一种新的机动目标跟踪滤波的模型方法

本文提出了一种新的机动目标跟踪滤波的模型方法。它将目标的机动加速度作为一状态变量引入模型而直接进行估计,并通过卡尔曼滤波器的残差来检测目标机动与否。一旦检测出目标机动,马上重新启动卡尔曼滤波器以适应机动加速度的跳变。新的自适应滤波方法在这种情况下实现了最佳滤波。计算机仿真结果表明,在计算量远少于Moose方法计算量的情况下,本文方法的滤波精度与Moose方法的滤波精度相当。     

一种跟踪机动目标的改进型卡尔曼滤波器

本文提出了一种新的跟踪机动目标的自适应卡尔曼滤波器。它通过判断观测残差是否出现偏值来检测目标的机动性,未检测出机动时,按机动加速度指令为零、包含相关加速度作状态变量的一般卡尔曼滤波器工作,检测出机动的同时对机动加速度指令进行阻尼式最小二乘方估计,并以此估值修正状态预测值及其误差协方差。由于相应目标有无机动的不同状况,滤波器的状态预测值和增益都能自适应地修正和调整,从而滤波器对目标机动性有较好的响应,也基本保持良好的稳态精度。计算机仿真结果表明:其滤波精度稍优于Moose等提出的复杂滤波器组的精度,而计算量仅为其3.6分之一。     

遗传算法的模糊Kalman滤波用于机动目标跟踪

针对卡尔曼滤波器对机动目标跟踪效果不佳的缺点，提出基于遗传算法的模糊卡尔曼滤波器（GA-based FKF）。它将未知的机动加速度看作附加过程噪声，全部过程噪声的时变方差用模糊系统来估计，并用遗传算法对模糊系统进行优化。最后将该算法与交互多模型方法通过仿真进行了比较。仿真结果表明GA-basedFKF提高了跟踪性能，减小了计算量，是有效可行的。     

自适应混合多模算法在机动目标跟踪中的应用

本文介绍了用于机动目标跟踪的自适应混合多模算法。这个算法不需要预先定义模型。它利用一个二级卡尔曼滤波器来估计目标的加速度。这个加速度被用于混合多模算法中具有不同确定性加速度的子滤波器中。文中给出了自适应混合多模算法的一个计算机模拟结果并与无自适应混合多模算法的结果进行了比较。     

探测、跟踪与侦察

Y2000-62000-737 0009979目标跟踪(含7篇文章)=Target Tracking[会,英]//1998 37th IEEE Conference on Decision and Control.Vol.1 of 4.—737～765(NiG)本部分收录7篇论文。内容包括采用自适应卡尔曼滤波器的机动目标跟踪,杂波中跟踪机动目标的马尔可夫链蒙特卡洛方法,具有导航不确定性的多目标跟踪,跟踪小目标采用随机采样数据的数据融合,参数和状态估计。     

自适应SCKF在机动目标跟踪中的应用

目标跟踪系统的数学模型或统计特性的不确定性,往往会导致机动目标跟踪精度降低甚至跟踪发散。在综合平方根求容积卡尔曼滤波算法和改进的Sage-Husa估计器的基础上,提出一种自适应求容积平方根卡尔曼滤波算法。该算法通过实时估计未知系统噪声,抑制由于噪声统计特性未知时变而导致的滤波误差,从而实现机动目标的自适应跟踪。仿真结果表明,在系统噪声未知时变,且与先验系统噪声存在一定差异时,自适应平方根求容积卡尔曼滤波器能有效地改进标准平方根求容积卡尔曼滤波器的跟踪精度和跟踪稳定性。     

机动中心坐标系中的目标跟踪

飞机目标一般沿着圆周路径作机动飞行,因而出现了以圆周运动为基础的跟踪滤波器。本文介绍一种新型坐标系,从而可用一个简单的卡尔曼滤波器跟踪作圆周机动的目标。这种新型坐标系是一个定位于机动中心的极坐标系,导出了以斜距、角度和角速度为状态矢量的跟踪滤波器。与当目标作圆周转弯时以恒定的 x-y 加速度为基础的跟踪方法相比,该算法确使性能得到提高。     

机动目标跟踪领域的数据滤波技术应用

在机动目标跟踪数据处理过程中，由于飞点或目标机动造成的状态突变，常常导致卡尔曼滤波器发散，从而恶化跟踪效果，本文针时异常值的特点分为飞点和突变值两类分别处理，通过预处理和强跟踪卡尔曼滤波器使时机动目标跟踪达到较好的效果。     

雷达机动目标跟踪的卡尔曼粒子滤波算法

为解决不敏粒子滤波算法对雷达机动目标跟踪实时性差和跟踪起始阶段收敛慢的问题,引入卡尔曼粒子滤波算法。通过坐标转换将实际的极坐标雷达观测数据转换为直角坐标数据,然后用线性最优的卡尔曼滤波器估计粒子状态先验概率密度,最后用非线性最优的粒子滤波器精确估计目标状态后验概率。仿真实验表明,与不敏粒子滤波相比,卡尔曼粒子滤波以牺牲较少精度(减少约6%)的代价,实现机动目标跟踪的实时性(约为前者的1/5),起始阶段收敛性更好。     

基于增量学习神经模糊网络的机动目标跟踪

本文提出了基于增量学习神经模糊网络机动目标跟踪模型.当被跟踪目标发生机动时,该模型立刻检测到机动并对卡尔曼滤波器的自适应系统协方差进行精确估计,系统得到及时、正确的补偿.增量学习神经模糊网络能够随着环境变化,自动调整、找到最优的网络结构及参数,当发生机动时,总是能产生接近真实机动值的估计输出,从而提高跟踪性能及避免错误跟踪.仿真结果表明,该模型比传统的机动目标跟踪模型有更好的跟踪性能,并且该模型能动态的适应环境的变化,使系统更加实时,精确的跟踪机动目标.     

三状态样条Kalman滤波与目标机动检测

基于样条方法和Kalman滤波理论，给出了一种新的三状态样条Kalman滤波方法及对目标进行机动检测的方法。该滤波方法用样条函数建立目标运动模型，应用Kalman滤波进行状态估计；该机动检测方法通过检测滤波新息来对目标机动发生或消除进行判断。由于考虑了加速度的实时估计，该滤波方法尤其适用于对弹道式目标的机动跟踪。仿真计算与实测数据计算表明：该滤波具有较高的精度；该机动检测方法具有较高的检测效率。     

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.     

基于容积卡尔曼滤波的自适应IMM算法

在目标跟踪中,针对无迹卡尔曼滤波在高维状态下容易出现滤波精度下降甚至发散的问题,提出了一种自适应交互式多模型容积卡尔曼滤波算法。首先,将容积卡尔曼滤波引入到交互式多模型算法中,提高了算法在高维非线性情况下的滤波精度。然后,结合马尔科夫参数自适应思想,在模型概率更新阶段,利用后验信息修正马尔科夫概率转移矩阵,增大匹配模型的转移概率,进一步提高模型之间的切换速度。最后,在目标跟踪仿真中利用"当前"统计模型对算法进行验证,实验结果证明了算法的有效性。     

基于机动检测的参数自适应跟踪算法

在机动目标跟踪中,传统当前统计模型卡尔曼滤波算法对弱/无机动目标跟踪精度不高,对突发机动跟踪精度显著下降,且跟踪性能受限于先验参数.针对上述问题,本文提出一种基于机动检测的参数自适应机动目标跟踪算法,算法利用新息的概率分布特性构建双阈值检测门限,依据检测结果进行参数自适应调整.首先,利用加速度预测误差方差信息,自适应调...     

无迹卡尔曼滤波算法在目标跟踪中的研究

无迹卡尔曼滤波(UKF)是重要的非线性滤波方法。无迹卡尔曼滤波方法是通过一组代表着均值和方差分布的采样点来对非线性系统进行非线性计算,在不对非线性方程线性近似的条件下,达到线性卡尔曼滤波器的滤波性能。文中在机动目标选定运动模型和滤波算法的基础上,对机动目标的运动作了仿真实验。从仿真分析中可以看出,无迹卡尔曼滤波在跟踪方面有很高的精度,与传统的扩展卡尔曼滤波算法相比较,无迹卡尔曼滤波算法有较小的跟踪误差。     

一种改进的α-β滤波算法

针对传统α-β滤波算法不够有效跟踪机动目标的问题,详细分析了其内在原因,提出一种改进的α-β滤波算法.该算法不需要假定目标的机动模型,而是将目标的机动加速度作为滤波状态直接估计出来,将估计加速度作为输入控制量引入到传统α-β滤波器的状态估计方程中进行机动目标的跟踪.然后将它与传统α-β滤波算法进行比较,证明了新的算法不仅具有传统算法计算量小的优点,而且还可以对机动目标进行实时跟踪.仿真结果表明,新算法在综合性能上明显优于传统算法.     

基于Box粒子滤波的参数自适应机动目标跟踪

针对机动目标跟踪加速度的不确定性,引入一种新的参数自适应算法,采用粒子滤波及高斯核密度估计技术,估计目标机动参数,实现对任意机动目标的跟踪。在此基础上,考虑到粒子滤波计算代价较高的问题,进一步引入区间分析技术,采用Box粒子代替传统的粒子,以提高算法的计算效率。实验结果表明,提出的算法能够有效地跟踪任意机动目标,且运算时间明显低于传统的参数自适应算法。     

适用于攻击机动目标的制导律实现与仿真

为了使导弹在较短的末制导时间内获得很小的脱靶量,同时对机动过载的需求满足导弹实际过载能力,研究了适用于攻击蛇形机动目标的最优制导律和蛇形机动补偿制导律,并分析了具体实现方法,设计目标状态估计器,建立导引回路数学模型.仿真验证了测量越精确,可知信息越多,估计性能就越好;最后研究了导弹过载限制、测量误差、目标状态估计精度及制导律的选择等因素对制导精度的影响.     

基于自适应无迹粒子滤波的目标跟踪算法

为解决复杂场景中目标跟踪问题,提出了一种噪声未知情况下的自适应无迹粒子滤波(A-UPF)算法。算法采用改进的Sage-Husa估计器对系统未知噪声的统计特性进行实时估计和修正,并与无迹Kalman粒子滤波器相结合产生优选的建议分布函数,降低系统估计误差的同时有效提升了系统的抗噪声能力。实验结果表明,本文方法对于复杂条件下的目标跟踪问题具有较高的精度和较强的鲁棒性。     

基于Adams预估校正的UKF跟踪外推算法

不敏Kalman滤波(UKF)算法可以广泛用于各种目标运动的非线性估计中,传统的UKF滤波算法对于时间更新(即一步预测),一般采用对目标运动方程进行离散化或线性化处理,其结果不可避免地产生离散化误差,当目标运动非线性较强时,会导致跟踪误差增大,甚至无法给出正确的预测结果.文中提出的基于阿当姆斯(Adams)预估校正的UKF算法(即Admas-UKF),很好地解决了弹道目标过顶点的跟踪外推问题,仿真结果显示,与传统的UKF算法相比,此算法提高了跟踪外推精度,而计算时间远少于龙格库塔不敏Kalman滤波(Runge_Kutta-UKF)算法.