基于无源时差定位系统的机动目标跟踪算法

将交互式多模型(IMM)算法应用到具有隐蔽性的无源时差定位系统中,找到了一种适合于无源时差定位系统跟踪机动飞行目标的混合模型即常速度(CV)模型与Singer模型组成的混合CV Singer模型。在各种现有算法中,基于该混合模型的交互多模型算法可获得较好的定位跟踪效果。另外,将该混合系统与CV CA模型组成的混合系统进行了比较,进一步证明了该混合模型的有效性。     

基于IMM-CSRF的多平台机动目标被动跟踪方法

针对仅有角度测量信息条件下,单平台的机动目标被动跟踪存在固有的强非线性和弱可观测性问题,研究多平台融合机动目标被动跟踪技术,提出了集中式漂移瑞利滤波器(centralized shifted Rayleigh filter,CSRF)来解决多平台目标被动跟踪问题,进一步提出并推导了基于交互式多模型的集中式漂移瑞利滤波器(interacting multiple model centralized shifted Rayleigh filter,IMM CSRF),实现对机动目标的被动跟踪。仿真实验表明,该算法跟踪精度高,稳定性好,具有良好的实际应用价值。     

基于AGIMM的临近空间机动目标跟踪滤波算法

由于临近空间高超声速目标的机动形式复杂,单一模型很难满足高精度跟踪的需要。因此需要使用基于多种模型进行交叉耦合的交互式多模型算法,这种算法特点与临近空间目标高速、高机动特性相适应。提出了一种自适应网格交互多模型跟踪算法用于临近空间高超声速机动目标的跟踪问题。所提方法能够处理自适应时变模型集合,随时调整当前时刻使用的模型数量,相比于固定结构交互式多模型算法极大减少了计算量,计算效率和跟踪精度更高,数值仿真结果验证了所提算法的有效性。     

基于小波变换的双站纯角度机动目标融合跟踪

纯角度跟踪通常面临非线性滤波和高速率量测数据处理问题。在小波变换的基础上提出一种新的双站纯角度机动目标跟踪算法。该算法使用无源定位的方法确定目标位置，并运用基于多速率运动模型的交互式多模型算法进行滤波。算法避免了角度量测下的非线性滤波，并减少了计算量。Monte Carlo仿真结果表明了算法的有效性。     

一种带未知时变系统噪声水平的目标跟踪滤波器

在机动目标跟踪中，为了保证Kalman滤波器的数值稳定性和最优性，未知的时变系统噪声水平需要在线估计，但已有方法主要针对平稳或统计特性缓变的噪声过程。在Sage-Husa系统噪声水平自适应估计算法的基础上，通过引入基于新息的滤波器发散检测判据和利用强跟踪滤波器的思想，提出了一种系统噪声水平估计值的时变调节因子阵来抑制因系统噪声水平突变而引起的滤波器可能出现的发散问题。Monte-Carlo仿真结果表明，该算法不仅数值稳定性好，同时目标的跟踪精度也得到明显改善。     

基于UKF-IMM的双红外机动目标跟踪算法

为了有效解决红外机动目标跟踪精度问题,提出基于UKF的交互式多模型IMM红外机动目标跟踪算法.该方法采用Markov过程描述多个目标模型间的切换,同时导出滤波器输入输出均加权的交互式算法.滤波器采用UKF,避免计算扩展卡尔曼滤波EKF所需的Jacobi矩阵,适用于非线性、非高斯的目标系统模型和观测模型,同时UKF可供多个模型共用,便于软、硬件实现.最后,用双红外探测器对S型机动目标进行仿真实验,给出应用该方法的具体步骤,验证了IMM-UKF的稳定性、有效性和精确性.     

一种跟踪机动目标的变结构交互多模型滤波算法

将当前统计模型和变结构多模型估计算法相结合,阐述了变结构多模型算法的基本思想,研究和设计了一种用于跟踪机动目标的变结构交互多模型算法。计算机仿真显示该算法能有效提高交互多模型估计器的费效比。     

基于自适应扩展H∞滤波的机动目标被动跟踪

为提高对机动目标的跟踪效果,提出了一种基于扩展H_∞滤波的自适应交互多模多被动传感器机动目标跟踪算法。利用简化的Sage-Husa自适应滤波器与交互多模相结合,对多被动传感器测得的目标角度信息进行融合,解决了被动式跟踪系统的可观测性及非线性问题,将扩展H_∞滤波器作为模型条件滤波器,通过调节扩展H_∞滤波器参数和量测噪声预测协方差矩阵,增强了对外界干扰的鲁棒性。仿真结果表明,所提算法比扩展卡尔曼滤波交互多模算法和标准交互多模算法具有更高的跟踪性能,在多站被动红外搜索与跟踪中是一种有效的跟踪算法。     

基于当前统计模型的机动目标自适应跟踪算法

当前统计模型及其自适应卡尔曼滤波算法对强机动目标具有很好的跟踪效果,但当机动目标为弱机动和非机动时算法跟踪性能较差。针对这一问题,提出了采用铃形函数作为模糊隶属函数对模型中加速度极值进行修正的自适应滤波算法,调整加速度稳定时的系统过程噪声方差,提高算法的跟踪精度。同时,借鉴强跟踪滤波算法的渐消自适应滤波因子思想,针对加速度突变的情况引入渐消因子对修正的加速度极值进行调节,提高算法在加速度突变情况下的跟踪速度。仿真实验结果表明,算法对弱机动目标和非机动目标的跟踪具有良好的效果。     

机动目标的模糊自适应跟踪算法

在当前统计模型的基础上，提出了一种基于当前统计模型(CS)的模糊自适应算法(CSFA)。该算法使用了模糊推理技术，使系统状态噪声方差随着机动特性能够自适应调整，提高了系统在目标作非机动或者弱机动时的跟踪精度以及在强机动时的快速响应能力。蒙特卡罗仿真结果表明了该算法的有效性。     

模糊数据互联滤波器及其在机动目标跟踪中的应用

为解决机动目标跟踪过程中的数据关联问题，提出了模糊数据互联滤波器，分析了其工作机理，并将其应用于机动目标跟踪中。与概率数据互联滤波器不同，在进行数据关联时，模糊数据互联滤波器饭定目标当前转弯率在一定范田内取位，其预测中心不再是一个点，而是一线段；在计算洲量的权重系数时，依据的是洲量距该线段的距离。仿真实验表明，杂波环境下对机动目标跟踪时，采用模糊数据互联滤波器降低了航迹丢失率。     

一种基于小波变换的机动目标跟踪算法研究

小波变换是去噪的有力工具 ,它可以将由各种不同频率成分组成的信号分解到不同的频率区间上 ,有效地用于滤波。研究了一种基于多尺度分解的机动目标跟踪算法 ,该算法利用小波中的经典算法———Mallat算法对单一分辨率的测量数据进行多尺度分解 ,将分解得到的多分辨率测量数据用于目标状态更新。该算法是一种准实时最佳滤波算法。仿真结果表明 ,该算法具有良好的跟踪性能 ,且运算量不大。     

基于卡尔曼滤波的组网雷达系统目标跟踪分析

提出了一种快速卡尔曼滤波跟踪算法,用于组网雷达系统对机动目标的跟踪分析.该算法只需要组网雷达系统给数据处理中心提供每个接收机所测得的准确径向距离,然后根据推广卡尔曼滤波技术迭代估算出目标的位置.对机动目标的仿真结果表明,该算法不但大大减小了传统跟踪算法的运算复杂度而且具有优良的跟踪性能,尤其适用于近距离高速运动目标的准确跟踪.     

基于多传感器数据融合的机动目标跟踪自适应学习方法

考虑到传感器对目标的观测都存在有偏差，同时针对雷达系统检测中存在漏检的现象，提出了一种适用于处理传感器漏检现象的多传感器融合方法。并以雷达／红外成像复合的双模制导体系下红外和雷达两种传感器对目标状态的检测和跟踪为例，给出一个完整的多传感器数据融合和目标跟踪自适应方法。该方法简单易行，鲁棒性强，通过对红外成像和雷达系统的数据融合和目标跟踪的数字仿真，表明该方法有效。另外，该方法同样适用于多于两个多传感器系统。     

基于神经-模糊推理网络的机动目标跟踪方法

对目标机动的检测和准确跟踪，是目标跟踪研究中非常重要但难度较大的问题。在雷达和红外融合的跟踪系统，将神经-模糊推理网络与扩展Kalman滤波结合起来，形成闭环。即提取和目标机动有关的特征量送入神经-模糊推理网络，再估计目标机动输入，实现对机动目标的精确跟踪。仿真试验说明了本文所采用方法的有效性。     

基于两点外推法的跟踪滤波器启始方法研究

对于多目标跟踪系统，滤波器的起始波门的设计是一个关键问题，首先给出了利用量测标准差与采样周期比值的相对大小来确定滤波器启始的方法，然后利用目标速度极限的先验信息构造环状波门，并考虑量测量噪声对环状波门的影响，利用矩阵范数特性，导出一种更精细的基于两点外推的滤波器启始法，仿真结果表明利用本文方法的构造出的波门的置信区间比其他两种方法所构作出的更为合理。     

基于神经网络数据融合的目标跟踪简化算法

分析了基于神经网络数据融合的目标跟踪的算法 ,指出了传统的融合算法计算量大 ,神经网络目标向量不易选取等缺点。提出了一种简化的算法。应用理论分析和蒙特卡洛仿真方法 ,对标准卡尔曼滤波算法和简化的滤波算法进行比较 ,并给出了均方根误差的统计值。该简化算法原理简单 ,数据处理量小 ,速度快 ,误差小 ,特别适用于多传感器的处理 ,将融合结果反馈给单传感器 ,可提高各单传感器的跟踪精度。     

多平台基于方位时延差的目标运动分析

以拖曳阵列与本舰所构成的声纳系统为例 ,从双平台观点考虑 ,利用对目标的两方位及时延的量测为依据 ,研究了该系统的目标运动分析 (targetmotionanalysis,TMA)问题。采用了最大似然估计、扩展Kalman滤波(EKF)方法 ,实现了对目标运动参数的估计 ,并给出了它们的Cramer Rao低界 (CRLB)。通过仿真考察了参数变化对估计精度的影响。仿真结果表明上述方法具有较高定位精度。该方法适合于主、被动形式的多平台系统 ,且容易实现。