一种主／被动雷达协同探测跟踪算法

为了提升地面防空武器系统对干扰目标的探测跟踪能力,结合装备武器系统主/被动雷达的技术特点,以及其良好的优势互补性,研究设计了一种主/被动雷达协同探测跟踪模式,并基于交互式多模型算法和不敏滤波算法在处理强机动目标和非线性问题上的优势,以及系统实时性要求的考虑,提出了一种改进的自适应交互式多模型不敏滤波算法.通过Monte Carlo仿真,与主/被动雷达单独跟踪效果相比较,其性能得到了较大改善,也进一步验证了主/被动雷达协同探测跟踪模式及改进算法的有效性和优越性.     

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．     

IMM算法在车辆机动目标跟踪中的应用

针对高速公路车辆的机动目标跟踪问题,采用交互多模型算法(IMM)中的2个模型分别表示车辆的匀速运动状态和匀加速运动状态,并结合目标运动模型对目标当前加速度和其方差进行蒙特卡洛仿真.仿真结果表明该算法不仅可以在匀速运动时将关键测量噪声减低,而且在机动模型中保证状态估计量比未滤波的雷达测量值精确,同时可以对运动模型进行准确的识别,从而改善路面机动目标的跟踪性能,提高车辆的安全性和可靠性.因此,交互多模型算法可以满足高速车辆机动目标跟踪的要求.     

基于模糊逻辑和机动检测的AGIMM跟踪算法

针对机动目标高机动和多阶段运动的特性,单模型跟踪算法难以实现精确跟踪的问题,提出一种基于模糊逻辑和机动检测的AGIMM跟踪算法。考虑现有的AGIMM算法网格模型收敛速度慢和机动检测方法过于依赖模型后验概率的问题,首先引入模糊逻辑算法计算机动检测的可信度,然后利用机动检测可信度信息、目标的机动信息和模型的后验概率调整跟踪模型集的结构,克服了AGIMM算法模型收敛速度慢的不足,实现了模型与目标运动模式的快速匹配。仿真结果表明:与AGIMM算法和固定结构交互式多模型算法相比,文中提出的算法使得不同条件下的位置跟踪误差分别至少降低5.6%和15.1%,说明该算法具有更快的模型收敛速度和更高的目标跟踪精度。     

基于交互式多模型扩展维特比容积卡尔曼滤波机场场面运动目标跟踪

根据先进场面运动引导控制系统(advanced surface movement guidance and control system,A-SMGCS)的监视要求,提出一种基于交互式多模型扩展维特比算法(interactive multi-model extended viterbi algorithm,IMMEV)与容积卡尔曼滤波(CKF)相结合的目标跟踪算法,以实现机场场面目标的跟踪。根据机场场面运动目标的运动建立相应的运动模型集,采用交互式多模型算法(IMM)实现目标跟踪;模型集中过多的模型会导致运算复杂性增加,且不能真实反映目标的运动,采用扩展维特比(extended viterbi,EV)算法对IMM进行优化,简化模型集;容积卡尔曼滤波器(cubature Kalman filter,CKF)较传统的滤波算法具有更高的滤波精度和稳定性,将其与IMMEV相结合形成IMMEV-CKF跟踪算法。为了验证所提出的IMMEV-CKF对场面运动目标跟踪性能,仿真研究IMMEV-CKF算法、IMM-UKF和当前统计模型对同一目标的跟踪。仿真结果表明,IMMEVCKF在跟踪精度性能方面要优于IMM-UKF和改进后的当前统计模型。因此,IMMEV-CKF更能满足机场场面运动目标跟踪要求。     

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.     

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.     

基于自适应交互式多模型粒子滤波的分布式说话人跟踪算法

针对分布式麦克风网络中的说话人跟踪问题,提出一种自适应交互式多模型粒子滤波算法,以实现复杂环境下对说话人的分布式跟踪.首先,对分布式麦克风网络中的说话人跟踪问题建立状态空间模型,并利用贝叶斯滤波理论求解该问题.然后,将交互式多模型与粒子滤波相结合,提出一种双粒子滤波方法对运动模型的转换概率进行自适应估计,以更好地对多种...     

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。     

基于VD算法的机动目标跟踪研究

针对机动目标有多个运动模型的特点,建立了机动目标的CA模型和CV模型.采用变维滤波(VD)算法对目标运动轨迹进行跟踪,计算机仿真结果表明VD算法对机动目标跟踪具有较高的精度.     

基于跑滑系统约束的航空器滑行跟踪算法

为解决大型机场场面易冲突的问题,研究了将基于跑滑系统和管制约束的变结构多模型算法应用于机场场面目标的跟踪.本文首先建立了复杂跑滑结构下的数学建模方法、跑滑结构约束下跟踪状态修正方法和基于管制指令约束的航空器与跑滑系统的自适应匹配方法.与传统场面目标跟踪不同,本文利用跑滑系统和管制指令约束的最大后验概率估计来激活和终止模型集,进而解决机场场面航空器跟踪过程中模型集切换和路段匹配问题.基于上述方法,本文通过结合最大后验概率估计提出了一种新的交互式多模型算法,改善了场面目标的跟踪性能.仿真结果表明:与交互式多模型算法和变结构交互式多模型算法相比,本文所提出的方法能有效地跟踪机场场面目标,显著提高了跟踪精度.     

IMM迭代无迹Kalman粒子滤波目标跟踪算法

针对传统交互式多模型(interactive multiple model,IMM)算法跟踪机动式再入目标精度差和实时性不高的问题,提出一种交互式多模型迭代无迹Kalman粒子滤波算法.该算法在多模型滤波过程中采用改进的粒子滤波算法,通过迭代无迹Kalman滤波融入最新观测信息,进而生成粒子滤波的重要性密度分布,从而提高采样质量,改善滤波算法性能.仿真结果表明,提出的算法相对于交互式多模型粒子滤波算法具有更好的跟踪效果.该算法对提高跟踪机动式再入目标的精度与实时能力具有一定的理论意义.     

一种机动目标跟踪的IMM模型优化设计方法

为了提高机动目标的跟踪精度,提出了一种使用2个模型实现对机动目标跟踪的多模型算法,采用当前统计模型和扩展后的常速模型组成的模型集进行交互.该算法不受目标转弯率大小和变化的限制,对目标运动模式的未知参数变化的适应性较强.该算法对目标的跟踪精度优于传统的使用3个以上模型交互的IMM-CV/CT算法,仿真结果证明了该算法的有效性.     

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IMM-PDA算法的实际业务流预测研究

多模型可以在不同时刻为业务流构造不同的模拟模型,而概率数据关联则可以有效地在杂波环境中处理单目标的跟踪问题,即将交互式多模型概率数据关联应用到业务流的预测中.研究了在交互式多模型下建立一个实际业务流预测算法的模型.仿真实验表明,该预测算法具有较高精度.     

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。     

基于联邦滤波的抗欺骗干扰目标跟踪

基于联邦滤波思想将机载数据链、光电传感器和雷达的探测信息进行融合以解决跟踪过程中雷达易受欺骗干扰的问题。针对不同的欺骗干扰方式,对雷达受欺骗干扰时的量测特性进行了分析;提出了多传感器融合干扰检测算法;结合多模型交互、时间配准、信息等价转换、信息分配,提出了了机载多传感器联邦滤波抗欺骗干扰融合算法的具体实现方法。仿真结果表明本算法能够检测并应对雷达的欺骗干扰,确保对真实目标的有效跟踪。     

视频测速技术的研究与仿真

针对激光测速、雷达测速和地感线圈测速方式所存在的问题,依据运动目标检测理论中基于混合高斯分布模型的自适应背景消除算法和基于区域匹配跟踪理论,对高速公路运动车辆进行速度测量。通过试验仿真结果表明该算法和理论能同时实现多台车辆的跟踪,在监视区域内不丢失目标,能控制测速精度,将速度误差控制在要求范围之内。     

基于集中式MIMO雷达的多目标跟踪功率分配优化算法

针对集中式MIMO雷达对多个运动目标进行跟踪的问题,提出一种基于后验克拉美罗下界的功率分配方法。首先给出了多个运动目标定位误差的后验克拉美罗下界,并将其作为代价函数进行优化,从而将雷达功率分配转化为求解凸优化问题;然后,运用SDP算法对该凸优化问题进行处理,将其转化为SDP问题并求解,从而实现对雷达功率的优化分配;最后,通过仿真验证了算法的有效性。结果表明,与功率平均分配和一种基于最大信噪比的贪婪算法相比,该功率优化分配方法能明显提高目标跟踪精度。     

基于模糊推理的改进的交互式多模型算法

为了提高交互式多模型算法的跟踪精度,提出一种利用模糊推理对交互式多模型算法进行优化的方法,以模型概率为输入,输出值为模型系统噪声协方差的系数,通过该系数来调节模型系统噪声协方差以减少误差;以基于卡尔曼滤波器的交互式多模型滤波器的应用为例,分别对交互式多模型算法在模型匹配和不匹配的情况进行实验分析,并对改进前、后的交互式多模型算法进行比较。结果表明,基于模糊推理的改进的交互式多模型算法能取得更好的跟踪效果。