神经网络校正的EKF在高超声速目标跟踪中的应用

针对临近空间高超声速目标高度非线性、强耦合、高机动、时变参数、和独特气动特性等特点,综合运用军事运筹学理论与方法、系统建模技术、神经网络技术以及计算机仿真等,提出基于神经网络校正的扩展卡尔曼滤波(EKF)算法,并在高超声速目标跟踪中进行了应用研究。采取神经网络的学习能力来克服卡尔曼滤波发散问题,通过卡尔曼滤波后加一级误差处理环节使滤波收敛。仿真结果表明:该算法在目标发生较大机动时仍能保持较高的跟踪精度。     

基于粗神经网络的并行自适应滤波算法

讨论了机动目标跟踪问题，针对机动目标并行自适应滤波特点，结合粗神经网络特有的同一神经元可以双输入的特点，利用全状态反馈，提出了基于“当前”统计模型的粗神经网络并行自适应滤波算法，仿真表明该算法对机动目标具有较强的跟踪能力。     

扇形扫描的TWS雷达目标方位角对距离估计误差的影响

针对雷达天线在一定的扇扫范围内往复运动时,同一目标的相领点迹之间采样间隔的变化规律,提出了扇形扫描TWS雷达目标跟踪和航迹管理系统中,目标出现时间的滤波和预测方程,进而推导出极坐标系下的α-β滤波的滤波方程和外推方程,对扇形扫描条件下的矩形跟踪门进行了误差分析,指出跟踪误差受目标所处方位角的影响,并定量分析了这种情况下跟踪误差的补偿方法,根据滤波增益与跟踪误差的关系,确定了α-β滤波在扇形扫描情况下滤波增益的计算方法,仿真结果表明,该方法能够在扇形扫描情况下有效减小距离估计误差。     

基于相关滤波和卷积神经网络的目标跟踪算法

在目标跟踪系统中,获得目标的良好表征是确定目标跟踪性能的关键,因此提出一种基于相关滤波和卷积神经网络的目标跟踪算法;该算法首先在各视频场景内预先选定可清晰区分目标外观的参考区域块用以构造训练样本,并构建了两路不完全对称但权值共享的卷积神经网络;该卷积神经网络使得参考区域外目标的输出特征尽可能与参考区域内目标的输出特征相似,以便于获得参考区域内目标的良好表征,并在其中一路加入了相关滤波模块,实现了卷积网络与相关滤波的结合;实验结果验证了该算法的可行性。     

基于小波神经网络的船舶导航雷达航迹相关外推方法

采用小波神经网络实现船舶导航雷达跟踪的航迹相关外推,本算法采用神经网络的并行处理方式,结合小波分解理论中局部Ｌｉｐｓｃｈｉｔｚ指数信息,实现雷达的高精度在线相关跟踪滤波。仿真结果表明,该算法的计算量不随目标运动模型复杂性增加而增加,并且具有在线处理精度高、实时检测误跟踪准确等特点。     

基于UKF的机动目标跟踪处理方法

提出了基于UKF的机动目标跟踪处理方法,能有效抑制动力学模型非线性和观测模型非线性带来的模型误差。和传统EKF滤波方法相比,该方法不仅避免了截断误差造成的滤波发散,而且避免了求解雅克比矩阵,简化计算流程,可以模块化处理,非常适合工程实现。仿真实验表明,当目标呈现明显非线性特征并且大机动运动时,该方法可以有效确定目标轨迹,实现高精度目标跟踪。     

结合高斯核函数的卷积神经网络跟踪算法

针对视觉跟踪中运动目标鲁棒性跟踪问题,结合高斯核函数和卷积神经网络(CNN),提出一种无需训练的卷积神经网络提取深度特征的视觉跟踪算法.首先,对初始图像进行归一化处理并聚类提取目标信息,结合跟踪过程中目标信息共同作为卷积网络结构中的各阶滤波器;其次,通过高斯核函数来提高卷积运算速度,提取目标简单抽象特征;最后,通过叠加简单层的卷积结果得到目标的深层次表达,并结合粒子滤波跟踪框架实现跟踪.结果表明:简化后的卷积网络结构能够有效地应对低分辨率、目标遮挡与形变等场景,提高复杂背景下的跟踪效率.     

基于平方根UKF的水下纯方位目标跟踪

为了避免被动跟踪中非线性性带来的计算复杂化及跟踪精度的下降,该文将平方根无迹卡尔曼滤波(SR-UKF)算法应用到水下仅测角目标跟踪.利用协方差平方根代替协方差参加递推运算,解决了标准无迹卡尔曼滤波(UKF)算法中由于计算误差和噪声等因素有可能引起误差协方差矩阵负定而导致滤波结果发散的问题,保证了滤波算法的数值稳定性,提高了跟踪的精度和可靠性.仿真结果表明,SR-UKF非线性滤波算法应用于水下仅测角目标跟踪系统是有效的,而且滤波精度、稳定性和收敛时间明显优于扩展卡尔曼滤波(EKF)和标准UKF算法.     

基于递推估计和上下文更新的鲁棒单目标跟踪方法

针对杂乱背景和光照变化等容易使目标跟踪产生漂移的问题,提出一种基于递推估计和上下文更新的鲁棒目标跟踪方法,该方法是颜色粒子滤波目标跟踪的有效扩展.通过建立颜色粒子滤波跟踪的通用框架,利用上下文信息分配目标外观变化的置信度,在重采样阶段,采用递推估计从其外观相似度分数计算的权重选择粒子,并初始化异常粒子.形变和光照变化的视频测试表明,该方法可以克服光照变化和背景的影响,递推估计可以处理偏离整体估计的异常粒子.相比于标准颜色粒子滤波、粒子随机搜索法等方法,该方法在跟踪框中心误差和平均重叠方面均优于其他方法,在鲁棒性和准确性方面具有明显优势.     

多特征融合的无人船视觉目标跟踪

针对海面光照变化、水花遮挡、水面倒影等耦合作用引起的无人船视觉目标跟踪漂移问题，提出一种基于多特征融合的尺度自适应相关滤波跟踪算法。通过多特征融合，增强了水面目标特征表达，避免了目标跟踪漂移。为减少环境干扰对跟踪目标外观描述的影响，设计尺度自适应跟踪滤波器，提升目标跟踪鲁棒性能。采用本文算法对多个代表性海上视频数据集进行验证，并与典型目标跟踪算法进行比较。结果表明，相较基于单一CN特征的跟踪算法，本文算法的平均重叠率提升23.63%、平均中心误差减少53.79个像素点。本文算法适用于处理由于海面环境剧烈变化、目标尺度变化导致的跟踪漂移问题，可为无人船作业自主性提供重要智能感知技术支持。     

基于UPF的红外机动目标跟踪算法

利用红外探测器对目标红外辐射的响应信息进行处理,使得红外搜索与跟踪(Infrared Search and Tracking,IRST)系统成为一个距离可观测系统,建立了目标的观测模型,推导出机动目标跟踪的不敏粒子滤波(Unscented Particle Filter,UPF)跟踪算法.通过跟踪一个高机动目标的仿真过程,对算法性能进行验证,并与扩展卡尔曼滤波(Extended Kalman Filter,EKF)跟踪算法进行比较.仿真结果表明:UPF算法的跟踪误差比EKF算法的跟踪误差小300 m左右,鲁棒性好,同时经过高机动周期后,UPF的收敛速度比EKF快.     

目标跟踪滤波性能的评价准则

针对单目标跟踪滤波性能评价标准,分析研究均方根误差、误差适配百分比、和方根误差、带有理论边界的状态误差、带有理论边界的新息序列、归一化估计误差平方和具有理论边界的归一化信息平方.针对多目标跟踪滤波性能评价标准,分析研究圆丢失概率、Hausdorff距离、Was-serstein距离和最优子模型分配距离.并讨论跟踪滤波算法时间复杂度的度量方法.     

输入受限下机器人关节神经网络自适应控制

针对机器人关节控制输入受限以及动力学模型中存在非线性摩擦、柔性变形和未知外部干扰力矩等问题,提出了一种基于径向基函数（radial basis function, RBF）神经网络的输入饱和指令滤波自适应控制方法。基于指令滤波反步法,采用饱和函数约束控制输入的幅值,使用RBF神经网络在线逼近未知干扰,并利用Lyapunov稳定性理论证明了闭环系统的所有误差最终一致有界。仿真结果表明,控制算法不仅使系统的控制输入幅值被严格约束在规定的范围之内,完成了对目标轨迹的高精度跟踪（跟踪误差约为±0.003 rad）,而且还可抵抗外部阶跃干扰力矩和建模误差对控制系统的不良影响,保证系统的高精度与强鲁棒性,性能优于PID (propotional integral derivative)控制和普通指令滤波反步控制（command filter backstepping control, CFBC）,对机器人关节在高精度领域应用与智能控制具有重要价值。     

不确定非仿射非线性时滞系统的神经网络自适应控制

针对一类不确定非仿射非线性时滞系统,提出了一种神经网络的自适应控制器.利用隐函数定理、泰勒展开式和中值定理,把非仿射非线性时滞系统转化为仿射非线性时滞系统,同时利用神经网络可逼近任意非线性函数的能力,结合误差滤波理论及Young不等式处理时滞项.根据Lyapunov理论,在一定的条件下,给出了系统稳定的充分条件,并给予证明.该控制器保证了跟踪误差收敛,从而说明了该控制器的有效性.     

基于改进遗传粒子滤波的纯方位机动目标跟踪

采用传统遗传粒子滤波算法解决纯方位机动目标跟踪时,由于进化过程中大权值父粒子产生新生代粒子的变异方式比较单一,会导致目标在机动时跟踪误差较大和收敛时间长的问题。为解决该问题,提出一种在进化时调整新生代粒子的分布方式及变异幅度的改进遗传粒子滤波算法,以扩大粒子分布范围、多样化变异幅度并提高粒子接近机动目标真实运动状态的可能性。经仿真实验验证,本文的改进遗传粒子滤波算法能有效提升纯方位机动目标跟踪的收敛速度,减小跟踪误差,提升系统的估计性能。     

基于多模型GGIW-CPHD滤波的群目标跟踪算法

针对伽马高斯逆威夏特-概率假设密度(GGIW-CPHD)滤波算法跟踪机动群目标误差较大的问题,提出基于最适高斯近似(BFG)和强跟踪的多模型GGIW-CPHD滤波的群跟踪算法.首先,在对群目标量测分割的基础上,采用BFG方法实现CPHD预测阶段的多模型融合.其次,利用强跟踪滤波(STF)中的渐消因子来修正GGIW分量的预测协方差矩阵.最后,在CPHD更新阶段完成群质心和扩展状态估计的基础上,利用多个模型对应的似然函数完成模型概率的更新.实验结果表明:所提算法能够在GGIW-CPHD框架下实现多个模型的交互,有效降低机动阶段时群目标的状态估计误差,并能有效处理群目标的合并和衍生情况.     

闪烁噪声下目标跟踪的容积粒子滤波算法

针对闪烁噪声下非线性非高斯系统的目标跟踪问题,首先建立了闪烁噪声的数学模型;然后分析了传统粒子滤波算法的优劣点,在此基础上,引入容积卡尔曼滤波算法,重新设计粒子滤波的重要性密度函数,提出用容积粒子滤波算法来跟踪目标。最后进行了仿真分析与对比。仿真结果表明,闪烁噪声条件下,容积粒子滤波算法的跟踪误差分别是传统粒子滤波算法和无迹粒子滤波算法的1/5和1/2,有更高的跟踪精度;而运行时间仅是无迹粒子滤波算法的1/2,且跟踪稳定性更好。     

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%。     

基于MVEKF算法的单站无源定位与跟踪方法研究

在对空中运动目标的单站无源定位问题中,建立了基于多普勒频率变化率的定位与跟踪模型．依据运动学原理,提取目标与观测站的相对信息,概念清晰直观,其定位速度和定位精度都比传统定位方法高．针对EKF方法受滤波初值影响大、易发散的缺点,采用修正协方差的扩展卡尔曼滤波算法（MVEKF）对初始估计值进行滤波处理,既能快速精确地对目标定位跟踪,又可以避免误差较大的初始估计值对滤波结果的不利影响．通过计算机仿真,结果验证了该方法的稳定性和有效性．     

一种精确跟踪目标的非线性滤波算法

论文分析了当目标距离或雷达极角量测误差超过一定限度时,扩展卡尔曼滤波器跟踪精度迅速下降和原因,并在精确计算线性化误差及实际量测误差的基础上提出一种补偿线性化误差的跟踪滤波算法（PTLKF）。计算机仿真结果表明,论文提出的算法有效地减小了线性化误差的影响,滤波器跟踪精度得到较大提高。