一种适用于助推段弹道导弹的跟踪方法研究

弹道导弹在助推段的运动特性较为复杂,且由于各级助推器的脱落导弹的加速度存在突变点,在导弹关机时刻的加速度突变最大,因此在跟踪时容易产生较大滤波偏差。本文主要对弹道导弹助推段的加速度特性进行了分析,选择CJ模型来描述其运动特性,采用交互式多模型(IMM)和无敏滤波(UF)算法对处于助推段的弹道目标进行跟踪。由仿真结果可以看出本文所提出的基于CJ模型和CA模型组合的IMM-UF跟踪方法可以较好地实现对助推段弹道导弹的跟踪。同时通过模型集合中各模型的概率变化情况可以很好地完成对导弹关机时刻的判定,这为后续尽早定轨和轨道预报等提供了前提。该算法结构简单实现稳定,具有较好的工程应用价值。     

基于概率数据关联的雷达导引头抗速度拖引干扰算法

针对在速度拖引干扰下, 脉冲多普勒雷达导引头无法精确跟踪、制导目标的问题, 提出了基于概率数据关联的抗速度拖引干扰算法。对于雷达导引头角度测量信息和Doppler测量信息, 采用序贯扩展卡尔曼滤波算法进行目标状态估计。根据Doppler信息强非线性的特点构建了伪量测信息, 并提出了在Doppler量测更新滤波估计阶段，采用概率数据关联算法进行抗速度拖引干扰。给出了算法的推导过程, 并进行了数值仿真验证。仿真结果表明, 采用该算法能够稳定跟踪释放多重速度拖引干扰的目标, 有效抑制速度拖引干扰对制导信息估计的影响, 改善导弹的制导精度。     

机载传感器多目标优化管理算法研究

提出了一种机载传感器多目标优化管理方法。该方法考虑目标状态估计精度,采用交互多模型滤波算法进行传感器量测信息滤波,进而实时计算传感器目标探测跟踪的信息矩阵。在此基础上,采用多目标优化算法以目标信息矩阵、传感器数量和目标被探测数量为指标进行传感器资源的优化配置,实现机载多传感器资源的有效配置和管理。进行了该传感器多目标优化管理算法的仿真研究。研究结果表明提出的传感器管理算法能够快速、有效地完成传感器资源的合理配置。     

卷弧翼滚转导弹Lipschitz自适应轨迹线性化控制

根据非对称卷弧翼滚转导弹运动特点,建立了包含系统不确定参数、结构损伤干扰、观测噪声等因素的三通道有控运动模型,提出了一种基于Lipschitz自适应观测器补偿控制的轨迹线性化控制(trajectory linearization control,TLC)改进算法。根据时标分离原则将控制系统分为快慢两个回路并设计TLC控制器。通过求解线性矩阵不等式组的方法得出了非线性Lipschitz状态观测器,对未知干扰参数进行估计,并依据参数估计值和反馈的状态设计了干扰补偿控制律,从而改善了TLC算法性能。仿真实验表明,提出的改进算法可以使导弹姿态运动较好地跟踪控制指令,实现了导弹滚转运动和角运动控制的解耦,保证了导弹系统能够抑制气动/结构参数摄动、观测噪声和强突发未知干扰等情况的影响,提高了导弹姿态控制的鲁棒性和准确性。     

Unscented卡尔曼滤波-卡尔曼滤波算法

针对条件线性高斯状态空间模型,提出unscented卡尔曼滤波-卡尔曼滤波unscented Kalman filte-ring-Kalman filtering,UKF-KF算法,该方法用UKF估计条件线性高斯状态空间模型中的非线性状态,用KF估计线性状态。为了有效地融合UKF和KF估计的后验状态分布,将蒙特卡罗方法应用于KF估计的线性状态均值和方差,获得了与UKF sigma点相同数量的后验线性状态估计分布的样本,然后将这些样本与UKF中sigma点进行合成去获得系统中非线性状态的估计。该算法应用于机动目标跟踪的仿真结果表明:与Rao-Blackwellized粒子滤波器(Rao-Blackwellized particle filter,RBPF)相比,该算法虽在估计精度上略有下降,然而计算时间明显降低,有效提高了实时性。     

基于IMM的UK-GMPHDF算法在多机动目标跟踪中的应用

为解决非线性系统滤波的非线性和多机动目标跟踪问题,提出了一种基于交互多模型(IMM)的无迹卡尔曼实现的高斯混合概率假设密度滤波(UK-GMPHDF)算法.该算法结合了IMM算法对不同目标机动模型的自适应能力和UK-GMPHD滤波精度高、计算量小的优点.此外,滤波器利用UK-GMPHD滤波,不仅避免了难以解决的数据关联问题,而且可以联合估计目标数和目标状态.在非线性系统和杂波环境下,通过对多机动目标跟踪的应用仿真,将该算法和基于单模型的UK-GMPHDF算法进行了比较,仿真结果表明了基于IMM的UK-GMPHDF算法具有较好的跟踪性能,大大提高了多机动目标跟踪精度,减少了跟踪的多目标误差.     

BTT导弹分块模型组合非线性控制器设计与仿真

提出了基于导弹非线性分块模型的组合控制方法。对于弹道倾角和弹道偏角采用动态反馈,以及对非仿射型非线性系统的处理方法,保证跟踪误差收敛。姿态角、角速度层的控制,充分考虑了导弹气动参数不确定性和未建模动态、控制量输入的不确定性。对于不确定性采用自适应反演(backstepping)变结构控制方法。对BTT导弹6DOF非线性模型的仿真结果显示了本文方法的有效性。     

基于平方根CKF的多传感器序贯式融合跟踪算法

为了提高非线性序贯式融合跟踪算法的精度,提出了基于平方根容积卡尔曼滤波器的多传感器序贯式融合跟踪算法。该算法使用三阶容积数值积分原则计算非线性过程的均值和方差,克服了扩展卡尔曼滤波器存在的滤波精度低及平方根无迹卡尔曼滤波器存在的参数复杂的缺点。同时,在滤波递归过程中以协方差平方根矩阵代替协方差矩阵,这样确保了滤波算法的数值稳定性,提高了跟踪的精度。最后用已知弹道系数的再入段弹道跟踪模型对所提算法的性能进行仿真测试。仿真结果表明,所提算法具有很好的跟踪性能,是一种有效的非线性序贯式融合跟踪算法。     

空间机动目标跟踪的改进自适应IMM算法

针对使用模型似然函数比对传统交互多模型(interacting multiple model, IMM)算法模型转移概率实时修正存在奇异的问题, 基于所提修正函数给出一种改进自适应IMM算法。首先, 将白噪声模型与扩展卡尔曼滤波(extended Kalman filter, EKF)算法结合, 设计了非机动模型EKF1及机动模型EKF2作为IMM算法模型集。其次, 预报模型采用适应椭圆参考轨道的非线性相对轨道动力学方程以提高模型预报精度。最后, 分析了速率量测信息对减小机动目标跟踪峰值误差的作用。仿真结果表明, 改进的模型转移概率自适应IMM-EKF算法跟踪精度明显提高, 且优于比较的现有方法; 引入速率量测信息后, 最大峰值误差及估计精度得到了改善。     

高分辨距离像辅助的机动目标跟踪算法

宽带相控阵雷达可以获得高分辨距离像,利用此特征获取目标的姿态角成为了一种可能,基于此提出了一种新的机动目标跟踪算法,充分利用高分辨距离像特征,实时估计目标姿态角,并将姿态角信息融合到雷达的量测方程,本文结合先进的非线性滤波算法,提出了利用姿态角的交互多模型不敏卡尔曼滤波算法。通过计算机仿真表明,利用目标姿态角的机动目标跟踪算法相比传统算法目标跟踪精度(位置精度和速度精度)得到很大提高。同时姿态角误差越小,目标跟踪性能越好。     

基于自适应压缩感知的复杂弹道群目标跟踪技术

复杂弹道群目标空间密集程度高,群内目标相互遮挡,在给定雷达工作带宽前提下如何对复杂群目标进行有效分辨、实现航迹的连续稳定跟踪已成为亟待解决的难题。针对该问题,首先通过二体运动预测获得航迹群预测中心,根据预测偏差与分辨阈值关系,自适应开启局部压缩感知群目标分辨算法,提高群目标遮蔽分辨能力。其次，引入航迹片段拼接思想,利用已有航迹档案构建假设检验,对航迹片段进行关联、平滑处理和批号管理,有效减少换批和非线性估计误差。仿真结果表明,所提算法大大增加了可分辨时间,分辨能力可达80%,平均跟踪时长提高一倍,中断期间跟踪均方根误差显著降低,且航迹稳定跟踪并全程未换批,为弹道群目标精确稳定跟踪提供了一种新的思路。     

基于LSTM的弹道导弹主动段轨迹预报

弹道导弹主动段长周期轨迹预报能够为导弹防御系统提供早期预警信息。传统的轨迹预报方法大多集中在导弹的自由段与再入段,通过解析法、数值积分法或函数逼近法推断未来时刻目标的状态。由于弹道导弹在主动段会受到多个未知作用力的影响,其轨迹预报相比自由段与再入段更具挑战性。为此,本文提出了一种基于长短时记忆(long short-term memeory, LSTM)网络的弹道导弹主动段轨迹预报方法。首先,根据导弹主动段动力学模型与弹道参数典型取值生成用于网络训练的大规模轨迹样本;其次,设计了基于深度LSTM网络的弹道导弹主动段轨迹递归预报方法;最后,与基于数值积分法、多项式拟合及反向传播神经网络的轨迹预报方法的实验对比,表明了所提方法在主动段轨迹预报上的优越性。     

基于大地坐标系的IMM航空器短期航迹外推

针对航路飞行阶段的航空器, 通过对比空间直角坐标系和大地坐标系的优劣, 采用大地坐标系表示航空器的位置; 基于大地坐标系, 将航空器的运动解耦成3个方向上的独立运动, 分别建立每个方向上的子模型; 使用交互式多模型(interacting multiple model, IMM)算法对航空器的航迹进行跟踪。仿真结果表明, 基于大地坐标系的IMM算法对于航空器有很好的轨迹追踪性能; 根据航空器末时状态及各个子模型的概率分布进行航空器的航迹短期外推, 基于大地坐标系的IMM算法的航迹外推性能优于基于空间直角坐标系的IMM算法的航迹外推性能。     

Multi-target tracking algorithm of boost-phase ballistic missile defense

Considering the problem of multiple ballistic missiles tracking of boost-phase ballistic missile defense,a boost-phase tracking algorithm based on multiple hypotheses tracking(MHT) concept is proposed.This paper focuses on the tracking algorithm for hypothesis generation,hypothesis probability calculation, hypotheses reduction and pruning and other sectors.From an engineering point of view,a technique called the linear assignment problem(LAP) used in the implementation of M-best feasible hypotheses generation,the number of the hypotheses is relatively small compared with the total number that may exist in each scan, also the iV-scan back pruning is used,the algorithm’s efficiency and practicality have been improved.Monte Carlo simulation results show that the proposed algorithm can track the boost phase of multiple ballistic missiles and it has a good tracking performance compared with joint probability data association(JPDA).     

弹道式再入目标跟踪方法对比分析

地基雷达对弹道式再入目标进行滤波跟踪时主要存在两个导致滤波误差增大的不确定因素,一是弹道系数未知,二是不可准确确定过程噪声协方差矩阵。为此,采用交互式多模型无敏滤波（iterative multiple model unscented filter, IMM UF）算法对弹道式再入目标进行跟踪,选取不同的弹道系数初值和过程噪声协方差矩阵构成合适的模型集合进行了仿真分析,并将其滤波结果与扩展卡尔曼滤波（extended Kalman filter, EKF）和无敏滤波（unscented filter, UF）的滤波结果进行了对比分析,同时还分析比较了IMM UF和自治多模型（autonomous multiple model, AMM）UF算法的跟踪滤波性能。从仿真结果可以看出,采用的IMM UF算法和相应的模型集合可以在先验信息缺少的情况实现对弹道式再入目标更高精度的跟踪。     

基于容积粒子滤波的交互式多模型算法

针对非线性非高斯条件下目标跟踪容易发散和精度下降等问题,将容积粒子滤波引入到交互式多模型算法中,提出了一种基于容积粒子滤波的交互式多模型算法。该算法在粒子先验分布更新阶段,利用容积卡尔曼滤波器融入最新的观测数据并产生重要性密度函数,使其更加逼近系统真实状态的后验概率密度,改善了粒子滤波的性能。仿真表明在运算时间未显著变化的情况下,该算法与交互式多模型无迹粒子滤波算法相比有着更高的滤波精度和稳定性。     

Hierarchical interacting multiple model algorithm based on improved current model

Interacting multiple models is the hotspot in the research of maneuvering target models at present. A hierarchical idea is introduced into IMM algorithm. The method is that the whole models are organized as two levels to co-work, and each cell model is an improved “current” statistical model. In the improved model, a kind of nonlinear fuzzy membership function is presented to get over the limitation of original model, which can not track weak maneuvering target precisely. At last, simulation experiments prove the efficient of the novel algorithm compared to interacting multiple model and hierarchical interacting multiple model based original “current” statistical model in tracking precision.     

基于椭圆RHM的扩展目标伯努利滤波算法

与传统点目标跟踪不同,扩展目标跟踪既要估计目标的运动状态,还需估计目标的扩展状态,包括目标的形状、大小、方向等信息。针对扩展目标跟踪中存在的扩展状态估计不准确和非线性问题,提出一种基于随机超曲面模型(random hypersurface model, RHM)的扩展目标伯努利滤波算法。该算法首先采用RHM对目标量测源建模;然后,在扩展目标伯努利滤波框架下,实现对单扩展目标运动状态和扩展状态的实时估计;最后,引入Gamma分布以提高量测率估计的准确性。此外,为了降低计算复杂度,在量测更新中采用距离划分来减少所有可能的划分总数。实验结果表明,所提滤波算法在估计目标运动状态、扩展状态和量测率等方面优于现有的滤波算法,并且可用于实际视频跟踪场景。