带多普勒量测的序贯SCKF雷达目标跟踪算法

为提高非线性观测条件下雷达目标的跟踪性能,将序贯处理方法引入均方根容积卡尔曼滤波( SCKF),提出一种带多普勒量测的序贯均方根容积卡尔曼滤波( SSCKF-D)雷达目标跟踪算法,该算法通过建立伪量测去除径向距离和径向速度量测误差方差之间的相关性。基于SCKF算法,按照量测精确度的高低顺序对方位角、俯仰角、径向距离和伪量测序贯处理。 Monte Carlo仿真表明,与SCKF和带多普勒量测的均方根容积卡尔曼滤波( SCKF-D)算法相比,SSCKF-D算法跟踪精度更高,较后者提高20%以上,收敛速度更快,更适用于空间目标跟踪。     

基于高斯-艾肯特滤波的机动目标跟踪算法

针对交互式多模型(IMM)算法切换滤波模型缓慢、跟踪精度低甚至发散的问题,提出了在机动目标跟踪中使用的高斯-艾肯特滤波算法。首先,该算法确定观测模型和滤波模型集,分别构造量测方程组和滤波方程组,形成总体观测矩阵;然后,针对跟踪目标的非合作机动,提出使用卡方检验来检验滤波效果,并通过滤波控制算法实时调整滤波内存长度,使用高斯-艾肯特滤波对机动目标跟踪具有很强的灵活性,实现自适应跟踪;最后,在目标跟踪仿真中与三种改进模型集的卡尔曼滤波IMM算法进行对比验证,对两类算法进行了复杂度分析。仿真结果证明了高斯-艾肯特滤波算法的有效性,在无先验信息条件下拥有更高的跟踪精度。     

基于姿态角辅助非线性滤波算法的机动目标跟踪

基于扩展卡尔曼滤波思想,本文提出了一种融合姿态角信息的非线性滤波算法.通过分析目标二维和三维运动特征与姿态角的关系,以姿态角和速度模值为控制项,建立状态方程和量测方程,对目标的位置状态进行估计,实现了姿态角信息和位置信息的有效融合.姿态角在不同随机噪声条件下的仿真实验结果验证了算法的准确性和实时性.     

一种基于卡尔曼滤波及粒子滤波的目标跟踪算法

针对卡尔曼跟踪算法在非线性非高斯情况下跟踪结果不再准确,以及粒子滤波跟踪算法计算量大难以满足实时性的缺陷,提出了卡尔曼滤波及粒子滤波相结合的算法。利用卡尔曼滤波进行跟踪得到候选目标并计算目标模型与候选模型的匹配程度,若与目标模型匹配度小于一定阈值,则转换跟踪方式利用粒子滤波进行跟踪来修正卡尔曼滤波结果;同时,采用"模板缓冲区法"对目标模型进行更新以保证跟踪的连续性、稳定性及准确性。实验结果表明,这种跟踪算法既发挥了卡尔曼滤波的实时性又保持了粒子滤波的准确性,有较好的跟踪性能。     

均方根容积代价参考粒子滤波算法

为提高复杂噪声的滤波精度,基于均方根容积卡尔曼滤波(SCKF)和代价参考粒子滤波(CRPF),提出一种新的均方根容积代价参考粒子滤波算法(SCCRPF)。算法采用SCKF和最新量测信息更新先验分布函数,生成CRPF的重要密度函数,保留了SCKF对非线性系统的滤波精度,同时获取了CRPF对噪声假设未知系统的滤波精度。仿真结果表明,对于噪声假设未知系统,SCCRPF的滤波精度高于均方根容积粒子滤波(SCPF);对于噪声假设已知系统,SCCRPF的滤波精度高于CRPF。     

机动目标无源跟踪IMM-MKF算法

为提高运动多站对机动目标的无源跟踪性能,提出了一种新的基于交互式多模型-边缘化卡尔曼滤波(IMM-MKF)的机动目标跟踪算法。该算法将交互式多模型(IMM)结构和边缘化卡尔曼滤波(MKF)结合,利用MKF算法对每个模型进行滤波,对滤波结果进行交互作用来得到跟踪结果。以只测角机动目标跟踪为例对所提算法进行仿真分析,仿真结果表明,相对于采用扩展卡尔曼滤波(EKF)、不敏卡尔曼滤波(UKF)及容积卡尔曼滤波(CKF)算法的典型交互式多模型算法,所提算法具有更好的跟踪性能。     

基于自适应扩展卡尔曼滤波的导弹制导信息估计

在机动目标的被动跟踪研究领域,导引头仅能量测到视线角速度或视线角信息,利用仅有的角度测量信息对制导信息进行估计,是导弹实现先进导引律精确命中机动目标的基础。本文针对机动目标的被动跟踪问题,选取"当前"统计模型作为机动目标模型,建立系统状态方程和量测方程,提出一种适应于大机动目标的自适应扩展卡尔曼滤波算法对制导信息进行估计。通过仿真实验可以看出,本文所提出的算法具有较好的滤波效果,对制导信息的估计误差满足系统精度要求。     

网络信息支持下目标“虚拟跟踪”方法研究

针对隐身战斗机作战的电磁隐蔽性需求,提出网络信息支持下的目标“虚拟跟踪”方法.基于虚拟量测转换建立“虚拟跟踪”的状态模型,针对网络信息精度和战斗机状态估计误差,基于量测无偏转换原理对状态模型进行修正.为提高对机动目标“虚拟跟踪”的状态估计精度,设计基于“当前”统计模型的交互式多模型无迹卡尔曼滤波算法进行滤波处理.针对机动目标跟踪下不同误差影响对比进行的仿真表明,“虚拟跟踪”方法能快速获得稳定的目标状态估计,通过提高信息更新频率和战斗机的姿态估计精度,能获得较高精度水平的目标信息.     

网络信息支持下目标“虚拟跟踪”方法研究

针对隐身战斗机作战的电磁隐蔽性需求,提出网络信息支持下的目标"虚拟跟踪"方法。基于虚拟量测转换建立"虚拟跟踪"的状态模型,针对网络信息精度和战斗机状态估计误差,基于量测无偏转换原理对状态模型进行修正。为提高对机动目标"虚拟跟踪"的状态估计精度,设计基于"当前"统计模型的交互式多模型无迹卡尔曼滤波算法进行滤波处理。针对机动目标跟踪下不同误差影响对比进行的仿真表明,"虚拟跟踪"方法能快速获得稳定的目标状态估计,通过提高信息更新频率和战斗机的姿态估计精度,能获得较高精度水平的目标信息。     

结合幅度信息的粒子滤波机动目标被动跟踪

为提高杂波条件下的机动目标被动跟踪的性能,提出了一种新的粒子滤波目标被动跟踪算法。在声纳的输出端,提取信号的幅度信息(AI),建立多模型对转弯机动目标进行状态估计,以粒子滤波算法作为基本跟踪滤波算法,将AI与概率数据关联(PDA)算法中的似然比相结合,详细推导了结合AI的粒子滤波目标被动跟踪算法(PF-AI)实现的具体过程。在同一被动目标跟踪场景,同时使用单纯PDA算法、结合辅助信息的PDA算法和PF-AI进行被动跟踪仿真,分析了轨迹跟踪性能,并使用均方根误差比较了误差性能。仿真结果表明,与两种基于PDA的跟踪算法相比,PF-AI具有更高的跟踪精度,且算法易于实现。     

A novel robust filtering strategy for systems with Non-Gaussian noises

For estimating the states of moving targets in the nonlinear system with non-Gaussian noise, the combination of Gaussian Sum Filter (GSF) and other nonlinear filters has been chosen as the filtering algorithm conventionally. The Smooth Variable Structure Filter (SVSF) is a new predictor-corrector method used for state and parameter estimation, which has good stability and robustness. In this paper we propose a new strategy called the modified GS-EKF-SVSF, which inherits good robustness of Gaussian Sum and Smooth Variable Structure Filter (GS-SVSF) and high accuracy of Gaussian Sum and Extended Kalman Filter (GS-EKF). A nonlinear system with non-Gaussian noise for target tracking is used to test the proposed new strategy. The simulation results demonstrate that our proposed strategy has higher accuracy and better robustness when there are modelling uncertainties existing in the system.     

基于强跟踪五阶容积卡尔曼滤波的眼睛跟踪算法

非侵入式眼睛跟踪在许多基于视觉的人机交互应用中扮演十分重要的角色,但由于眼睛运动的强非线性,如何确保眼睛跟踪过程中对外界干扰的鲁棒性以及跟踪精确度是其应用的关键问题。为提高眼睛跟踪的鲁棒性和精确度,提出强跟踪五阶容积卡尔曼滤波算法(ST-5thCKF),将强跟踪滤波(STF)次优渐消因子引入具有接近最少容积采样点且保持五阶滤波精确度的五阶容积卡尔曼滤波(5thCKF),获取5thCKF对强非线性良好滤波精确度同时具备STF对外界干扰的鲁棒性。真实条件下的实验结果验证了所提算法在眼睛跟踪中的有效性。     

基于加权自适应平方根容积卡尔曼滤波的GPS/INS组合导航方法

针对GPS/INS组合导航系统中,由于量测噪声统计的不确定性导致平方根容积卡尔曼滤波器(SCKF)滤波精度下降甚至发散的问题,该文提出一种基于加权的自适应SCKF(WASCKF)方法。该方法首先利用移动开窗理论对SCKF新息的协方差阵进行最大似然估计,实现对测量噪声统计特性的在线调整;然后,利用加权理论,依据窗口内不同时刻信息的有用程度的不同而设置相应的权值,增强对窗口内有用信息的利用。最后,将WASCKF方法应用于GPS/INS组合导航系统中进行仿真验证,并与SCKF和ASCKF方法进行比较,结果表明,在测量噪声统计存在不确定情况下,该文所提出方法的速度误差和位置误差的均方根均小于SCKF和ASCKF方法,能够有效地提高GPS/INS组合导航系统对量测噪声统计不确定的自适应能力与导航性能。     

基于IMMCKF的机动目标跟踪算法

针对非线性机动目标跟踪中滤波器易发散、跟踪精度低等问题,将容积卡尔曼滤波器(CKF)引入到交互式多模型算法(IMM)中,设计了交互式多模型容积卡尔曼滤波算法(IMMCKF)。该算法采用Markov过程描述多个目标模型间的切换,利用CKF滤波器对每个模型进行滤波,将各滤波器状态输出的概率加权融合作为IMMCKF的输出。仿真结果表明,与IMMUKF算法相比,IMMCKF算法跟踪精度更高,模型切换速度更快,计算量更小,该算法具有重要的工程应用价值。     

混合卡尔曼滤波在外辐射源雷达目标跟踪中的应用

为了提高无迹卡尔曼滤波(UKF)中误差协方差矩阵的估计精度,该文结合外辐射源雷达目标跟踪模型,提出了一种混合卡尔曼滤波(MKF)算法,首先通过UKF对目标状态进行一次后验估计,然后重新建立一个观测方程,把UKF滤波输出的状态估计值转化为新建观测方程的量测值,并通过线性卡尔曼滤波对状态进行二次最优估计。实验结果表明,与扩展卡尔曼滤波(EKF), UKF相比,MKF明显提高了外辐射源雷达目标跟踪的精度。      

一种水下被动目标纯方位跟踪方法

针对水下被动目标跟踪的非高斯噪声环境和弱可观性的特点,提出了将粒子滤波算法应用于水下被动目标跟踪的思路.该算法直接利用传感器获得的含有噪声的角度数据,通过改进极坐标系下的系统方程得到目标状态的后验概率分布,来估计目标的运动状态.仿真结果表明该算法提高了滤波的稳定性,跟踪精度优于扩展卡尔曼滤波算法和无迹卡尔曼滤波算法.     

一种新的基于粒子滤波的多模型跟踪算法

粒子滤波技术通过非参数化的蒙特卡罗模拟方法实现递推贝叶斯滤波,适用于非线性目标运动模型、非线性传感器测量模型和非高斯噪声的目标跟踪。但需已知目标和量测模型,而实际情况往往难以满足此条件。交互多模型算法(IMM)依据各模型对目标前一时刻状态估计的方差,确定各模型在当前时刻状态下存在的概率,利用各模型对目标状态估计的加权和,确定目标的状态。本文采用粒子滤波代替IMM算法中各模型的Kalman滤波,将粒子滤波与IMM的优点相结合。同时,采用UKF(UnscentedKalmanFilter)产生粒子,由于考虑了当前量测,使得粒子的分布更加接近后验概率分布,用较少的粒子就可以逼近目标的真实状态。仿真实验结果表明,本算法可用于标准IMM算法无法实现跟踪的复杂情形,而且使用的粒子数目仅是同类算法的二十分之一。     

基于IMM-UKF的机动目标跟踪方法

针对目标运动模式的不确定性和运动模型的非线性问题,提出基于无味卡尔曼滤波器的交互式多模型方法。该算法采用匀速运动模型、匀加速运动模型、已知转弯角速度的匀速率转弯模型和“当前”统计模型作为模型集,用无味卡尔曼滤波实现非线性状态估计。仿真结果表明,该算法比传统的交互式多模型算法具有更高的跟踪性能。     

非高斯噪声情况下多平台机动目标被动跟踪新方法

针对仅有角度测量信息条件下,被动传感器融合目标跟踪问题,提出了扩维UKF滤波算法;并对经典IMM进行改进提出变维IMM算法,利用不同维数模型之间的交互式融合解决对机动目标的跟踪问题;进一步考虑实际情况中往往存在的测量噪声为非高斯情况,引入自适应滤波方法。最终提出变维交互式多模型自适应抗差扩维无迹滤波方法（VDIMM-AAUKF）,成功实现了被动多传感器在高斯和非高斯噪声情况下对机动目标跟踪。仿真实验结果表明该算法跟踪精度高、稳定性好,具有较好的实际应用价值。     

五阶容积卡尔曼滤波算法及其应用

容积卡尔曼滤波(CKF)是一种新型的非线性滤波方法,可获得优于扩展卡尔曼滤波(EKF)和无迹卡尔曼滤波(UKF)的滤波精度和滤波效率.但是,传统的CKF基于三阶容积准则而提出,因此滤波精度受到限制,为进一步提高CKF滤波性能,文中将容积准则由三阶扩展到五阶,采用两种不同容积点集选择方案,提出一种新型的五阶CKF算法.该算法可有效改善传统CKF在精度方面的理论局限,并有效改善一般五阶CKF计算量大的问题.机动目标跟踪仿真结果表明了新方法的有效性和可行性.