船用导航雷达数据处理神经网络方法的研究

基于α－β滤波的处理思想，用神经网络对目标数据进行滤波处理，不断调整神经网络的连接权值，经过多次训练，使目标波输出摊商目标航迹的变化规律，仿真结果表明，神经网络方法用于船用雷达平滑跟踪是可行的，其跟踪误差是收敛的，而且通过合理选择网络参数，可使跟踪误差很小。     

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。     

提高飞行弹丸跟踪滤波器滤波精度的一种方法

推广的卡尔曼滤波器能根据雷达测量数据较好地跟踪飞行弹丸,并估计出有用参数,但动态方程和量测方程的线性化会给滤波和估值带来一定的误差。该文讨论了用单步迭代滤波来降低动态方程的线性化给弹丸跟踪滤波器带来的滤波和估值误差。     

非高斯条件下基于粒子滤波的目标跟踪

介绍了粒子滤波的基本思想和具体算法实现步骤，在给出的闪烁噪声统计模型基础上，将粒子滤波算法应用在雷达目标跟踪中，解决了闪烁噪声情况下的雷达目标跟踪问题．仿真结果表明，在满足高斯噪声条件下，扩展卡尔曼算法和粒子滤波算法跟踪性能相近，但若考虑雷达的闪烁噪声，则随着闪烁影响增强，扩展卡尔曼算法跟踪性能严重下降，而粒子滤波算法能继续保持较好的跟踪精度．     

认知雷达波形和检测门限自适应跟踪算法

为有效改善杂波背景下雷达目标跟踪中的不确定性问题,提出一种基于认知雷达的波形和检测门限联合自适应跟踪算法。首先,给出雷达目标跟踪的信息熵不确定模型,提出用滤波误差协方差的行列式来描述目标状态跟踪的不确定性;然后,基于时延-多普勒分辨单元理论,给出单个高斯线性调频脉冲包含波形和虚警概率参数的量测误差协方差的近似表达式;最后,受人类"感知-行动"循环机制启发,设计出基于信息熵最小为代价函数的自适应波形和检测门限跟踪算法。仿真结果表明,所提出的联合自适应算法的信息熵比目标跟踪的不确定性传统算法可减少30%以上,总体跟踪性能得到明显改善。     

基于自适应α-β滤波的目标跟踪算法研究

由于雷达对目标角度测量精度低,而红外传感器角度测量精度高,所以引入红外角度数据用以修正融合航迹点的方位角。建立了自适应α-β滤波的数据关联快速算法模型。进行了模拟战场实际目标的仿真试验。仿真结果表明该算法充分利用了红外与雷达的互补性,达到了降低目标航迹的方位角和俯仰角跟踪误差的目的,使航迹状态估计更加精确。     

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。     

空地概率数据关联转换量测滤波算法

针对实际情况下机载预警雷达虚警多、易掉点和俯仰角误差大从而导致目标航迹起始和跟踪困难的问题,以WGS-84坐标系为框架,提出机载预警雷达量测关联地面雷达航迹进行目标跟踪的PDA-UCMKF新算法,推导PDA-UCMKF方法的状态更新和误差协方差更新方程,实现了机载预警雷达对中高空目标的快速跟踪.在杂波环境下仿真对比NN-UCMKF和PDA-UCMKF方法的关联和跟踪效果,表明PDA-UCMKF方法有效、可靠且易于工程实现.      

一种自适应跟踪滤波方法

本文针对防空系统中警戒雷达的跟踪滤波问题,采用了一种以目标飞行的航向角作为模型参数的卡尔曼滤波器。通过对航向角的实时估计,模型在目标机动或非机动的情况下、均能与目标的运动相适应。本文对航向角的估计提出了一种新的估计方法。使用该方法,航向角的估值在任何情况下都有较高的精度,从而使滤波器能较好地跟踪各种机动目标。     

融合视觉与雷达数据的改进粒子滤波车辆目标跟踪

针对视觉跟踪中由于尺寸变化累积误差导致目标丢失的问题,提出一种融合视觉与毫米波雷达数据的改进粒子滤波车辆跟踪算法。首先,引入遗传算法改善标准粒子滤波中的粒子退化与粒子衰退问题,根据退化程度计算动态自适应的遗传交叉概率,并利用高斯分布替代平均分布计算种群适应度。然后,将图像HSV直方图特征与改进粒子滤波算法结合,实现车辆多目标跟踪。最后,通过雷达目标投影点与视觉跟踪框的位置关系实现关联匹配,利用深度信息修正跟踪框的位置与尺寸。实验结果表明,相对于标准粒子滤波,改进的粒子滤波算法可以使平均跟踪准确率与精度分别提高22.1%与21.1%。相对于仅采用视觉跟踪,融合雷达数据的跟踪算法能够使车辆目标跟踪精度再次提高9.2%。