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。     

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IMM算法的机场场面运动目标跟踪

为了实现对机场场面运动目标的精确跟踪,研究了将交互式多模型（interacting multiple model, IMM）滤波算法应用到机场场面监视雷达对运动目标的跟踪中。首先,根据飞机的真实运动情况建立了飞机的匀加速运动、匀速转弯运动及匀速运动模型,然后,利用无迹卡尔曼滤波(unscented Kalman filter, UKF)与IMM相结合的UKF-IMM算法对场面雷达监视的飞机的运动进行了跟踪建模,并将UKF IMM算法与基于扩展卡尔曼滤波（extended Kalmam filter, EKF）的EKF-IMM和基于当前统计模型的单模型跟踪算法进行仿真比较。结果表明,UKF-IMM跟踪算法在雷达场面跟踪方面具有更大的应用价值。     

优化卡尔曼滤波算法中的目标函数选择

针对优化卡尔曼滤波算法(optimized Kalman filter,OKF)中的目标函数选择问题,设计了两种适用于OKF算法优化的目标函数,证明了这两种目标函数是最优的,即当目标函数取最小值时,OKF算法中的滤波估计值H_kx_k|k-1^⌒*是(或概率意义下)系统真实状态H_kx_k的最优估计。把上述目标函数应用于多模型卡尔曼滤波算法(multiple model adaptive Kalman filter,MM-AKF)中,设计了一种优化多模型卡尔曼滤波算法(optimizedmultiple model adaptive Kalman filter,OMM-AKF),OMM-AKF算法能够根据目标函数优化子滤波器的滤波估计值权值,从而能够得到系统真实状态的较优估计值。最后,通过仿真验证了上述理论的正确性和方法的有效性。     

基于IMM-CSRF的多平台机动目标被动跟踪方法

针对仅有角度测量信息条件下,单平台的机动目标被动跟踪存在固有的强非线性和弱可观测性问题,研究多平台融合机动目标被动跟踪技术,提出了集中式漂移瑞利滤波器(centralized shifted Rayleigh filter,CSRF)来解决多平台目标被动跟踪问题,进一步提出并推导了基于交互式多模型的集中式漂移瑞利滤波器(interacting multiple model centralized shifted Rayleigh filter,IMM CSRF),实现对机动目标的被动跟踪。仿真实验表明,该算法跟踪精度高,稳定性好,具有良好的实际应用价值。     

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。     

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。     

机场三维态势呈现中IMMKF平滑ADS-B数据

针对基于广播式自动相关监视(automatic dependent surveillance-broadcast, ADS-B)数据进行机场三维态势呈现的应用,研究了在态势显示的第一步,ADS-B数据精度不高、不平滑问题,预处理后数据可以用于后续插值生成高帧率的航迹数据。交互式多模型卡尔曼滤波(interacting multiple model Kalman filter, IMMKF)算法可以较好地解决机场场面运动目标ADS-B轨迹数据的实时平滑问题。首先,根据飞机的真实运动情况建立了飞机的匀加速运动、匀速转弯运动及匀速运动模型,然后利用卡尔曼滤波Singer模型与IMM相结合的IMMKF算法对场面飞机的ADS-B轨迹进行了跟踪滤波,达到目标轨迹光滑的效果。实验结果表明,与多种经典的滤波方法相比, IMMKF方法在保证了光滑性的情况下跟踪失败概率低,可实时计算,精度能满足要求。     

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。     

高分辨距离像辅助的机动目标跟踪算法

宽带相控阵雷达可以获得高分辨距离像,利用此特征获取目标的姿态角成为了一种可能,基于此提出了一种新的机动目标跟踪算法,充分利用高分辨距离像特征,实时估计目标姿态角,并将姿态角信息融合到雷达的量测方程,本文结合先进的非线性滤波算法,提出了利用姿态角的交互多模型不敏卡尔曼滤波算法。通过计算机仿真表明,利用目标姿态角的机动目标跟踪算法相比传统算法目标跟踪精度(位置精度和速度精度)得到很大提高。同时姿态角误差越小,目标跟踪性能越好。     

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。     

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。     

基于容积粒子滤波的交互式多模型算法

针对非线性非高斯条件下目标跟踪容易发散和精度下降等问题,将容积粒子滤波引入到交互式多模型算法中,提出了一种基于容积粒子滤波的交互式多模型算法。该算法在粒子先验分布更新阶段,利用容积卡尔曼滤波器融入最新的观测数据并产生重要性密度函数,使其更加逼近系统真实状态的后验概率密度,改善了粒子滤波的性能。仿真表明在运算时间未显著变化的情况下,该算法与交互式多模型无迹粒子滤波算法相比有着更高的滤波精度和稳定性。