机动巨标跟踪的自适应混合多模算法

本文介绍了用于机动目标跟踪的自适应混合多模算法.这个算法不需要预先定义模型,它利用一个二级卡尔曼滤波器来估计目标的加速度,这个加速度被用于混合多模算法中具有不同确定性加速度的子滤波器中.文中给出了自适应混合多模算法的一个计算机模拟结果并和无自适应混合多模算法的结果进行了比较.     

基于模糊神经网络融合的目标自适应跟踪算法

为解决基于“当前”统计模型的自适应滤波器对弱机动,特别是非机动目标跟踪精度下降问题,提出基于模糊神经网络的目标自适应跟踪算法,对并行工作的两滤波器进行数据融合.仿真结果表明:与一般自适应算法相比,该算法对各种机动程度的目标跟踪精度均有不同程度的提高,能更好地适应目标的各种运动形式,尤其适用于对目标的速度和加速度估计精度要求较高的场合,在指控、火控系统中具有实用价值.     

神经过程和运动模型混合驱动的机动目标跟踪算法

针对基于贝叶斯滤波器模型的目标跟踪算法非常依赖先验知识,在复杂场景中跟踪性能下降的问题,提出了一种神经过程和运动模型混合驱动的机动目标跟踪算法。利用神经网络构建一个目标运动的随机微分方程来提高对目标运动的建模能力;使用加速度模型作为领域知识约束目标状态的微分方程,构造一个混合驱动的解码器;利用所构成的混合驱动解码器替换神经过程的解码模块,形成一种无监督学习的混合驱动滤波器。仿真实验结果表明：所提算法同时具有数据驱动和模型驱动算法的优势,依赖先验知识少,能在不同场景下保持稳定的跟踪精度,生成的轨迹较神经过程滤波器更加平滑且具有目标动力学特征;与经典的贝叶斯滤波器相比,所提算法的状态估计峰值误差平均降低了20%。     

基于混合坐标系下的自适应α-β滤波器

针对雷达目标,观测和处理了在不同坐标系下的数据,提出了一种混合坐标系下的自适应α-β滤波算法来跟踪机动目标。该算法以自适应α-β滤波器为基础,将直角坐标系和球面坐标系下的算法相结合,克服了这两种坐标系下滤波算法的不足,对机动目标有很好的跟踪效果。仿真表明,该算法的跟踪性能优于单一坐标系下的自适应α-β滤波器,尤其适用于TWS雷达多机动目标跟踪情况。     

基于“当前”统计模型的模糊自适应航迹预测算法

基本的"当前"统计模型由于其机动加速度极限值固定不变,只能描述机动加速度较大的机动目标。因而基本的"当前"统计模型及其自适应滤波算法(CSAF)对机动性较强目标的预测性能较好,而对机动性较弱目标的预测误差较大。针对这个问题,新算法中设计了一种新的模糊隶属度函数,利用机动目标的"当前"加速度来自适应地调整机动加速度极限值,使"当前"统计模型可以描述具有任意加速度的机动目标。最后,运用该算法和CSAF算法对机动目标进行了航迹预测仿真实验,仿真实验结果表明,无论对于机动性较强的目标还是机动性较弱的目标,新算法的预测性能均优于CSAF算法。     

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。     

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     

机动目标跟踪中一种改进的自适应卡尔曼滤波算法

针对“当前”统计模型中预先设置机动频率和加速度极限值造成对目标跟踪精度不高的问题,提出一种新的参数自适应算法.该算法利用目标前后2个时刻的加速度均值代替“当前”统计模型中只利用前一时刻的加速度值作为当前时刻的加速度均值,推导出了机动频率自适应,再利用加速度方差与加速度变化量之间存在的正比线性关系,推导出了加速度方差自适应,避免了由于参数设置不合理而造成的跟踪误差.理论分析和仿真结果表明,改进算法有效提高了目标跟踪精度,仿真结果验证了改进算法的有效性.     

一种强机动目标自适应跟踪算法

针对强机动目标跟踪精度不高的问题,提出了一种强机动目标自适应跟踪算法(HMIMM-CV/CAT)。首先通过机动检测区别目标的机动性能,分别应用Kalman滤波和交互多模算法对目标进行跟踪。其次对机动段交互多模算法,给出一组转弯模型离散模型集,在目标机动时通过角速度估计在离散模型集中遴选出一个最匹配的模型参加交互计算,使模型更加逼近目标真实运动模式,且不增加参与交互运算模型数量。蒙特卡罗仿真结果表明,该算法与几种类似算法相比,更加适用于强机动目标。     

一种基于改进的“当前”统计模型自适应跟踪算法

针对工程应用中"当前"统计模型对机动频率和最大加速度经验值依赖过大,难以根据目标的加速度变化进行实时动态调整优化的问题;以及标准"当前"统计模型在跟踪非机动或弱机动目标时,精度不高的问题,在分析机动频率物理含义及其与加速度变化关系、卡尔曼滤波的新息与加速度方差关系的基础上,提出了一种高效的机动频率和加速度方差双变量自适应算法。仿真结果表明该算法能够很好地自适应目标的加速度变化;并能有效提高跟踪精度,大大提高了对非机动或弱机动目标的跟踪精度。     

改进的截断正态概率密度模型自适应滤波算法

应用当前统计模型跟踪机动目标时,模型参数机动频率和加速度极限值需要根据经验事先设定,在假设不准确的情况下,大大降低了模型的跟踪精度。针对此问题,基于截断正态概率密度模型,提出了一种新的参数自适应跟踪滤波算法。该模型算法通过使用距离函数来表征目标进行机动的强弱状况,采用指数型调整函数自适应调整目标的加速度极限值和机动频率,从而实现了对系统状态噪声和滤波增益的自适应调整,提高了机动模型与目标实际机动情况的匹配程度,提升了滤波器的跟踪性能。仿真结果表明:与常规ACS和TGPMKF算法相比,新算法在跟踪机动目标时,性能更优。     

曲线模型的自适应跟踪算法

针对机动目标跟踪问题,提出了一种基于曲线模型的自适应跟踪算法.算法中设计了一种角速度估计方法,即通过采用内嵌交互多模型方法针对目标的角度进行实时滤波,获得目标的角速度和角加速度,从而自适应调整与目标转弯相关的法向加速度和切向加速度.算法简化了计算复杂度,扩大了适用范围.仿真试验证明了该算法的有效性.     

自适应滤波器的算法比较研究

自适应滤波器一直是随机信号处理当中的一个重要的研究课题。在介绍了自适应滤波器的各种算法之后,重点讨论了基于LMS的自适应滤波器算法和基于RLS的自适应滤波器算法,并用Matlab对这两种算法进行了仿真和比较分析。     

基于信噪比的改进变步长LMS算法及应用

在无线直放站反馈干扰抵消的过程中,自适应滤波器的误差信号可以接收目标信号与残余回波的混合,是阻碍滤波器根据残余回波强度,快速调整抽头系数.利用误差信号的特点,给出了一种基于信噪比的改进变步长最小均平方(least mean square,LMS)自适应算法.该算法利用误差信号和滤波器的输出信号作为目标信号和反馈干扰信号的估计,根据目标与干扰信号的功率比值来调整自适应滤波器的步长.计算机仿真结果表明,该算法具有快速的初始收敛速率和较小的超量均方误差.在稳态情况下,对于干扰的突变能够快速地再次收敛,表明该算法在反馈干扰抵消方面的性能优于已有的算法.     

改进的基于“当前”统计模型自适应滤波算法及其在航迹预测中的应用

基于"当前"统计模型的模糊自适应(FACS)滤波算法利用机动目标"当前"加速度调整加速度极限值,实现了对一般机动目标的有效预测;但是在预测强机动目标时却存在较大的预测误差。为了解决这一问题,引入强跟踪滤波器(STF),提出了一种新的自适应滤波算法STF-FACS。该算法根据滤波残差实时调整卡尔曼滤波增益,提高了对强机动目标的预测能力;同时保留了FACS算法对于一般机动目标的预测性能。最后,对强机动目标分直线机动和转弯机动,分别进行航迹预测仿真。仿真结果表明,对弱机动目标进行航迹预测时,两种算法的预测效果相当;对强机动目标进行航迹预测时,STF-FACS算法无论是在动态时延和预测精度方面都比FACS算法要好。     

基于输入估计的机动目标跟踪方法

机动目标跟踪方法有变维滤波、输入估计和交互式多模等方法。由于输入估计法采用常速模型作为状态方程对目标进行滤波跟踪,避免了模型集设计而成为研究的热点,但传统输入估计方法跟踪机动目标时存在机动检测时延较长和估计精度不高的缺点。针对这些问题,对输入估计算法进行了改进。采用变检测窗长度提高机动检测的响应速度,通过对检测窗内信息序列的修正显著提高了估计精度。仿真结果表明所提出的算法比原有算法的跟踪性能有显著提高,且对加速度随时间变化的机动也有一定的跟踪性能。     

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。     

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.     

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。     

基于自适应采样速率交互式概率数据关联的机动目标跟踪算法

在交互式多模型和概率数据关联算法融合的基础上,又将自适应采样速率算法融合到交互式多模型概率数据关联滤波器中,提出了自适应采样速率交互式概率数据关联算法,该算法不但能有效地跟踪高速机动的目标,且能使系统的采样间隔根据目标的运动状态做自适应调整. 仿真结果表明该算法扩大了机动目标的跟踪范围,且对高速机动的目标有很好的跟踪效果和较强的跟踪精度.