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CS-CL两层嵌套模型的强机动目标跟踪算法

针对强机动目标的跟踪问题,提出了一种基于两层嵌套模型的强机动目标跟踪算法,以改进"当前统计"(current statistical,CS)作为内模型;利用滤波残差构造统计量,对目标机动进行检测,根据检测结果在线修正"CS"模型参数以适应目标的机动;以"曲线"(curve linear,CL)模型为外模型,它以改进的"CS"模型的目标加速度估计值作为输入参数,利用CL模型可以较好近似目标曲线运动的特点,实现对强机动目标进行高精度稳定跟踪。仿真验证了算法的有效性。     

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。     

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.     

机动目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糊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。     

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.     

考虑目标航向机动信息的机动目标跟踪算法

传统的机动目标跟踪算法大多过于依赖所采用的目标运动模型,没有充分利用目标量测序列中携带的其它有用信息,当目标机动时跟踪性能下降较大。针对该问题,提出了利用目标航向机动序列修正传统跟踪算法滤波值的新算法。仿真结果表明,该算法比传统跟踪算法的跟踪精度高,是一种简单有效的自适应机动目标跟踪算法。     

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.     

一种用于杂波中机动目标跟踪的自适应关联波门设计方法

针对传统关联波门设计方法在应用于机动目标跟踪时容易引起失跟现象的问题,提出一种新的自适应关联波门设计方法。该方法在综合交互多模型概率数据关联算法的基础上进行关联波门设计,当波门内不存在有效量测时,首先以最大机动水平对应的模型误差协方差对关联波门进行适当扩大,确保量测点迹进入波门。然后假定目标的机动能力已知,在目标运动状态的预测范围内利用观测信息寻找最小均方误差意义下的最优波门中心。该方法可以从根本上改善关联概率,从而降低失跟率,提高目标跟踪精度。仿真结果表明,与传统关联波门设计方法相比,该方法的失跟率降低了30%~40%,而且目标机动时的跟踪精度提高了20%~30%。实测数据同样验证了该方法的有效性。     

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.     

一种移动机器人跟踪机动目标的方法

针对机器人跟踪机动目标,提出了一种完整探测、估计的方法.利用单目视觉定位被跟踪目标的方位,再融合激光数据来获取目标的空间位置.基于"当前"统计模型,将获取到空间位置作为观测信息,采用自适应卡尔曼滤波算法,对机动目标进行跟踪,并准确预测其位置、速度及加速度信息.为验证本方案,使用一个Pioneer 3-AT作为主动机器人,及一个AmigoBot机器人作为被跟踪目标进行实验.结果显示,提议的方案可行,其精度满足实际应用的要求.     

机动目标空间合群仿真

为了解决空间合群和战场中的事件检测问题，提出了一种新的机动目标的空间群生成算法．该算法通过一级融合获得的信息来定义特征相似度，即归属相似度、位置相似度和速度相似度，并将这些相似度再次融合以求得合群结果．由于测量空间的不确定性被映射到了模糊相似度空间，因此通过模糊匹配机制可解决测量空间的不确定性问题．仿真结果表明，所提算法能实时完成多个级别的空间合群融合，其计算复杂度也比较低，而且在空间合群的态势评估中获得了比较好的结果．     

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.     

一种新的双基阵纯方位机动目标跟踪算法

针对方位测量方程的非线性问题,提出了一种基于改进的自构建神经模糊网络（SONFIN）的双基阵纯方位机动目标跟踪算法。该算法首先利用目标方位角信息,对其进行目标特征提取,然后利用小波基函数所具有的时频局部分析能力,提出了用小波基函数来代替高斯基函数这一策略。仿真结果表明,神经模糊网络可实现双基阵纯方位机动目标的实时跟踪,并且改进后的网络跟踪性能要优于高斯基网络。     

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。