共查询到20条相似文献,搜索用时 203 毫秒
1.
2.
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。 相似文献
3.
4.
5.
6.
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。 相似文献
7.
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。 相似文献
8.
李璐 《中国电子科学研究院学报》2005,(4):25-28
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。 相似文献
9.
雷达机动目标跟踪的卡尔曼粒子滤波算法 总被引:1,自引:0,他引:1
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。 相似文献
10.
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. 相似文献
11.
12.
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. 相似文献
13.
14.
15.
16.
17.
18.
19.
基于自适应无迹粒子滤波的目标跟踪算法 总被引:5,自引:5,他引:0
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。 相似文献
20.
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. 相似文献