基于模糊逻辑的自适应α-β滤波新算法

针对非均匀稀疏采样环境下的被动机动目标跟踪问题,基于模糊逻辑推理,提出了一种新的自适应α-β滤波算法。详细分析了非均匀稀疏采样被动传感器上报数据的特点,将标准化新息和新息的一阶微分作为模糊推理的两个输入变量,并同时引入时间间隔、目标速度等因素,设计输入变量的调整因子,自适应获取滤波器参数。实验结果表明,提出的算法能够准确对机动目标进行跟踪,性能优良,且易于工程实现。     

基于模糊自适应α-β滤波的机动目标跟踪

针对机动目标的运动特点,提出了一种基于模糊自适应的α-β滤波新算法.算法首先详细分析了目标航向角和观测残差与目标机动的关系,提出综合利用航向角变化量和残差作为模糊逻辑输入变量来调整滤波器参数,且根据实际的机动目标跟踪情况,给出一种有效的模糊逻辑规则设计方法.实验结果表明,提出的算法能够准确对机动目标进行跟踪,性能要好于工程中常用的α-β滤波器,且算法设计简单,可工程实现.     

分布式被动传感器网异步采样下的机动目标跟踪

针对分布式被动传感器网的特点，提出了一种异步采样条件下机动目标跟踪方法。该方法采用交互式多模型概率数据互联滤波器跟踪机动目标。为启动滤波器，采用最大似然法估计目标初始状态；为适应异步观测条件，提出了马尔可夫转移概率计算方法。仿真实验表明，在分布式被动传感器网中采用该算法能有效进行机动目标跟踪。     

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。     

相阵雷达跟踪目标的自适应变采样率算法

本文提出一种采样率随目标机动作自适应变化的跟踪算法。算法中使目标观察时间间隔改变以保持残差为恒定。作为例子,文中用二维α-β滤波器实现这一算法。仿真计算中假定目标机动仅为单个90°转弯。结果表明,当目标机动被发现后,采样时间可迅速降低以减小跟踪误差。目标机动完成后,采样间隔又可自动增大。这样,相阵雷达就可以腾出更多时间作其他用。     

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。     

高斯和粒子滤波器及其在被动跟踪中的应用

为提高被动跟踪性能,提出了一种高斯和粒子滤波方法。在建立目标被动跟踪模型的基础上,使用高斯和滤波(GSF)近似目标状态的后验密度,利用粒子滤波方法处理GSF中的均值和方差计算问题,推导了高斯和粒子滤波器(GSPF)应用的具体算法步骤,使用机动目标被动跟踪仿真实例,与其它滤波器进行了仿真对比,分析了跟踪性能和RMSE误差。仿真结果表明,对于机动目标被动跟踪问题,GSPF不仅具有较高的跟踪精度,而且与一般粒子滤波器相比,GSPF具有较好的跟踪稳定性和较低的计算量。     

基于新息正交性抗野值的自适应的α-β-γ滤波跟踪器

针对传统α-β-γ滤波器抗野值能力差和受跟踪精度与收敛速度之间的矛盾以及系数固定的影响而难以跟踪强机动性目标的局限性,设计了一种基于新息正交性抗野值的自适应的α-β-γ滤波跟踪器。该滤波器通过判断α-β-γ滤波新息序列估计值的正交性质是否丧失而判别出观测值中是否存在野值,采用活化函数对新息序列进行加权修正,利用活化函数的性质,恢复新息序列原有的统计特性和正交性,从而达到抗野值的目的。同时,根据目标机动性的变化,利用跟踪误差调整模糊集系统的输出,在保证精度的前提下,得到自适应的系数值,使跟踪结果快速收敛,很好地解决了跟踪精度与收敛速度之间的矛盾。计算机仿真结果表明,在满足所要求精度的前提下,该算法可以克服传统算法的局限性,解决野值剔除问题,并有效跟踪强机动性目标。     

基于MCSM的自适应跟踪算法

针对基于"当前"统计模型的算法跟踪突发强机动目标性能下降的问题,提出了一种通过强机动自适应检测调整模型参数的改进算法。该算法利用残差统计距离的概率分布设置目标强机动的检测门限,根据目标的机动水平联合调整模型的机动频率、最大机动加速度以及滤波器增益,在保持"当前"统计模型跟踪算法对一般机动目标跟踪精度的前提下,增强了系统对突发强机动目标的自适应跟踪能力。仿真结果表明,该算法扩大了跟踪机动目标的动态范围,提高了跟踪性能。     

基于强跟踪滤波器的自适应常加速模型及跟踪算法

建立目标机动模型是传感器目标跟踪数据处理中的一个重要环节.为了克服"当前"统计模型对非机动目标和常加速模型对机动目标跟踪性能较差的缺陷,通过对"当前"统计(CS)模型的分析研究,在常加速(CA)模型的基础上提出了一种基于强跟踪滤波器的自适应常加速模型及跟踪算法(ACA-STF).该算法利用速度预测估计与实时速度估计间的偏差进行自适应方差调整,并通过引入强跟踪滤波器(STF)的渐消因子,实时调节滤波器增益,从而提高了跟踪精度,增强了系统对突发机动的自适应跟踪能力.理论分析和仿真结果表明对于非机动和机动目标,该算法比"当前"统计模型算法具有更高的跟踪精度.     

一种基于自适应网格IMM的自适应采样周期算法

提出一种自适应网格交互多模型下采样周期自适应的算法。在自适应网格交互多模型算法中,中心模型参数变化率反映了系统模型与目标机动水平间的匹配程度,而两者的匹配程度直接影响目标的跟踪精度。利用中心模型参数变化率对采样周期进行控制,并引入可控参数对平均采样周期进行灵活调整。仿真结果表明在自适应网格交互多模型下,提出的自适应采样周期算法比固定采样周期算法及基于预测协方差的自适应采样周期算法具有更好的性能。     

多被动传感器UKF与EKF算法的应用与比较

针对多被动传感器条件下的目标跟踪问题,给出了推广卡尔曼滤波在多被动传感器条件下的具体算法;考虑到多被动传感器目标跟踪需要解决观测非线性的问题,故而将用于非线性系统的基于UT变换的UKF算法应用于所讨论的跟踪问题中,采用检测融合方案,将多个被动传感器的角度观测组合成量测向量,推导了多被动传感器的UKF滤波算法,实现了对目标在三维空间中的全被动跟踪.将两种算法进行了仿真比较,结果表明,采用多被动传感器的UKF算法可以获得比传统的推广卡尔曼滤波算法更为精确的跟踪效果.     

多传感器优化部署下的机动目标协同跟踪算法

针对资源有限的传感器网络中目标动态跟踪问题,提出了一种能够自适应选择跟踪传感器的机动目标协同跟踪算法。首先,采用粒子群优化算法优化传感器网络能耗与有效覆盖率,进行传感器位置部署;然后,以最大化候选传感器的Rényi信息增量与最小化传感器间信息传递能耗为适应度函数,采用二进制粒子群优化算法自适应选择最佳跟踪传感器组;最后,利用交互多模型粒子滤波对机动目标位置进行估计并进行分布式融合。仿真结果表明,与现有方法相比,该方法可在非高斯非线性环境下自适应选择最优跟踪传感器,显著提高目标跟踪精度,降低网络能耗。     

一种新的常增益机动目标跟踪方法：α-β-γ-δ模型

针对目前机动目标跟踪的Jerk模型存在计算复杂度高的不足,同时受α-β-γ模型的启发,提出了一种基于Jerk模型的常增益跟踪算法:α-β-γ-δ模型,并根据时常系统的状态估计协方差在一定条件下将收敛到一个稳态值这一性质,从理论上推导出了上述新模型申α、β、γ和δ的计算公式.仿真结果表明,该算法的滤波精度比α-β-γ滤波算法高,且运算量远远小于Jerk模型算法.     

α-β和α-β-γ目标跟踪器的一个广义参数——跟踪指数

本文给出目标跟踪问题的一种一般化的最优滤波解。先定义一个广义参数,即跟踪指数。它正比于由目标机动引起的位置不确定性与由敏感器测量引起的位置不确定性之比。把最优滤波理论用于目标跟踪问题,发现跟踪指数这个广义参数在随机调节跟踪问题的最优稳态解和跟踪初始化过程中都具有重要的作用。对于不同阶数的跟踪模型,跟踪指数解给出一组关于广义跟踪增益、最佳参数关系和跟踪性能的封闭形式的、一致的公式。应用跟踪指数参数和一种递推形式的初始化和跟踪过程,就可以用一种象熟知的α-β滤波器或α-β-γ滤波器(这取决于跟踪的阶数)那样简单的算法达到卡尔曼滤波器的精度。     

自适应高斯模型与多基地雷达机动目标跟踪

为改善多基地雷达系统对高机动目标的跟踪性能,提出了基于自适应高斯模型和扩展卡尔曼滤波(EKF)的机动目标跟踪算法.将目标加速度的概率密度特性描述为一具有均值和方差的高斯分布,建立了系统的离散状态方程和非线性观测方程进行EKF滤波,并在每个采样周期实现对输入控制信号及过程噪声协方差的更新,使加速度符合目标的实际变化情况.Monte Carlo仿真结果显示,对目标的变加速轨迹,该算法在位置和加速度上的均方根误差均比Singer模型小,且误差曲线平滑,表明了该算法能对机动目标实现准确跟踪.     

基于强跟踪滤波器的纯方位机动目标跟踪算法

针对无源纯方位跟踪中目标机动的问题,提出了一种基于强跟踪滤波器的机动目标跟踪算法.该算法在目标机动跟踪中通过实时调节增益阵,提高了滤波器对状态变化的跟踪能力,避免了修正增益协方差(MGEKF)算法中所寻找的观测量修正函数不准确而引起较大的误差.同时对量测模型非线性问题采用伪量测变换估计器(PLE)予以解决,它具有形式简单,计算量小的优点.最后将该算法与MGEKF算法相比较,Monte Carlo仿真结果验证了提出算法的优越性.     

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.     

无线传感器网络中的分布式目标被动跟踪算法

为提高目标被动跟踪性能,并降低无线传感器网络（WSN）中的能量开销,提出了一种新的分布式信息粒子滤波（IPF）算法。根据目标的当前位置,将WSN中的结点动态组织成簇,建立分布式跟踪结构。利用信息扩展卡尔曼滤波器结合最新的观测量,产生粒子滤波的建议分布,详细推导了基于动态分簇结构的IPF具体实现步骤。建立机动目标跟踪的WSN仿真环境,比较了三种跟踪算法的性能和通信数据量。仿真结果表明,IPF具有较高的跟踪精度,与集中式粒子滤波算法的跟踪性能接近,而且降低了节点间的通信数据量。     

基于线偏差测量的目标运动参数估计方法及仿真研究

建立了遥控制导系统目标运动方程和观测方程,为估计目标运动参数,如目标距离,目标运动速度,目标机动方向等,设计了推广卡尔曼滤波器及针对非线性观测模型和线性动态模型的自适应推广卡尔曼滤波器。进行了数学仿真,结果表明在制导系统中的目标运动参数估计方面,自适应推广卡尔曼滤波器的性能优于推广卡尔曼滤波器。