基于改进Jerk模型的高超声速滑翔目标跟踪

临近空间高超声速滑翔目标具有高速、高机动的运动特性,为了提高其跟踪精度,对现有的Jerk跟踪模型提出改进。首先将一阶AR模型的思想运用到模型参数的实时估计中,在目标状态方程和量测方程中引入了相关参数,然后构建了基于改进Jerk模型的参数自适应Kalman滤波算法,在目标状态估计的同时能够对模型参数进行自适应调整。最后基于HGT仿真轨迹对所提模型与传统的Jerk模型进行比较,仿真结果证明了改进Jerk模型对HGT跟踪的有效和优势。     

当前统计模型自适应滤波算法改进

由于"当前"统计模型自适应滤波算法对于最大加速度的过分依赖,使其对于弱机动目标并不具有较高的跟踪精度,基于"当前"统计模型自适应滤波算法的研究及目标跟踪性能的分析,提出了将目标的机动状态划分为强机动和弱机动,当目标在作弱机动运动时,可通过修正最大加速度来提高跟踪精度,分别针对常速、常加速、弱变加速三种弱机动情况进行了数学仿真,仿真结果表明,通过修正最大加速度的方法,可使该算法对于弱机动目标的跟踪精度大大提高。     

一种新的Jerk模型高机动目标跟踪自适应算法

在Jerk模型的基础上,提出了一种新的高机动目标跟踪自适应算法STF-C-Jerk.该算法利用“当前”模型的思想,将Ｊerk项假设成为非零均值过程,更切合目标机动实际过程,同时通过引入强跟踪滤波器的渐消因子,实时调节滤波器增益,增强了系统对目标突发机动的自适应跟踪能力.仿真结果表明,提出的STF-C-Jerk自适应跟踪算法显著提高了Jerk模型自适应算法的跟踪性能.     

基于AR模型的非线性目标跟踪自适应算法

针对Jerk模型中各参数设置不合理对跟踪系统所造成的影响,提出一种基于自回归（AR）模型的Jerk参数自适应改进算法,实时估计并调整系统的参数,提高系统的跟踪精度及稳定性;同时,针对非线性目标跟踪系统扩展卡尔曼滤波算法（EKF）计算复杂跟踪精度低,提出采用平方根容积卡尔曼滤波器（SRCKF）进行状态估计,保证跟踪系统的精度和鲁棒性,为Jerk模型参数自适应提供良好条件.仿真结果验证了算法的有效性.     

改进的“当前”统计模型自适应跟踪算法

针对"当前"统计模型算法及其改进的算法对弱机动目标存在较大跟踪误差,同时对机动加速度极限值有依赖的缺陷。在分析传统"当前"统计模型适用范围的基础上,提出了一种改进的"当前"统计模型自适应算法。用截断正态分布来弥补修正瑞利分布的缺陷;同时在此基础上通过预测残差向量定义调整因子对模型中各参数进行自适应调整,提高了机动模型和目标运动形式的匹配程度;并对加速度均值进行了修正,使之适合于一般运动形式。最后对算法进行了仿真实验分析。结果表明,提出的模型(ACS)较经典模型(CS)及其相关改进模型(MCS)不仅弥补了对弱机动目标的跟踪的不足,对强机动目标的跟踪精度也有较大程度的提高。     

交通能源需求量组合预测模型研究

本文尝试将组合预测法应用于我国交通能源需求量的预测,以提高预测精度．通过赋予合理权重,将误差修正模型、非线性回归模型和多元回归模型加权组合建立组合预测模型．对各模型进行平均绝对百分误差（MAPE）、希尔不等系数（Theil IC）和均方根误差（RMSE）等指标的比较,证明单一模型经过组合能够提高预测精度．     

基于时变马尔科夫转移概率的机动目标多模型跟踪

为了消除机动目标多模型跟踪中人为因素对跟踪精度的影响，提出了一种新的基于时变马尔科夫转移概率的机动目标多模型跟踪算法．该算法通过对Baum辅助函数的最大化实现隐马尔科夫模型状态转移概率的参数估计，并将估计结果用于交互式多模型算法的设计中，构造出时变马尔科夫状态转移概率的交互式多模型算法，有效地降低了人为因素对机动目标跟踪精度的影响．通过对一个机动目标的跟踪对比，说明了该算法比传统的交互式多模型算法具有更小的跟踪误差和良好的模型跟踪概率．     

一种新的改进的“当前”统计模型的自适应滤波算法

针对标准"当前"统计模型中加速度和机动频率需要预先设定的不合理,以及在跟踪非机动和弱机动目标时存在精度不高的问题,从加速度状态方程式中推导出机动频率自适应表达式;并结合已有的加速度方差自适应算法,提出了一种新的基于"当前"统计模型的自适应卡尔曼滤波算法。仿真结果表明算法的有效性和合理性。     

基于分解与集成的空气质量指数预测

为了能够准确地预测空气质量指数（AQI），建立了基于集合经验模态分解（EEMD）-样本熵（SE）的极限学习机（ELM）和门控循环单元（GRU）组合的AQI预测模型。首先利用EEMD算法对AQI数据进行分解，得到一组不同尺度的本征模态函数分量和残余分量；其次计算各分量SE值，根据各分量SE值将各分量重新组合成新的序列，并将新序列按其复杂程度经过GRU模型或ELM模型进行预测；最后将所有结果叠加得到AQI预测值。实验结果表明，与反向传播（Back Propagation,BP）神经网络模型、长短期记忆网络（Long Short-term Memory,LSTM）模型、ELM模型、GRU模型、EEMD-SE-ELM模型、EEMD-SE-GRU模型和EMD（经验模态分解）-SE-ELM-GRU模型相比，基于EEMD-SE-ELM-GRU的组合预测模型其预测误差最小，预测精度最高。     

计及误差修正的VMD-LSTM短期负荷预测

精确地短期负荷预测为电力系统经济调度和机组最优负荷分配交易奠定基础。因此,提出了一种将变分模态分解（variational mode decomposition,VMD）和长短期记忆神经网络（long short-term memory,LSTM）结合的短期负荷预测模型,并使用支持向量回归（support vector regression,SVR）构建修正后的误差序列对初始预测序列补偿。首先,运用VMD算法将非平稳的负荷序列分解为多个相对平稳的模态分量;然后,将每个模态分量输入LSTM模型进行预测,并将各分量预测结果合并得到VMD-LSTM的预测结果;最后将残差值输入SVR模型中构造误差序列,来修正后一日的VMD-LSTM预测结果。通过实际案例测试,实验结果对比其他模型结果有更低的预测误差,证明所提方法的有效性。     

基于机动频率自适应的目标跟踪算法

利用观测新息在目标机动时发生变化的信息，设计了一种自适应的机动目标跟踪算法，通过对目标状态误差的估计，从而自适应的改变机动频率，使跟踪算法与目标的真实状态更接近，该算法具有运算量小、跟踪精度高、易于工程化实现的特点。     

基于正态截断模型的被动传感器目标跟踪算法

被动传感器只能获得目标的角度信息而无法获得位置信息,因此单被动传感器对目标进行跟踪时难以满足可观测性条件.对单被动传感器高斯-厄米特滤波的量测模型进行扩维,建立了多被动传感器高斯-厄米特滤波模型.由于Singer模型只适用于匀速和匀加速范围内的目标运动,对于强烈的机动将引起较大的模型误差.而正态截断模型本质上是非零均值时间相关模型,能够更加真实地反映目标机动泛围和强度的变化,是目前较好的实用模型.文中基于正态截断模型提出了只有角度量测的双被动传感器高斯-厄密特机动目标跟踪算法,仿真结果表明,该方法能够对机动目标进行稳定的跟踪.     

具有固定滞后平滑的变结构机动目标跟踪

针对变结构多模型算法在目标机动性较强时,因模型切换不及时而出现较大的误差峰值问题,提出了一种固定滞后平滑的变结构多模型(lag smoothing variable structure multiple model,LS-VSMM)跟踪算法.建立一个完备的模型集,根据模型概率利用有向图切换规则实现模型子集与目标运动模式的匹配;引入固定滞后平滑算法,通过对状态向量扩维,将平滑问题转化为滤波问题,使得原特定时刻的目标状态在系统中停留的时间更长,增加更多的状态量测信息,让状态估计变得更加准确,并且以延迟一定时间输出来改善滤波性能;对算法进行了仿真实验分析.仿真结果表明,与基于无味有向图切换的多模型算法以及基于有向图切换的变结构多模型(digraph switch variable structure multiple model,DS-VSMM)算法相比,LS-VSMM算法在有效降低误差峰值的同时,提高了目标的跟踪精度.     

基于空域和时域信息的交互多模优化跟踪算法

机动目标跟踪所遇到的基本问题是所建目标模型的动力学方程与目标的实际运动模型存在着不匹配.为了解决这一问题,提出了基于辐射源信号的方位角及时间差信息的交互多模IMM滤波算法.这种算法是一种最佳的合成滤波器,它的主要特点是具有用几个模型估计系统状态的能力,而这些模型可以相互转换,这种方法能更好地解决对机动辐射源的无源定位跟...     

机动目标跟踪中机动频率的自适应调整

研究机动目标跟踪过程中机动频率的自适应调整方法,使其值更加符合目标的实际机动状况.根据卡尔曼滤波残差是否符合零均值正态分布,判断目标机动频率是否发生改变,并采用简化的最小均方误差(LMS)算法对机动频率加以自适应调整.仿真实验表明,通过对频率自适应调整,使机动目标的位置、速度估计误差明显减小.     

混合坐标系singer模型跟踪突发机动目标改进算法研究

针对混合坐标系下singer模型对跟踪弱机动目标初期误差出现跳变现象,且对突发机动跟踪自适应能力较差的情形,本文提出一种改进算法,通过引入渐消因子,实时调节一步预测协方差,以此调节滤波器增益,增强了滤波器跟踪突发机动目标的适应能力,同时改进了混合坐系下singer模型跟踪算法的精度.仿真结果表明,本文算法对突发机动自适应跟踪能力和弱机动目标跟踪精度都有提高     

无线传感器网络下的粒子滤波分布式目标跟踪算法

针对无线传感器网络环境下的机动目标跟踪问题,提出了一种描述目标机动加速度的目标状态空间模型,以此模型为基础开发出基于粒子滤波的单目标和多目标跟踪算法.基本思想是:在状态空间中通过寻找一组传播的随机样本来获得近似后验概率分布,并以样本均值代替积分运算,从而求得最小状态方差估计.仿真结果表明,所提算法可以较好地解决无线传感器网络环境下的机动目标跟踪问题,速度跟踪精度、机动加速度跟踪精度均较经典分布式粒子滤波算法分别提高20%、27%.