差和位置,用于补偿和修正量测信息.该方法使雷达的跟踪精度比补偿前明显提高.统计意义下的仿真结果显示了该方法的有效性.     

带量测缺失的线性离散系统的滤波算法研究

研究了含有量测缺失的线性离散系统未知干扰和状态估计问题。首先将量测丢失建模为带二进制变量的伯努利过程,来模拟量测丢失的随机情形;其次考虑测量方程中未知干扰的系数矩阵不满秩和量测信息缺失的情况,设计一种抗干扰滤波器,该滤波器满足了未知干扰和系统状态估计的最小方差无偏性;最后通过数值仿真验证了在发生量测信息缺失的不同概率下,仍能实现对系统状态和未知干扰的无偏估计,表明了所提算法的有效性。     

基于自适应α-β滤波的目标跟踪算法研究

由于雷达对目标角度测量精度低,而红外传感器角度测量精度高,所以引入红外角度数据用以修正融合航迹点的方位角。建立了自适应α-β滤波的数据关联快速算法模型。进行了模拟战场实际目标的仿真试验。仿真结果表明该算法充分利用了红外与雷达的互补性,达到了降低目标航迹的方位角和俯仰角跟踪误差的目的,使航迹状态估计更加精确。     

基于反馈机制的异步环境跟踪算法

多传感器目标跟踪系统中,各传感器量测周期的不同导致局部量测或估计到达融合中心的时间不同步。使用航迹融合和卡尔曼滤波方法,各局部传感器在共享融合中心数据的基础上进行独立滤波估计,融合中心根据各局部航迹插值对准进行融合,提出了一种适合于任意多传感器速率构成的异步环境跟踪的方法。实验仿真结果表明,该方法能够很好地完成异步环境的目标跟踪任务,跟踪效果明显好于各局部传感器。     

光电跟踪系统中高频测角信息的攫取研究

为了能够充分利用光电跟踪设备相邻两次激光测距间隔内的高频测角信息,以提高目标跟踪精度,给出了一种航迹“融合”式目标状态估计方法。该方法借助扩展Kalman滤波算法．将无测距信息时刻的目标测角信息代入独立的滤波器,而对有距离时刻的目标测量信息建立另外的滤波器,然后将两滤波器的输出结果进行加权融合,从而在不增加任何硬件成本的前提下,进一步提高了具有激光测距的光电跟踪系统的目标状态估计精度。对模拟数据和靶场实测数据的测试结果表明了该方法的可行性和有效性。     

电子干扰下雷达压制区计算

针对电子干扰下雷达发现概率和压制区边界计算问题,推导了有源干扰和无源干扰下雷达发现概率计算公式、干扰压制区和暴露区边界计算公式,建立了干扰模型,仿真了单干扰机和多干扰机对雷达的干扰压制区和暴露区,通过仿真得到目标位于压制区时雷达发现概率极低的结论。     

基于有源辅助的被动跟踪系统

提出了一种有源雷达间歇辅助红外工作的雷达／红外协同跟踪系统,该系统通过减少雷达开机时间降低被敌方ESM（电子支持措施）锁定的可能性．为了改善纯角度跟踪的滤波发散问题,一方面,在滤波处理时采用了非线性逼近能力更强的Unscented卡尔曼滤波算法;另一方面,充分利用雷达、红外同时开机时的量测信息,构造出一组时间多项式,在雷达关机期间,利用该组时间多项式估计目标的运动状态,辅助红外传感器进行跟踪．计算机仿真结果表明,该方法不仅能保证跟踪精度,同时也能有效地降低雷达被敌方ESM锁定的可能性．     

多频高频地波雷达目标数据融合与跟踪

强烈的海杂波干扰以及目标起伏严重制约了高频雷达的目标检测与跟踪性能,针对这一不足,提出一种基于多频雷达的数据融合与跟踪算法.通过加权最近邻关联来融合多频数据;通过无味卡尔曼滤波输出跟踪结果.在中国东海舟山海域进行了为期10d的数据采集实验用于验证系统性能.研究了多频雷达数据特点,给出了合适的距离、速度和方位的融合门限及权重设置方法,建立了从检测到跟踪整套处理流程,并提出了用于检验多频工作性能的评价指标.评价指标包括目标在线时间、航迹分裂数目、跟踪区域和定位误差.研究结果表明:通过数据融合和跟踪滤波显著延长了目标在线时间,提高了目标检测概率并减小了定位误差和跟踪中出现的航迹分裂数量,增强了跟踪稳健性.     

数据链时延对融合精度影响的仿真分析

为了明确雷达航迹和数据链航迹融合中数据链时延对目标跟踪精度的影响,通过对雷达航迹和数据链航迹进行融合仿真,比对分析了不同数据链时延以及有无时延修正情况下的跟踪融合精度.结果表明:当数据链时延较小时,数据链时延对融合精度影响不大,时延修正效果不明显;当数据链固定时延达到500ms以上时,采用时延修正算法可以明显提高融合精度,且固定时延越大,修正算法对融合精度的提高越明显.     

空地概率数据关联转换量测滤波算法

针对实际情况下机载预警雷达虚警多、易掉点和俯仰角误差大从而导致目标航迹起始和跟踪困难的问题,以WGS-84坐标系为框架,提出机载预警雷达量测关联地面雷达航迹进行目标跟踪的PDA-UCMKF新算法,推导PDA-UCMKF方法的状态更新和误差协方差更新方程,实现了机载预警雷达对中高空目标的快速跟踪.在杂波环境下仿真对比NN-UCMKF和PDA-UCMKF方法的关联和跟踪效果,表明PDA-UCMKF方法有效、可靠且易于工程实现.      

含预测和容错的自适应Kalman目标跟踪

针对模型不准确时,传统Kalman滤波目标跟踪算法精度有限甚至发散的问题,研究了基于新息协方差在线匹配技术的自适应Kalman滤波算法,提高跟踪精度;并以Kalman滤波估计的目标位置为基础,利用一步Kalman预测得到下一时刻目标可能的位置范围,避免对整幅后帧图像进行遍历搜索,减小了计算量;为了避免存在干扰时异常量测对目标跟踪的影响,研究了量测信息异常检测算法,以Kalman预测的量测代替异常量测,增强抗干扰能力。实验证明,所提算法能够有效提高目标跟踪的精度和鲁棒性。     

TWS雷达航迹跟踪仿真系统研究与设计

文章介绍了航迹处理算法,设计了一个灵活的航迹跟踪仿真系统;该系统将雷达航迹处理作为独立的系统考虑,在取得目标的位置、运动参数后进行互联、跟踪、滤波、平滑及预测等运算,对输出的距离、方位和速度信息做精度分析;实际应用表明,该仿真系统有利于节约资源、缩短雷达的研制周期,为推动雷达航迹跟踪技术发展提供有效的手段.     

杂波环境下基于红外传感器和雷达融合的机动目标跟踪算法

提出一种在密集杂波环境下多传感器机动目标跟踪算法,在利用雷达测量数据的基础上,融合红外(IR)传感器获得的精确角度信息来提高机动目标跟踪性能。通过计算机仿真,该算法较传统概率数据关联(PDA)对于航迹跟踪成功率和位置估计的准确率更为有效。     

基于贪婪量测划分的隐身目标跟踪MS-LMB滤波器

针对隐身目标的跟踪,本文将贪婪量测划分的方法应用于多传感器标签多伯努利(MS-LMB)滤波器中,较好地解决了低检测概率下的多雷达跟踪问题. 传统的MS-LMB滤波器一般采用吉布斯采样来解决量测划分问题. 当雷达网中多数雷达对隐身目标的检测概率较低而处于漏检状态时,目标的似然权值将偏小而很难被吉布斯采样获取,从而难以准确估计隐身目标的状态. 贪婪量测划分机制由于单独考虑了包含漏检项的量测集,可有效解决此问题. 仿真实验结果表明,在隐身目标的跟踪中,采用贪婪量测划分的MS-LMB滤波器的滤波性能明显优于采用吉布斯采样的MS-LMB滤波器的性能.      

有色量测噪声情况下的多传感器目标跟踪融合算法

目前已有的目标跟踪融合估计算法都是基于Kalman滤波的,而卡尔曼滤波估计算法要求系统过程噪声和量测噪声均为白色噪声,而实际的跟踪系统中量测噪声往往是有色噪声。针对上述问题,本文利用线性组合当前量测与下一时刻量测的量测扩增法,研究了有色量测噪声情况下的集中式、分布式多传感器目标跟踪融合算法。并对新的融合算法进行仿真分析,仿真结果表明新的融合算法具有良好的跟踪性能。     

量测随机丢失下基于容积卡尔曼滤波的厚尾噪声处理方法

针对量测随机丢失和厚尾量测噪声条件下的非线性状态估计易发散问题,提出了一种新的非线性卡尔曼滤波方法。引入服从Gamma分布的辅助参数,将厚尾量测噪声建模为Student’s t分布,以解决厚尾噪声导致的状态估计易发散问题,并采用服从Benroulli分布的随机变量来描述量测信号随机丢失的现象;在量测随机丢失下,基于目标状态和未知参数建立联合后验分布,并使用变分贝叶斯方法,联合估计系统状态、量测丢失概率和未知的厚尾噪声。非线性目标跟踪仿真实验表明,提出的算法可自适应估计未知的量测丢失概率,在野值概率为5%的条件下,算法目标跟踪的位置、速度和转动速率均方根误差分别为对比算法的37%、28%和60%;在野值概率为10%的条件下,其他算法均出现了发散现象,而提出的算法依然能够以较低的误差跟踪目标,体现了所提算法良好的鲁棒性和优越性。     

带有量测数据丢失的虚观测鲁棒卡尔曼滤波算法

针对传感器量测数据丢失的卡尔曼(Kalman)滤波问题进行了研究,提出了一种基于虚观测值的鲁棒卡尔曼滤波算法,针对伯努利(Bernoulli)分布描述的量测数据丢失的模型,充分利用当前时刻的先验信息,应用趋势移动平均法来预估构造丢失数据时刻的虚观测值,建立了等效的传感器量测模型.利用鲁棒卡尔曼滤波方法来消除预测偏差较大的虚观测值对目标跟踪的影响,从而达到对目标的稳健跟踪.仿真实例说明了该算法能在量测数据丢失的情况下对目标进行有效的跟踪,跟踪精度高于跳变线性系统的卡尔曼滤波算法.     

基于动态规划的雷达弱目标检测前跟踪算法

针对中重频雷达弱目标检测的距离-多普勒模糊问题,提出了一种基于动态规划的检测前跟踪算法。在多重频工作模式下,将目标的状态分解为模糊状态和模糊数两类变量,将解模糊问题转变为对模糊状态和距离-多普勒模糊数的联合估计问题。对每个单重频雷达数据都采用动态规划算法估计目标状态并获取目标最大的航迹能量。最后采用余差查表法解距离-多普勒模糊并回溯目标真实航迹。仿真结果表明,在存在距离-多普勒模糊的情况下,该算法对雷达弱目标具有很好的检测性能。