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     

基于新息序列修正的输入估计算法

针对传统输入估计算法跟踪机动目标时检测概率和估计精度不高的缺点,提出一种改进的输入估计跟踪算法。算法利用对检测窗内新息序列进行修正以及对卡尔曼滤波状态变量进行补偿的方法,消除了已有机动检测估计对后继机动输入估计的影响,提高了对机动的检测概率和估计精度。理论分析和仿真结果表明,改进后的算法相比原有算法和IMM3算法,不仅跟踪性能有显著提高,而且对加速度缓变的机动也有较好的跟踪能力。     

考虑雷达导引头前馈补偿的一体化制导方法

针对大机动目标使空空导弹雷达导引头跟踪误差加大和制导精度下降的问题,提出了一种考虑雷达导引头前馈补偿的一体化制导方法。针对机动目标,构造视线角速度前馈补偿回路,对雷达导引头角跟踪系统进行补偿,提高导引头响应速度,降低跟踪误差角。基于视线坐标系设计一体化制导算法,采用卡尔曼滤波器对弹目视线角速度和目标加速度进行估计,将视线角速度信息前馈补偿到导引头跟踪回路中,将目标加速度信息补偿到最优制导律中,同时实现雷达导引头视线角快速跟踪和最优制导律制导信息提取。仿真结果表明,一体化制导算法可同时实现对导引头视线角速度和目标机动的估计,从而提高制导精度。     

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。     

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。     

基于强跟踪滤波器的纯方位机动目标跟踪算法

针对无源纯方位跟踪中目标机动的问题,提出了一种基于强跟踪滤波器的机动目标跟踪算法.该算法在目标机动跟踪中通过实时调节增益阵,提高了滤波器对状态变化的跟踪能力,避免了修正增益协方差(MGEKF)算法中所寻找的观测量修正函数不准确而引起较大的误差.同时对量测模型非线性问题采用伪量测变换估计器(PLE)予以解决,它具有形式简单,计算量小的优点.最后将该算法与MGEKF算法相比较,Monte Carlo仿真结果验证了提出算法的优越性.     

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。     

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。     

基于强跟踪滤波器的自适应常加速模型及跟踪算法

建立目标机动模型是传感器目标跟踪数据处理中的一个重要环节.为了克服"当前"统计模型对非机动目标和常加速模型对机动目标跟踪性能较差的缺陷,通过对"当前"统计(CS)模型的分析研究,在常加速(CA)模型的基础上提出了一种基于强跟踪滤波器的自适应常加速模型及跟踪算法(ACA-STF).该算法利用速度预测估计与实时速度估计间的偏差进行自适应方差调整,并通过引入强跟踪滤波器(STF)的渐消因子,实时调节滤波器增益,从而提高了跟踪精度,增强了系统对突发机动的自适应跟踪能力.理论分析和仿真结果表明对于非机动和机动目标,该算法比"当前"统计模型算法具有更高的跟踪精度.     

基于量测转换与输入估计的机动目标跟踪算法

针对雷达系统中机动目标的跟踪问题,提出输入估计(input estimation,IE)与无偏量测转换（unbiased converted measurement,UCM）相融合的自适应算法。用无偏量测转换技术将观测量转换到直角坐标系,使得在极坐标系内应用IE成为可能;提出检测窗内加速度阶梯变化的假设并推导相关模型,使得单个输入估计器能够跟踪各种变化机动。仿真分析表明,算法与基于多滤波器并行工作的交互式多模型相比,跟踪精度相当,但运算量大大降低,因此适用于对性能和实时性要求较高的场合,有很好的应用前景。     

一种强跟踪自适应状态估计器及其仿真研究

分析了强跟踪滤波器中新息方差近似计算方法的不足,提出了一种基于衰减记忆思想来近似计算新息方差的改进强跟踪滤波器。然后,对于过程噪声水平未知的目标状态估计问题,在Sage-Husa过程噪声水平自适应估计算法的基础上,一旦通过基于新息的滤波器发散判据检测到可能出现的发散现象,提出用改进的强跟踪滤波器进行抑制,极大地提高了滤波算法的鲁棒性。对三种典型的目标机动形式进行的Monte-Carlo仿真结果进一步验证了新提出算法的有效性。     

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。     

一种跟踪机动目标的新方法

本文应用控制理论分析了R.A.Singer零均值模型在跟踪机动目标方面的局限性;提出了一种目标加速度的截断正态概率密度模型,并将目标加速度模拟为非零均值、时间相关的随机过程;借助于切比雪夫(CHEBYSHEV) 不等式来确定目标加速度的均值和方差之间的关系,并引用卡尔曼滤波器所包含的目标机动的统计信息来实现方差自适应算法。 理论分析表明,本文的模型和算法跟踪恒加速目标时稳态偏差为零,从而消除了Singer方法在跟踪恒加速目标时所存在的稳态偏差。 计算机仿真结果证实了理论分析的结论,表明本文提出的模型和采用的算法能够较好地跟踪高度机动目标。     

基于HHT的高频雷达机动目标参数估计

针对高频雷达强杂波场景下的机动目标检测,提出了基于希尔伯特黄变换(Hilbert-Huang transform,HHT)的机动目标参数估计算法。该算法首先通过复数经验模态分解将回波分解为杂波和目标分量,然后计算目标分量的瞬时频率,获得频率随时间变化的HHT谱,最终利用线性拟合估计目标运动参数。该算法无需抑制杂波,可同时对多目标进行运动参数估计,有助于简化多目标运动补偿和检测流程。数据分析结果表明,该算法可以有效运用于对高频雷达机动目标速度和加速度的估计。     

视频监视中的运动目标跟踪算法

提出了一种新的运动目标跟踪算法。通过预测运动目标下一时刻的位置以及缩小目标搜索范围来提高跟踪速度。该算法使用运动目标加速度运动位移方程预测下一时刻目标可能出现的位置,使用预测位置误差方程估计运动目标搜索范围,并使用IIR滤波器对目标运动速度、加速度等参数自适应地修正。实验证明,该算法即使当运动目标做加速运动时,也可准确地预测运动目标的位置,缩小目标搜索范围,进而提高目标跟踪速度。     

一种带未知时变系统噪声水平的目标跟踪滤波器

在机动目标跟踪中，为了保证Kalman滤波器的数值稳定性和最优性，未知的时变系统噪声水平需要在线估计，但已有方法主要针对平稳或统计特性缓变的噪声过程。在Sage-Husa系统噪声水平自适应估计算法的基础上，通过引入基于新息的滤波器发散检测判据和利用强跟踪滤波器的思想，提出了一种系统噪声水平估计值的时变调节因子阵来抑制因系统噪声水平突变而引起的滤波器可能出现的发散问题。Monte-Carlo仿真结果表明，该算法不仅数值稳定性好，同时目标的跟踪精度也得到明显改善。     

分布式被动传感器网异步采样下的机动目标跟踪

针对分布式被动传感器网的特点，提出了一种异步采样条件下机动目标跟踪方法。该方法采用交互式多模型概率数据互联滤波器跟踪机动目标。为启动滤波器，采用最大似然法估计目标初始状态；为适应异步观测条件，提出了马尔可夫转移概率计算方法。仿真实验表明，在分布式被动传感器网中采用该算法能有效进行机动目标跟踪。     

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。     

利用多估计器输出间差异的目标跟踪算法及其仿真

机动目标跟踪的难点在于如何在目标的各种机动情况下都有良好的跟踪性能。本文对目标跟踪的核心问题进行了研究，指出了当前统计模型中的系统方差自适应算法、利用新息的方法和模型切换方法的局限性，并提出了利用多个估计器输出之间的差异来选取合适输出的方法。仿真结果表明，该方法能够从多个估计器输出中选择出合适的输出，对目标的各种机动情况有较好的适应能力，计算量适中。     

基于状态解耦的两坐标外源雷达3D目标跟踪

考虑利用两部两坐标外源雷达对高度近似恒定的目标进行三维跟踪。结合外源雷达自身的特点，提出了一种将目标高度与水平状态(水平位置、速度等)进行解耦估计的方法，通过两个并行估计器来实现对三维目标的跟踪。在高度估计器中，将目标高度区间划分为多个高度子区间，然后利用量测值递推计算目标在各个高度子区间的权重，最后通过加权融合各个高度子区间的方式估计目标高度；在水平面的状态估计器中，进一步考虑了目标在水平面机动的场景，利用交互式多模型扩展卡尔曼滤波器，并结合目标高度的估计值，更新目标的水平状态。仿真与实验结果显示，利用两部两坐标外源雷达可以实现对高度近似恒定目标的精确三维跟踪，为水平机动的目标提供精度在200 m以内的高度估计，并消除了二维跟踪情况下因未考虑目标高度而引起的误差。