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。     

基于MCSM的自适应跟踪算法

针对基于"当前"统计模型的算法跟踪突发强机动目标性能下降的问题,提出了一种通过强机动自适应检测调整模型参数的改进算法。该算法利用残差统计距离的概率分布设置目标强机动的检测门限,根据目标的机动水平联合调整模型的机动频率、最大机动加速度以及滤波器增益,在保持"当前"统计模型跟踪算法对一般机动目标跟踪精度的前提下,增强了系统对突发强机动目标的自适应跟踪能力。仿真结果表明,该算法扩大了跟踪机动目标的动态范围,提高了跟踪性能。     

基于特征的雷达目标机动检测算法综述

根据机动检测器所利用的信息不同,雷达目标机动检测算法可分为基于跟踪滤波器信息的机动检测和基于特征信号的机动检测两大类。首先分析了传感器特征信息与目标机动模式之间的关系,给出了基于特征的机动检测算法的3种分类方法,并以检测器所利用的特征信息为线索对机动检测算法做了详细的介绍,分析了各种算法的基本原理、假设条件和优缺点。     

基于图像机动检测的飞行目标姿态角估计算法

基于图像对目标的机动检测信息,提出了一种新的基于二维图像序列的飞行目标姿态角估计算法.算法结合飞行目标结构特点,利用图像对其进行快速机动检测,根据目标的机动方向和机动程度,建立了自适应动态模型库,并提出了启发式搜索法,最后采用动态模型匹配的原理进行目标姿态角估计.该算法避免了创建动态模型库的盲目性,减小了动态模板库的规模,提高了最佳匹配模型的搜索速度,仿真结果表明,在保证姿态估计精度的同时,极大的提高了实时性.     

基于快速模型匹配的飞行目标三维姿态角估计算法

采用动态模型匹配的基本原理,提出了一种基于二维图像序列的飞行目标三维姿态角估计算法。算法根据目标机动特点和姿态角约束关系,建立了降维动态模型库,在保证模型库完备性的同时减小了规模。根据相似性矩阵的分布规律提出了十字搜索法,加快了最佳匹配模型的搜索速度。仿真表明,该算法具有较好的准确性和实时性,对提高机动目标跟踪性能具有一定的理论意义。     

集成多普勒观测的目标机动检测算法

基于决策的单模目标跟踪方法的关键是及时而稳健的目标机动检测,充分利用目标多普勒观测量能够有效提高机动检测性能。提出一种集成多普勒观测的目标机动检测算法,利用基于马氏距离的预测寻优方法,克服了多普勒观测噪声水平较高时估计式无解的情况,提高了加速度估计精度;基于奈曼皮尔逊准则设计机动检测器,避免了因目标机动检测的滞后性带来的门限漂移。仿真实验表明,算法提高了加速度估计的精度和稳健性,显著降低了平均检测延迟,有效提高了机动检测性能。     

基于UKF的交互多模型算法

为了提高交互多模型算法的滤波精度,提出了基于无迹卡尔曼滤(UKF)的交互多模型算法(IMM-UKF).该算法融合了交互多模型算法对不同目标机动模式的自适应能力和UKF滤波精度高的优点.通过对机动目标跟踪的应用仿真,将该算法和基于扩展卡尔曼滤波(EKF)的交互多模型算法(IMM-EKF)进行了比较,仿真结果表明了IMM-UKF具有较好的跟踪性能,减小了机动目标跟踪的均方根误差.     

高度机动目标异步航迹融合算法

在现代空战中，由于作战的需要，飞机运动会出现高度机动的情况。讨论了高度机动模型（Jerkmodel）目标跟踪问题，根据机载传感器中不同类型传感器的特点，提出了在高度机动模型下基于坐标转换Kalman滤波的异步目标跟踪融合算法。仿真结果表明，该算法可以有效地改善跟踪高度机动目标的性能。     

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。     

基于最小二乘滤波起始的机动目标被动跟踪方法

针对仅有量测角的机动目标跟踪给出了基于最小二乘法的滤波器起始方法。该方法减少了伪量测估计方法的估计偏差,同时克服了基于最大似然估计算法计算复杂和容易陷入局部极值点的不足。该起始算法与交互式多模型(IMM)算法相结合实现了对机动目标的被动跟踪。计算机仿真验证了该方法的有效性。     

速度匹配算法在传递对准中的应用分析

理论上，载机机动对提升速度匹配传递对准滤波器的性能是有益的，但机动同时会带来较大的机翼动态挠曲变形角，这一过程对传递对准又是不利的。为了分析机动对速度匹配传递对准过程的影响，首先给出了考虑机翼柔性变形时主子惯导之间的失准角模型,并采用二阶Markov过程来表示机翼动态挠曲变形角。其次，给出了在动态挠曲变形的影响下,杆臂速度与杆臂加速度的表达式。然后，推导出了本文使用速度匹配算法的误差评估方法。最后，结合提出的相关模型,对机动条件下速度匹配算法的性能进行仿真分析。结果表明，在机翼动态挠曲变形角标准差达到20′时，滤波器出现明显的发散现象，因此速度匹配算法在应用时，应充分考虑机动带来的动态挠曲变形角所产生的影响，合理选择机动大小或武器挂点。     

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。     

机动运动辐射源的单站无源定位自适应算法

利用目标到达角(DOA)和到达时间(TOA)作为测量数据,采用最优加权最小二乘估计和基于机动加速度的非零均值时间相关模型的自适应卡尔曼滤波算法,通过加速度方差对滤波增益的修正,完成机动加速度方差自适应算法,实现了对机动目标进行单站无源定位与跟踪的方法.计算机仿真验证了算法的有效性和可行性,证明该方法在无源定位系统中有一定的参考价值.     

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"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IMM的UK-GMPHDF算法在多机动目标跟踪中的应用

为解决非线性系统滤波的非线性和多机动目标跟踪问题,提出了一种基于交互多模型(IMM)的无迹卡尔曼实现的高斯混合概率假设密度滤波(UK-GMPHDF)算法.该算法结合了IMM算法对不同目标机动模型的自适应能力和UK-GMPHD滤波精度高、计算量小的优点.此外,滤波器利用UK-GMPHD滤波,不仅避免了难以解决的数据关联问题,而且可以联合估计目标数和目标状态.在非线性系统和杂波环境下,通过对多机动目标跟踪的应用仿真,将该算法和基于单模型的UK-GMPHDF算法进行了比较,仿真结果表明了基于IMM的UK-GMPHDF算法具有较好的跟踪性能,大大提高了多机动目标跟踪精度,减少了跟踪的多目标误差.     

带有神经网络干扰观测器的视线角约束制导

针对具有终端视线(line-of-sight, LOS)角约束的机动目标拦截问题,提出一种基于径向基函数(radial basis function, RBF)神经网络干扰观测器的LOS角约束制导方法。首先,考虑目标机动过程中加速度信息无法获取的情况,给出了一种基于RBF神经网络的干扰观测器,实现了对目标机动的高精度估计;其次,充分考虑终端角度约束,结合超螺旋算法思想,通过幂次项的引入设计了一种改进的滑模制导律,从而有效提升了有限过载情况下的制导精度;在此基础上,通过Lyapunov定理对算法的收敛性和稳定性分别进行了证明;最后,通过仿真验证对比了3种不同方法在4种拦截场景下的制导性能,同时针对所提方法进行了蒙特卡罗打靶仿真,仿真结果表明所给出的LOS角约束制导律对机动目标拦截精度高、鲁棒性强。     

基于隐马尔可夫模型的动态规划检测前跟踪算法

传统的动态规划检测前跟踪(dynamic programming track-before-detect, DP-TBD)算法能有效实现对匀速直线运动目标的检测跟踪,但其忽略了目标帧间状态转移概率,因此在对机动目标进行检测跟踪时容易受噪声干扰,产生错误的状态关联。对此提出了一种基于隐马尔可夫模型的DP-TBD算法。该算法利用隐马尔可夫模型对目标的运动过程建模,用一系列隐状态表示目标转弯速率并利用隐马尔可夫模型的隐状态估计理论实现对转弯速率的估计和预测,进而得到当前目标状态的预测值,根据此预测状态与下一时刻回波数据分辨单元间的距离来计算转移概率。然后将转移概率应用于DP-TBD算法的能量积累过程中以提高检测跟踪性能。仿真实验基于机动目标,给出了所提算法的检测跟踪性能,并与传统的DP-TBD算法、方向加权DP-TBD算法以及线性最小二乘DP-TBD算法进行了分析比较,验证了该算法的有效性。     

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。