机动目标的模糊多模型跟踪算法

设计了一种基于模糊逻辑推理的机动目标多模型跟踪新算法（FMMTA）,把量测新息对其协方差的逆的加权二次函数作为模糊推理系统的输入,并通过模糊逻辑推理得到模型集中各模型的匹配度,代替了交互式多模型（IMM）算法中的模式概率计算,降低了计算的复杂度。该算法将测量空间的不确定性映射到模糊空间,从而解决了从测量空间的不确定性到模式空间不确定性的模糊推理问题,并将模糊推理与多模型卡尔曼滤波结合,进行并行处理,有利于机动目标的实时跟踪。Monte Carlo仿真结果表明,在模糊规则设计恰当的情况下,FMMTA算法相对于IMM算法在降低机动目标位置和速度的跟踪误差方面更有效。     

引入多速率模型的变结构机动目标跟踪

变结构多模型方法(VSMM)能够根据目标机动的实际情况实时确定结构不断变化的模型集合,取代传统IMM方法中的固定模型集.使参与状态估计的模型分布更集中,模型数量相对较少,从而提高算法的跟踪精度.多速率模型(Multirate)能够对原始测量数据进行多分辨分解,有效的抑制量测噪声,从而提高原始数据的信噪比.文章将多速率模型引入变结构多模型方法,提出一种新的机动目标跟踪算法多速率变结构多模型方法(MRVSMM),该方法分别从改善原始数据与改善模型集合两方面对传统IMM方法进行了突破.同时,采用多个多速率模型,并将多个模型的滤波结果相互交织实现对机动目标的全速率跟踪.仿真实验证明,该算法较传统的IMM方法跟踪精度得到了一定程度的提高.     

空基多平台多传感器机动目标自适应跟踪

在空战中，需要基于空中移动平台对机动目标进行自适应跟踪．由于机动目标“当前”统计模型符合实际目标的动力特征，所以文中基于该模型，针对空基多平台多传感器环境，推导了机动目标跟踪的状态方程和测量方程，并给出了机动目标自适应跟踪算法．Monte—Carlo仿真表明，该方法能有效地估计出机动目标的运动状态．     

相关噪声下的机动目标跟踪SMFEKF-IMM算法

一种基于Kalman和扩展Kalman滤波器的相互作用多模型(IMM)方法可以减小模型的不确定性,但无法消除由于噪声相关引起的状态偏差的弱点.为了提高目标状态估计的精度,把IMM和一种带多重渐消因子的扩展Kalman滤波器(SMFEKF)相结合,提出了一种具有相关噪声的混合随机模型的机动目标跟踪方法.这种方法引入了一个多重渐消因子,当输出残差发生变化时,动态调节增益和系统噪声水平,使输出残差近似正交,从而抑制了相关噪声的影响,适应目标的状态变化.理论分析和仿真实验表明了这种算法的有效性和可行性.     

基于噪声方差估计的高斯混合概率假设密度滤波算法

针对传统的高斯混合概率假设密度(GM-PHD)滤波器在噪声先验特性未知或不准确时跟踪性能会下降,提出了一种基于噪声方差估计的高斯混合概率假设密度(NCE-GM-PHD)滤波算法.该算法可以同时在线估计时变的目标个数、多目标状态以及噪声方差.首先,通过引入遗忘因子和采取有偏估计的方法改进了传统的Sage-Husa自适应滤波器.基于改进的自适应滤波器,推导了带噪声方差估计的GM-PHD滤波算法.仿真结果表明,在非时变或时变量测噪声方差未知的情况下,NCE-GM-PHD算法的跟踪性能优于传统的GM-PHD算法,对噪声变化的适应能力更强.     

基于多模型与滚动时域估计的机动目标跟踪算法

针对受限于已知物理约束的机动目标,提出了一种目标跟踪算法。针对机动目标的不同运动模式,采用多模型组合的方法进行了近似;针对目标的已知物理约束,采用滚动时域估计方法进行处理,并将其作为状态估计的先验信息来提高估计精度;最终通过设计多模型结构的状态估计演化方程、改进滚动时域估计的误差协方差矩阵更新公式,给出了一种多模型结构与滚动时域估计相结合的机动目标跟踪算法。仿真结果表明:该算法与自适应卡尔曼滤波(AKF)、交互式多模型(IMM)算法相比,可以对具有物理约束的机动目标进行更好的跟踪。     

State Bounding 跟踪机动目标研究

提出一种用 State Bounding估计跟踪机动目标的算法。用预测集、观测集中心距检测目标机动 ,修正系统噪声集尺寸适应目标机动 ,很好地解决了用 state Bounding估计跟踪机动目标问题。模拟结果表明本算法与相应的 kalman滤波器的性能相比 ,有较好地机动目标跟踪能力     

自适应模型集交互式多模型算法

针对交互式多模型(IMM)算法的目标跟踪精度问题,提出了一种自适应模型集IMM算法.利用IMM算法中的模型概率含义,并以此对模型集的收缩比例因子进行设计,这样模型集通过向中心模型收敛可完成自适应调整,而自适应调整过程能有效、实时地利用观测信息.仿真实验结果表明,所提算法能有效跟踪机动目标,而且比IMM算法的跟踪精度更高,但其受到目标机动模型的先验性的限制.     

用于机动目标跟踪的多模型概率假设密度滤波器

针对概率假设密度(PHD)滤波器在多目标跟踪问题中无法解决目标发生较大机动时的目标丢失问题,提出了一种多模型概率假设密度(MM-PHD)滤波器.这种MM-PHD滤波器在粒子PHD滤波器的基础上,使用多模型方法对滤波器中每个描述目标状态的粒子的状态进行更新,再将更新后的粒子代入传统的PHD滤波器中用于估计目标的PHD的分布.该滤波器结合PHD滤波器和多模型方法的特点,可用于目标数未知的多机动目标跟踪,且对目标的数量和状态的估计更加准确.多机动目标跟踪的仿真实验表明,与已有方法相比,该滤波器对目标数的估计与真实情况基本一致,描述多目标状态估计误差的Wasserstein距离值降低了50%以上.     

一种带重采样控制器的IMM-AUPF算法

为了减轻粒子滤波计算复杂性,提出了一种基于交互式多模型(IMM)架构的自适应Unscented粒子滤波算法(AUPF)。IMM-AUPF算法在粒子滤波重采样步骤中设计了一个重采样控制器,根据滤波性能在线调节重采样粒子的数量。并将自适应粒子滤波算法应用于交互式多模型估计方法中,有效地解决了地面机动目标跟踪问题。实验结果表明:基于粒子滤波的多模型滤波器在估计精度方面优于标准的交互式多模型滤波器,且IMM-AUPF算法在计算复杂性方面优于交互式多模型Unscented粒子滤波算法。     

利用径向速度测量值的自适应常增益滤波器

本文推广K.C.Wilson的最优常增盆滤波器到利用径向速度测量值的情况。当目标发生机动时,讨论了机动检测器的设置、速度输入增量的估计和状态预测的修正。本滤波方法与卡尔曼滤波和常增益滤波此较的计算机模拟结果表明:本滤波器减小了机动跟踪时的滤波偏差、提高了机动段内滤波精度,又保持了卡尔曼滤波对非机动目标的良好跟踪性能。     

组网雷达自适应数据融合跟踪算法

针对高速、机动目标的实时、精确跟踪问题,提出一种能在线调整组网雷达中各雷达权值的自适应数据融合算法。按照一定的规则寻找最佳的权系数,使融合后目标的状态估计值最优;把输入信号用作自适应滤波器的量测信号,利用新息相关的自适应滤波算法对状态方程及量测方程中误差的变化调节增益矩阵的大小,同时根据自适应滤波的状态偏差输出信号与当前的量测数据,运用模糊推理规则对组网雷达系统中各雷达的权值进行在线调节;系统输出结果即为自适应数据融合下目标的最优状态估计值。仿真结果验证了该算法在跟踪精度和收敛速度上的优越性,实现了组网雷达系统对目标的自适应跟踪。     

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     

基于改进粒子滤波算法的车速估计

针对基于粒子滤波算法设计的车速估计器因提议分布与实际分布不一致导致粒子退化使估计误差变大的问题,提出了一种通过修正提议分布减弱粒子退化影响的改进粒子滤波车速估计器。首先,基于车辆运动学模型和传感器特性建立系统的状态转移方程和观测方程。然后,利用传感器测量值与粒子状态值的差值设计提议分布修正项对状态转移方程进行修正,并对过程噪声做自适应处理。最后,利用CarSim-Simulink联合仿真平台在双移线工况和正弦转角输入工况下进行仿真验证。与自适应粒子滤波器相比,双移线工况下改进粒子滤波估计器产生的纵向速度估计值和侧向速度估计值的平均绝对误差分别减小了40.25%和55.71%;正弦转角输入工况下,改进粒子滤波估计器产生的纵向速度估计值和侧向速度估计值的平均绝对误差分别减小了47.00%和41.21%。     

广义相关时延估计算法的自适应实现形式

认为广义相关时延估计算法的缺陷是依赖对输入信号及噪声先验知识 ,特别是对其功率谱的了解 ,而在实际应用中 ,往往缺乏这种先验知识 ,只能以估计值来代替 ,从而影响时延估计精度 .自适应滤波器一般只需要很少或根本不需要任何关于输入信号和噪声的先验知识且性能良好 ,若用自适应滤波器替代广义相关法中的预滤波器就可放松或免除对输入信号和附加噪声的条件限制 ,提高时延估计的精度 ,广义相关时延估计算法时域中的预滤波器就是其频域中的权函数 .从理论上证明了 ,任何一个广义相关权函数 ,都能够变换成一个或几个 Roth处理器的组合形式 .实际上 ,Roth处理器就是自适应滤波器实现的、能对原始带噪信号做最优化估计的维纳滤波器 ,从而实现了自适应广义相关时延估计算法 .     

基于期望极大化算法的转弯机动目标跟踪

针对目标做转弯机动时产生的运动模式的不确定性问题，提出了基于期望极大化（EM）算法的转弯机动目标跟踪算法，采用转弯速率来描述目标的转弯机动，并将转弯速率作为待估量，用EM算法对转弯速率序列进行估计，从而获得对目标状态的精确估计．最后，给出了该算法的批处理形式和递推形式．新算法有效地提高了目标的跟踪精度．Monte—Carlo仿真表明，与标准的交互式多模型算法相比，批处理EM算法使目标的位置和速度的跟踪精度提高了70％以上，当转弯速率处于稳态时，递推EM算法使目标的位置和速度的跟踪精度提高了20％以上．     

含未知输入非线性系统的扩展平方根容积卡尔曼滤波算法

针对工程实际应用中存在的未知输入会导致经典的非线性滤波器状态估计精度下降甚至滤波发散的问题,提出了一种基于最小方差无偏估计(minimum variance unbiased estimation, MVUE)准则的扩展平方根容积卡尔曼滤波(extended square-root cubature Kalman filter, ESRCKF)算法。首先,结合上一时刻未知输入估计值对状态一步预测值进行修正,得到含未知输入条件下的状态预测值。其次,设计新息并采用加权最小二乘(weighted least squares, WLS)法获取当前时刻未知输入的无偏估计。最后,通过最小化协方差矩阵的迹,同时采用拉格朗日乘子法和舒尔补引理得到系统状态的最小方差无偏估计。仿真结果表明,相比于现有的非线性滤波算法,ESRCKF算法提高了在处理含未知输入非线性系统时的状态估计精度,并能同时实现系统状态和未知输入的最优估计,验证了该算法的有效性。     

用于回声消除系统的自适应延时估计算法研究

为避免回声消除系统中滤波器过长导致的各种缺陷,提出一种单滤波器结构的自适应延时估计(delay estimation,DE)算法,并与现有的两种双滤波器延时估计算法S-DE、PHT-DE进行对比研究。先阐述自适应延时估计算法的原理,并对三种算法进行理论研究,然后采用高斯白噪声作为输入信号,以稀疏回声路径为实验条件,对算法进行计算机仿真。仿真结果表明,与PHT-DE相比,S-DE算法计算复杂度较低而稳定性较弱,但两种算法均为双滤波器结构,因此存在信息冗余而导致计算复杂度浪费。新算法为单滤波器结构,可有效避免双滤波器结构的信息冗余,其性能与计算复杂度均优于S-DE、PHTDE,是各种DE算法里实用性最强的算法。最后指出该算法的改进方向是进行统计学建模,为参数设置提供理论指导公式。     

一种新型机动目标跟踪算法——VDQ算法

目的 研究机动目标跟踪算法。方法 利用广义似然比技术对机动目标进行检测,既确保检测的可靠性,又满足系统实时性的要求。采用变维和估计系统状态相结合的方法,对机动目标进行跟踪,当目标机动较弱时,对系统状态用噪声方差进行估计,避免由于变维法带来的暂态误差。当目标机动较强时,则采用变维法。结果与结论 计算机仿真结果表明,这种新型机动目标跟踪算法具有良好的跟踪性能。     

基于支持向量回归机的自适应差分滤波算法研究

针对差分滤波(DDF)算法存在因噪声统计特性与实际不符而导致的滤波精度降低甚至发散的问题,提出了一种基于支持向量回归机的自适应差分滤波(SVRADDF)算法.将测量值的新息协方差与理论协方差之间的差值作为支持向量回归机的输入、输出调节噪声统计特征的自适应因子,实时修正DDF噪声协方差,根据实际噪声变化调整噪声协方差矩阵,从而提高滤波精度.针对水下目标纯方位角跟踪系统的蒙特卡洛仿真实验表明,在相同初始噪声特性条件下,所提出的SVRADDF算法具有较好的估计效果和鲁棒性,估计精度、稳定性及收敛时间等性能明显优于单纯DDF算法.