利用粒子滤波的单站无源跟踪研究

通过分析飞行目标的空间运动关系,建立符合飞行目标运动特性的 PVT 三维跟踪模型.因为飞行目标无源跟踪的观测模型的高非线性,并且状态向量维数较高,文章把粒子滤波应用到飞行目标跟踪,并与卡尔曼滤波跟踪结果比较.仿真试验验证了 PVT 模型和 PF 滤波算法跟踪飞行目标的优越性.     

一种基于毫米波/红外复合制导的跟踪滤波算法

信息融合技术是毫米波/红外复合制导的关键技术之一,其中目标跟踪算法的优劣直接决定了系统的性能.针对毫米波与红外复合制导的目标跟踪,首先对毫米波传感器和红外传感器的量测数据进行了融合,并提出了一种改进的跟踪滤波算法.该跟踪算法能根据目标的机动情况实时获得滤波增益,并及时调整滤波方程,从而获得良好的跟踪效果.最后对目标的直线运动和改变航向的直线运动进行了仿真分析.仿真结果表明,与其它滤波算法相比,该算法的跟踪效果良好,跟踪精度较高且计算量少.     

弹道目标被动段跟踪算法研究

围绕弹道导弹被动段跟踪问题,分析了被动段弹道目标的运动方式,在地心固定直角坐标系下建立了被动段弹道导弹运动模型;根据被动段弹道目标高速、高机动、强非线性的运动特点,采用基于"当前统计"模型的UKF滤波算法,实现了对弹道目标被动段的稳定精确跟踪。通过仿真试验,与传统的基于"当前统计"模型的EKF算法相比,该模型和滤波算法提高了对弹道目标的跟踪精度,尤其是对目标的速度和加速度估计,同时降低了对非线性系统跟踪发散的可能性。     

基于异构传感器的飞行目标测量数据融合

在飞行目标的靶场试验中,需要对其进行有效的检测、跟踪和精确地完成位置估计.在分析激光跟踪测量系统和红外搜索与跟踪系统的发展现状、工作原理、发展趋势的基础上,提出一种新的基于激光跟踪测量系统和红外搜索与跟踪系统异构传感器的融合模型,对飞行目标在靶场试验的过程中进行数据融合,从而得到更为精确的飞行位置数据.     

民机空中交通警戒与防撞系统目标跟踪算法

空中交通警戒与防撞系统(TCAS)是航空电子综合环境监视系统的一个重要组成部分,它能有效降低空中飞行器间的碰撞威胁,对于提高飞行安全有着非常重要的意义。TCAS是一种不依赖地面设备的空中交通防撞系统。它能够探测在其领域内装有空中交通管制应答机的飞机,向驾驶员报告潜在的相撞目标。目标跟踪是TCAS的一个重要模块,能提供目标的飞行状态信息,并对目标的未来飞行状态进行预测。对空中目标进行稳定、高精确度的跟踪是目标跟踪模块的重要任务。本文介绍了基于扩展卡尔曼和交互式多模型(IMM-EKF)的目标跟踪算法,实现对目标的精确跟踪。通过仿真验证,证明算法能实现精确的目标跟踪,对防止空中相撞起到了积极作用。     

基于IMM-PF的再入目标数据融合算法与仿真

为了提高弹道再入目标的跟踪精确度,提出了一种基于交互式多模型粒子滤波（IMM-PF）的再入目标数据融合算法。该算法将交互式多模型和粒子滤波相结合,用有限个运动模型来逼近再入目标的运动状态,在对再入目标的运动方程和观测方程离散处理的基础上,采用粒子滤波算法计算各模型的状态估计值和协方差,并采用残差重采样方法克服了粒子权重的退化问题;在粒子滤波过程中,系统不断改善粒子的概率密度函数,不断更新各个模型的概率,从而实现对再入目标跟踪中未知参数的精确估计。通过实例仿真表明：与其他算法相比,该算法的跟踪精确度较高,运行时间较短,算法收敛性较好,适合对再入目标的快速、精确跟踪。     

无源定位对机动目标跟踪研究

通过分析飞行目标的空间运动关系,建立符合飞行目标运动特性的PVT三维跟踪模型。因为飞行目标无源跟踪的观测模型的高非线性,并且状态向量维数较高,文章把粒子滤波应用到飞行目标跟踪,并与卡尔曼滤波跟踪结果比较。仿真试验验证了PVT模型和PF滤波算法跟踪飞行目标的优越性。     

基于线性高斯滤波的反干扰跟踪方法

以往机动目标的跟踪问题大多是针对确定性系统,而对随机跳变系统的研究较少.针对目标随机施放干扰的情况,将线性高斯滤波应用于观测噪声中带有尖头干扰信号的系统中,实现机动目标的反干扰跟踪.其算法是一种基于不同模型问"软切换"的机动目标跟踪方法,用计算的概率权值对这些模型输出进行综合,保证了跟踪精度,大大降低了离散时间结构随机跳变系统最优滤波算法的复杂程度.通过仿真实例可以看出,在观测噪声特性发生剧烈随机跳变的情况下,线性高斯滤波算法对机动目标进行了比较准确的跟踪,其性能显著地优于标准的卡尔曼滤波算法.     

无源定位对机动目标跟踪研究

通过分析飞行目标的空间运动关系,建立符合飞行目标运动特性的PVT三维跟踪模型。因为飞行目标无源跟踪的观测模型的高非线性,并且状态向量维数较高,文章把粒子滤波应用到飞行目标跟踪,并与卡尔曼滤波跟踪结果比较。仿真试验验证了PVT模型和PF滤波算法跟踪飞行目标的优越性。     

基于多基地雷达系统的快速多目标跟踪算法

针对用多基地雷达系统跟踪近距离多高速机动目标的场合,提出了一种快速跟踪算法.该算法首先用观测组合预处理模块和航迹跟踪门大量剔除冗余组合数据,然后用S-D分配算法选择最小代价量测组合,计算航迹初值点,用并行扩展卡尔曼滤波算法估计确定目标的运动状态,并提出将多个目标的滤波进程和S-D分配进程并行化以提高算法的实时性.仿真结果表明,该算法不仅能快速精确地跟踪到多目标运动状态,而且具有很好的收敛特性和稳定性.     

基于交互多模型的低空目标跟踪算法研究

研究了基于交互多模型(IMM)的低空目标跟踪问题。分析了低空目标的运动特征,给出了目标匀速(CV)直线、匀加速(CA)直线、曲线飞行航迹模型。在交互多模型(IMM)算法中,采用多种运动模型跟踪低空目标。在所研究的大机动模型情况下,通过多次数据处理优化参数后,统计分析结果表明,该算法滤波后数据误差明显降低,数据精度有较大的提高,能够稳定精确地跟踪低空目标。因此,该低空目标跟踪算法是有效的。     

自由空间激光通信中APT粗跟踪研究

自由空间激光通信APT(Acquisition,Pointing and Tracking)系统主要由粗跟踪系统和精跟踪系统组成,粗跟踪系统主要是完成对目标信号的捕获,以确保入射的信标光在精跟踪控制系统的动态范围内.介绍了粒子滤波在APT粗跟踪系统中的应用,针对粒子滤波在跟踪算法中存在的问题进行了改进,设计了颜色和轮廓双重信息融合的似然模型;为提高目标跟踪算法在异常情况下的有效性,采用了异常检测和恢复策略,并设计了跟踪光斑目标的模拟系统.实验表明:所提出的多信息融合的似然模型跟踪算法在目标尺度变化、背景干扰、姿态变化、部分遮档等环境下均能稳定地跟踪目标,提高了大气激光通信链路的可靠性.     

复合K噪声下机动目标跟踪自适应UPF算法

针对复合K噪声下机动目标跟踪系统具有强非线性非高斯的特点,提出了一种自适应无迹粒子滤波(Adaptive Unscented Particle Filter,AUPF)算法.该算法建立在常加速模型及其改进滤波算法基础上,并将无迹卡尔曼滤波(Unscented Kalman Filter,UKF)与强跟踪滤波(Strong Tracking Filter,STF)算法相结合作为提议分布,提高了系统跟踪一般机动和阶跃机动的能力.在给出复合K噪声模型的基础上,利用AUPF算法对几种典型机动目标进行了计算机仿真,并同无迹粒子滤波(Unscented Particle Filter,UPF)算法进行了比较.仿真结果表明,复合K噪声下AUPF算法能更有效地对各种机动目标进行跟踪,具有较高的跟踪精度.     

ECEF坐标系弹道导弹跟踪研究

针对单模型跟踪算法无法实现对弹道导弹连续精确跟踪的问题,提出了一种地心地固坐标系下弹道导弹全阶段连续跟踪的交互式多模型(IMM)算法。根据导弹不同飞行阶段的受力情况建立IMM算法的两个滤波模型集:助推段采用恒轴向力模型,中段、再入段采用被动段跟踪模型,两个模型都利用滤波精度高、数值稳定性较好的求容积卡尔曼滤波算法进行滤波。针对该IMM算法在混合估计过程中引入偏差的问题,采用无偏混合的方法,以两种典型的跟踪场景进行仿真校验,实验结果验证了该文算法的优越性。     

基于U-S滤波的自寻的导弹导航与跟踪法

为了解决自寻的导弹出现的误跟、诱饵欺骗与杂波虚警等一系列问题,提出一种基于UKF-SOFFN滤波跟踪算法,将机动目标模型视作严格的非线性系统,利用UKF-SOFFN对非线性参数的辨识能力提高对锁定机动目标的跟踪能力。仿真实例表明,该算法能获得最准确的目标机动模型,利用量测信息实时地分辨模型的参数,有效地辨识目标群中的目标,并实施可靠的跟踪,进而对导弹进行导航控制。     

基于交互式多模型的机动目标跟踪算法

在军事和民用航空领域，可靠而精确地跟踪目标始终是目标跟踪系统设计的关键。但当目标处于强机动多模型的运动情况下时，在对目标进行状态估计时，单独采用一个模型会受到模型自身局限性的影响使得滤波精度不高，于是有必要采用多个模型描述机动目标的运动状态。基于此，采用交互式多模型滤波算法对目标进行跟踪。仿真结果表明，该算法对机动目标有很好的跟踪效果和较高的跟踪精度。     

一种基于Runge-Kutta积分的UKF跟踪算法

非线性滤波问题通常会面临过程方程和量测方程的双重非线性,利用传统的滤波算法进行处理时,离散化和线性化过程是导致滤波性能降低的根本原因.提出了一种基于Runge-Kutta积分的不敏Kalman滤波(UKF)算法,该算法能够直观、方便地对运动模型为连续非线性常微分方程组的跟踪问题进行处理,避免了复杂的Jacobi矩阵运算和离散化过程,使预测模型更加精确.以弹道目标跟踪为例进行了仿真实验,通过与传统UKF算法和扩展Kalman滤波(EKF)算法比较,结果表明该算法具有更好的性能.     

多层深度特征的目标跟踪算法研究

现有的目标跟踪算法大多采用传统的手工特征或神经网络的某一层特征描述目标的外观,不利于跟踪,文中提出一种基于多层深度特征的自适应更新目标跟踪算法。采用经过预训练的深层卷积神经网络分别提取低层和高层信息用以描述目标的空间特征和语义特征,通过对两层特征信息的学习得到两个滤波模板,对应求得两个滤波响应,这两个滤波响应以不同的权重决定最后的跟踪结果。算法中还设计了对目标外观模型和滤波模板的自适应更新方案,能更好地适应目标的外观变化以及遮挡问题。采用多层深度特征描述目标外观,并且利用提取的特征训练两个滤波模板,求滤波响应时采用核相关的方法,增强了跟踪结果的准确性并加快了跟踪的速度。实验结果表明,所提算法与现有跟踪算法相比,可以更好地应对多种挑战因素,跟踪速度也完全能满足实时跟踪任务的需求。     

基于深度学习和相关滤波的飞机跟踪方法

针对飞行员的飞行训练任务进行了飞机的稳定跟踪。为了解决远距离下飞机目标小、天气环境复杂、飞鸟干扰等问题,提出了一种基于深度学习和相关滤波的飞机跟踪测量方法。首先选取骨干网络并建立深度学习的算法模型,接着利用大量飞机图像得到用于实际场景的参考模型,再将模型检测到的特征与相关滤波结合,从而达到飞机的稳定跟踪效果并生成目标脱靶量。然后根据跟踪和脱靶量信息,开启激光器并利用激光测距原理来测量飞机的实时距离。最后进行基于光电经纬仪的飞机捕获与跟踪实验,以验证模型和算法的有效性和可行性。实验结果表明,通过深度学习和相关滤波获得的目标信息可以用于远距离飞机的捕获与跟踪,成功地消除了复杂环境和飞鸟的干扰,实现了飞机的稳定跟踪。     

基于IMM-SCKF-STF的机动目标跟踪算法

在处理非线性机动目标跟踪问题时,传统的非线性滤波估计算法跟踪误差大且容易引起滤波发散.针对上述问题,研究将强跟踪平方根容积卡尔曼滤波(SCKF-STF)和交互多模型(IMM)算法相结合,提出一种新型的交互多模型强跟踪平方根容积卡尔曼滤波(IMM-SCKF-STF)跟踪算法.该算法在SCKF基础上引入强跟踪渐消因子,使其不仅拥有应对机动目标状态突变的强跟踪能力,同时还具备交互多模型算法的优良机动目标跟踪性能.因此,新算法在机动目标跟踪方面将获得更高的非线性滤波估计精度,且算法的稳定性和应对状态突变的跟踪鲁棒性能获得显著提高.最后,通过两个仿真例子验证了此算法的有效性与优越性.