多传感器滤波跟踪型数据融合算法研究

针对非线性观测的目标跟踪问题，对滤波跟踪型数据融合进行了研究，提出了基于去偏转换测量值卡尔曼滤波算法的非线性系统中的数据融合算法．从仿真结果可以看出，集中式融合算法和分布式融合算法的差别并不大，结果基本相同．因此，在非线性系统中，基于去偏转换测量值卡尔曼滤波算法的分布式融合算法可以重构集中式融合算法．     

基于交互式多模型的水下机动目标跟踪

为了解决水下机动目标跟踪的实时性和可靠性问题,在交互式多模型(IMM)的框架下对水下机动目标跟踪进行了分析,建立了目标运动方程和观测方程。交互式多模型滤波算法的选择直接影响到跟踪的精度,在跟踪滤波方面,针对交互式多模型滤波过程中观测方程非线性对滤波性能的影响,分别将扩展卡尔曼滤波(EKF)和无迹卡尔曼滤波(UKF)2种滤波算法与交互式多模型算法相结合。仿真结果表明,交互式多模型算法与UKF算法结合的滤波精度更高,能够更有效、可靠地达到跟踪机动目标的目的。     

不完全量测下基于信息一致性的分布式容积卡尔曼滤波算法

针对不完全量测条件下分布式火控系统中的非线性目标跟踪问题,为提高跟踪系统的估计精度并保证各探测单元估计结果的一致性,提出一种基于信息一致性的分布式容积卡尔曼滤波(ICDCKF)算法。针对非线性系统,给出不完全量测下的改进容积卡尔曼滤波。考虑到各探测单元间局部估计信息的相关性,该算法首次将协方差交叉方法应用于非线性一致性滤波算法,提高互协方差未知情形下分布式融合的估计精度。特别地,为确保算法的可行性,给出不完全量测情形下,ICDCKF算法估计结果收敛的条件,并从理论上严格证明在该条件下ICDCKF算法可以保证估计方差的有界性。ICDCKF算法应用于一类光电跟踪网络,与现有CKFI算法、CKF_CI算法、KCF_ Me算法对比分析表明：ICDCKF算法在保证各探测单元估计结果一致性的同时,大幅度提高了跟踪系统的估计精度。     

方差模糊自适应卡尔曼滤波及其应用

卡尔曼滤波用于高机动目标跟踪随滤波时间的增大,滤波方差及增益对目标机动噪声的适应性差,滤波误差较大.文中研究了一种方差模糊自适应卡尔曼滤波技术,根据滤波新息幅值大小直接调解滤波方差,强化了滤波算法对目标机动噪声的适应能力.仿真结果表明,改进的算法稳定性高,精度得到明显改善,用于高机动目标跟踪拦截系统效果较好.     

一种基于IMM-PF的MMW/TV复合制导UCAV火力解算融合跟踪算法

针对目标融合跟踪算法在解算时,假定测量噪声为高斯白噪声与实际测量为"闪烁噪声"不相符的情况,提出一种交互式多模型粒子滤波的毫米波/电视复合制导无人攻击机火力解算融合跟踪算法,该算法适用于非线性、非高斯条件下、多传感器信息融合跟踪;可在有干扰的情况下,通过模型转换,实现模型的匹配,有效跟踪机动目标。通过数字仿真,验证了该算法具有较强的目标机动自适应能力,对提高MMW/TV复合制导UCAV的攻击效果有重要意义。     

一种提高雷达导引头对机动目标跟踪性能的自适应滤波算法

为了提高地空拦截弹雷达导引头对机动目标状态估计的精度,在增加系统观测量的基础上,提出了一种针对机动目标跟踪的自适应滤波算法。利用量测残差统计值估计目标的机动状态,自适应的调整状态方程机动频率和加速度极限值;同时利用观测噪声统计估值器,调整观测值方差大小。仿真试验结果表明该算法具有良好的机动目标跟踪性能,并能自适应变化较大的观测噪声。     

目标跟踪中两种非线性滤波算法的对比研究

在处理目标跟踪等动态系统实时估计问题中,通常采用EKF作为状态估计方法提高估计精度.由于EKF进行非线性估计存在一些缺陷,将系统进行线性化近似存在估计误差,从而影响目标跟踪的精度.为了获得更高的估计精度,介绍了两种新的非线性滤波算法,即unscented卡尔曼滤波算法和粒子滤波算法.分析了UKF和PF算法的原理和算法实现,对两种算法的适应性进行了比较.通过目标跟踪仿真实验,表明粒子滤波算法估计精度比UKF算法高,但是计算量却相对较大.     

一种用于仅有位置观测信息的机动目标跟踪滤波算法

在机动目标跟踪研究领域,"当前"统计模型自适应跟踪算法(ATS)在仅有位置观测信息的机动目标跟踪中具有一定应用价值。针对ATS算法中目标最大机动加速度为预设的常值,存在不能很好的适应各种机动情况的问题,对目标最大机动加速度进行实时自适应调整优化设计,使目标最大机动加速度以指数形式实时逼近加速度估值均值。改进后的滤波算法保持了原算法机动加速度的分布特性,提高了目标的跟踪精度。     

一种新的混合智能粒子滤波算法在雷达机动目标跟踪中的应用

标准粒子滤波算法的精度不高,鲁棒性差标准粒子滤波算法的精度不高,鲁棒性差难以满足雷达目标跟踪的要求。本文提出了一种新的适用于雷达目标跟踪的智能粒子滤波算法,在粒子滤波中先利用人工鱼群的全局收敛性找到满意的解域,再利用粒子群算法引导粒子向高斯然区域移动,提高滤波精度。仿真表明该算法可以在强闪烁噪声下有效地跳出局部最优,搜索到理想的粒子最优值,提高雷达机动目标跟踪的精度。     

不完全信息下分布式目标跟踪算法

针对分布式目标跟踪过程中出现数据丢包和不完全量测现象,提出一种分布式目标跟踪算法.该算法由统计意义下局部滤波器和基于协方差交叉算法融合滤波器构成,其中局部滤波器利用邻域内各节点测量信息计算局部滤波值,融合滤波器则将邻域内各节点局部滤波值进行融合处理,得到该节点的目标坐标信息;最后,利用典型目标航迹模型对该算法进行仿真分析.仿真结果表明:该算法可有效抑制不完全信息发生时对目标跟踪结果的不利影响,可为分布式目标跟踪系统在实际工程中的设计与研制提供有益的参考.     

基于消隐记忆SCKF的交互式多模型算法

针对交互式多模型算法(Interacting Multiple Model,IMM)在机动目标跟踪时,因模型不准确导致的滤波误差增大问题,提出了基于消隐记忆平方根容积卡尔曼滤波(Memory Attenuation Square Root Kalman Filter,MASCKF)的交互式多模型算法(IMM-MASCKF)。该算法在模型滤波中引入消隐记忆滤波理论,通过消隐记忆因子增大新息在滤波中的比重,改善了滤波器对目标机动的动态性能,提高了滤波精度。仿真结果表明,该算法可以实现对机动目标的有效跟踪,且与常规交互式多模型算法相比减小了滤波误差。     

基于重采样粒子滤波的目标跟踪算法研究

基于传统粒子滤波的机动目标跟踪方法针对非线性、非高斯系统有较好的估计性能,但是存在粒子退化现象。利用残差重采样算法,可以有效克服粒子滤波的退化问题。本文针对残差重采样算法作进一步研究,提出了一种改进的残差重采样粒子滤波算法。该方法在残差重采样基础上进行改进,可以避免残差重采样中关于残留粒子的重采样问题,在保证精度的前提下提高运行效率,减少运算复杂程度。仿真实验结果表明该算法与残差重采样粒子滤波相比提高了目标跟踪的实时性,并且随着粒子数的增加,这种优势表现得更加明显。     

基于粒子滤波的非线性目标跟踪算法研究

针对非线性非高斯的目标跟踪,传统的卡尔曼滤波和扩展卡尔曼滤波等算法将会出现滤波精度下降甚至发散的现象,提出了采用粒子滤波算法来解决非线性滤波问题;粒子滤波方法作为一种基于贝叶斯估计的非线性滤波算法,在处理非高斯非线性时变系统的参数估计和状态滤波问题方面有独到的优势,但是存在运算量大和实时性差的问题,因此提出了基于EKF的扩展粒子滤波;仿真结果表明：在强非线性非高斯环境下,PF算法的跟踪性能优于EKF算法,基于EKF的扩展粒子滤波能够取得较好的跟踪精度,并且能够有效的减少粒子滤波的运算量。     

基于“当前”模型的UKF滤波算法在目标跟踪与实时弹道估计中的应用

针对靶场机动目标跟踪与实时弹道估算的实际，介绍了基于“当前”模型的UKF滤波方法。将“当前”模型和UKF滤波用于机动目标跟踪与实时弹道估算，建立了具有较好自适应特性及较高滤波精度的系统模型与算法。经对多发任务实测数据的试算表明：该算法具有较好的稳健性和较高的滤波精度，在靶场的实时显控、设备跟踪引导等方面具有良好的应用前景。     

再入弹道目标跟踪的球面单纯形-径向容积卡尔曼滤波算法

提出一种再入弹道目标跟踪的球面单纯形-径向容积卡尔曼滤波算法(Spherical Simplex Radial Cubature Kalman Filter,SSRCKF),有效提高了地基雷达对再入段弹道目标的实时跟踪精度。首先,在测站坐标系下建立了再入弹道目标的非线性动力学方程和量测方程,利用四阶龙格-库塔方法得到适用于滤波计算的离散形式,具有比传统欧拉法更高的离散精度;然后,利用Spherical Simplex-Radial准则逼近非线性函数的高斯加权积分,基于贝叶斯滤波框架得到SSRCKF算法,具有比CKF更高非线性滤波精度。对再入弹道目标跟踪仿真实验中,相比于CKF算法,SSRCKF算法的定位精度提高约4.5m,定速精度提高约0.06m/s。     

机动目标跟踪中自适应滤波算法的研究

文中对机动目标跟踪中的自适应滤波算法进行了研究,给出了一种适用于雷达导引头跟踪系统的修正的自适应卡尔曼滤波算法,通过全弹系统的数字仿真,对影响该算法滤波性能的各种因素进行了分析讨论.大量仿真结果表明该自适应滤波算法对于机动目标具有良好的跟踪性能和适应能力.     

一种"全面"的自适应机动目标跟踪算法

基于截断正态概率密度模型建立修正的截断正态概率密度模型。利用该模型并结合速度估计自适应模型提出一种“全面”自适应机动目标跟踪算法(OAF)．此算法能够避免机动加速度最大值的预先设定，自适应调节目标跟踪算法中的机动频率。进一步运用神经网络方法，将机动频率与过程噪声方差进行融合，通过在线调节神经网络权值获得融合后的系统方差输出，降低现有算法因系统参数调整不当带来的精度损失。理论分析及仿真结果表明，与单纯的速度自适应模型算法相比，该算法跟踪机动目标和非机动目标时精度分别提高49. 61%和48.34%．     

机动目标跟踪的多传感器分层加权融合算法

针对应用并行,Bar Shalom-Campo等融合算法实现多传感器对机动目标的融合跟踪时,经典的交互多模型(IMM)无法提供目标运动模型这个先验信息的问题,提出一种机动目标跟踪的多传感器分层加权融合算法,该算法通过分层加权得到多种融合算法所需的目标运动模型信息,最后使用扩展卡尔曼滤波器(EKF)对状态预测和量测进行融合估计,实现了多传感器对机动目标的融合跟踪。仿真实验表明,和单传感器相比,所提算法显著提升了机动目标的跟踪精度。     

一种用于复合轴系统的机动目标跟踪算法

为了实现复合轴捕获、跟踪与瞄准(acquisition,tracking and pointing,ATP)系统对高机动目标的跟踪,文中提出了一种目标跟踪算法思路:利用子系统精度远高于主系统精度的特点,在主系统观测数据基础上再构建了一组精度更高的观测数据。采用不同的交互式多模型集对两组观测数据进行独立滤波,并对得到的两组估计量做自适应调节数据融合处理。通过MATLAB仿真验证了算法的有效性。此算法实现了以相对少的模型种类覆盖更复杂的运动模式,且运算量适中。     

基于CS-Jerk模型的改进机动目标跟踪算法

文中通过对CS-Jerk模型中的参数以及卡尔曼滤波的分析,提出了一种改进的CS-Jerk模型目标跟踪算法。该算法根据量测新息及其变化率,通过模糊推理机制自适应的调整"当前"统计Jerk模型的机动频率,接着利用强跟踪滤波器对运动模型进行滤波来弥补卡尔曼滤波器的不足。仿真结果表明,提出的改进CS-Jerk模型目标跟踪算法显著提高了原CS-Jerk模型在不同机动模式下对高机动目标的跟踪精度,验证了算法的合理性和可行性。