基于AGIMM的临近空间机动目标跟踪滤波算法

由于临近空间高超声速目标的机动形式复杂,单一模型很难满足高精度跟踪的需要。因此需要使用基于多种模型进行交叉耦合的交互式多模型算法,这种算法特点与临近空间目标高速、高机动特性相适应。提出了一种自适应网格交互多模型跟踪算法用于临近空间高超声速机动目标的跟踪问题。所提方法能够处理自适应时变模型集合,随时调整当前时刻使用的模型数量,相比于固定结构交互式多模型算法极大减少了计算量,计算效率和跟踪精度更高,数值仿真结果验证了所提算法的有效性。     

强机动目标跟踪的两种MM算法设计与比较

现代舰艇反导中,及时、准确、有效地跟踪强机动的反舰导弹是反导武器系统中的一项关键技术.基于反舰导弹末端"蛇行机动"的运动特征,设计目标"蛇行机动"为直线运动模型和转弯运动模型的组合,并引入到构建的具有变结构的自适应网格交互多模型(AGIMM)算法和固定结构的固定网格交互多模型(FGIMM)算法中,在给定的初始条件下,运用MATLAB进行Monte Carlo仿真实验,比较分析了AGIMM算法和FGMM算法的跟踪性能.结果表明:针对目标"蛇行机动"的强机动情况,所构建的AGIMM算法比FGIMM算法的估计精度高、位置和速度估计波动小,稳定性好,适应性强,具有一定的工程应用价值.     

临近空间非弹道式目标跟踪修正变结构滤波

以X-51A和HTV-2为代表的临近空间高超声速飞行器采用非弹道式机动飞行方式,飞行速度快而且其加速度不规则,难以精确估计其运动状态。针对临近空间目标4种典型的非弹道式机动模式,设计了一种修正变结构交互式多模型(modified variable structure interacting multiple model, MVSIMM)算法。该算法采用当前统计模型作为中心模型,左右两边采用匀速转弯模型,相比传统变结构多模型算法, 提高了模型切换速度,实现更加实时,可以更高精度跟踪临近空间目标飞行器。仿真结果表明,针对4种非弹道式机动模式,修正变结构交互式多模型算法效果优于固定结构多模型滤波方法。     

NSHV机动目标跟踪的自适应模型算法

临近空间高超声速飞行器具有飞行轨迹多变、机动性强等特点,而周期性的滑跃式飞行是其常用的重要机动形式。将目标加速度建模为时间自相关的随机过程,结合“当前”统计模型的自适应跟踪思想,提出了一种针对临近空间高超声速飞行器机动目标跟踪的模型。采用容积卡尔曼滤波算法分别对单模型和交互式多模型进行了蒙特卡罗仿真分析,结果表明该模型在跟踪临近空间高超声速飞行器时有较好的跟踪精度和适用性。     

基于自适应滤波的高超声速滑翔目标三维跟踪算法

针对临近空间高超声速滑翔飞行器机动模式复杂,单一运动学模型难以完成三维跟踪的问题,提出一种三维跟踪方法.将飞行器机动弹道分为纵向和横向弹道,根据飞行器机动特性,在纵向上将加速度建模为零均值的二阶时间自相关随机过程,在横向上采用Singer模型和匀加速模型进行交互多模型(interactive multiple mode...     

临近空间高超声速飞行器机动模型及弹道预测

讨论了临近空间轴对称高超声速机动飞行器的跟踪及弹道预测问题。通过引入3个与气动力参数相关的状态变量,建立起一种非线性机动模型,并证明了基于该模型的非线性跟踪系统的可观性。针对此非线性跟踪系统,设计了扩展卡尔曼滤波器以及状态预报器,实现弹道跟踪和预测。仿真结果表明,对于临近空间飞行器在巡航末段的运动状态,采用所提出的机动模型,可以取得优良的跟踪和预测效果。     

高超声速滑翔飞行器动态逆解耦跟踪控制方法研究

针对临近空间高超声速滑翔飞行器再入段俯仰偏航以及滚动三通道运动存在非线性耦合严重的情况,建立了高超声速滑翔飞行器的多变量强耦合非线性时变倾斜转弯控制模型,提出了一种将过载控制转化为所需迎角侧滑角及滚转角误差的三通道联合跟踪控制方法,根据高超声速滑翔飞行器制导回路快速性的动态性能要求,设计了一种基于非线性动态逆及状态反馈的解耦综合控制器,闭环仿真结果表明该方法能够实现三通道运动解耦控制和制导指令跟踪,满足系统动态性能的要求。     

基于新最速下降法的目标跟踪算法

雷达目标跟踪滤波算法是雷达信号处理的重要组成部分, 在空防预警、战场监视、导弹制导等领域起着重要的作用。本文提出了基于一种新最速下降法的目标跟踪算法。首先建立一种基于改进多项式拟合模型的运动描述模型, 接着用一种新最速下降法来求解运动模型的最优参数, 通过实时的最优运动模型对运动目标航迹进行预测跟踪, 并采用正则化思想去除噪声影响。将本文算法与目前常用的交互多模型跟踪滤波算法进行对比, 仿真结果表明在目标机动和非机动的情况下, 本文算法的精度更高、计算量更小、实时性更好。     

机动目标跟踪的多模型多机动策略算法

在机动目标运动过程中引入机动决策的概念,建立了具有多个运动模式与多种机动决策的目标运动模型.并针对目标运动的多模式与多机动决策的特点,提出了一种多个运动模型与多种机动决策共同交互的机动目标跟踪算法.最后利用计算机仿真手段对所提出的交互式多模型多机动策略跟踪算法进行了验证,仿真结果显示此目标跟踪算法对于跟踪以多种机动策略实时机动的目标不仅是有效的,而且较之传统的交互多模型算法,跟踪性能更加优越.     

基于控制变量估计的高超声速再入滑翔目标轨迹预测算法

以高超声速再入滑翔目标为研究对象,在对目标机动控制变量进行建模分析的基础上提出了一种轨迹预测算法。首先,基于动力学建模构建了目标跟踪模型,利用气动参数对目标状态向量进行扩维并推导了对应的运动模型。其次,构造了适用于轨迹预测的目标机动控制变量,在不同机动模式下分析了控制变量的变化规律,基于控制变量设计了对应运动方程以及轨迹预测模型。最后,仿真生成了两条轨迹并对所提算法进行了仿真验证,分析了算法性能。仿真结果表明所提轨迹预测算法能够取得较好的预测效果。     

临空高速目标协同探测跟踪需求分析

临空高速目标具有高空、高速、机动能力强、雷达散射截面积小等特性,仅靠单一探测手段难以发现和稳定跟踪。在分析临空高速目标的运动、电磁及红外特性的基础上,探讨了目前雷达、红外平台探测跟踪能力的不足,提出了多平台协同探测跟踪临空高速目标平台与载荷需求、多平台协同工作流程。最后,初步仿真验证了天基多平台的协同探测能力需求。研究可为反临空高速目标的探测跟踪系统发展提供理论和技术支持。     

基于VSMM的GMCPHD滤波算法在多机动目标跟踪的应用

针对交互多模型(interacting multiple model, IMM)在多机动目标跟踪算法中存在的缺陷以及目标跟踪精度问题,提出了基于变结构多模型（variable structure multiple model, VSMM）的高斯混合基数概率假设密度（Gaussian mixture cardinalized probability hypothesis density, GMCPHD）滤波算法。该算法利用了VSMM具有自适应性、时变性的特点,达到了在某一时刻能够选取与目标运动模式相匹配的模型集合的目的,相比于IMM考虑的仅是固定的模式集合具有很强的优越性。此外,GMCPHD滤波算法不仅避免了数据关联问题,而且通过高斯分布递推PHD函数的同时递推基数分布。最后,利用雷达作为传感器,对跟踪机动目标进行仿真,证明VSMM相比于IMM对于多机动目标跟踪更具有优越性,同时验证了VSMM GMCPHD滤波算法具有提高机动目标跟踪精度,减小跟踪误差的作用。     

基于隐马尔可夫模型的动态规划检测前跟踪算法

传统的动态规划检测前跟踪(dynamic programming track-before-detect, DP-TBD)算法能有效实现对匀速直线运动目标的检测跟踪,但其忽略了目标帧间状态转移概率,因此在对机动目标进行检测跟踪时容易受噪声干扰,产生错误的状态关联。对此提出了一种基于隐马尔可夫模型的DP-TBD算法。该算法利用隐马尔可夫模型对目标的运动过程建模,用一系列隐状态表示目标转弯速率并利用隐马尔可夫模型的隐状态估计理论实现对转弯速率的估计和预测,进而得到当前目标状态的预测值,根据此预测状态与下一时刻回波数据分辨单元间的距离来计算转移概率。然后将转移概率应用于DP-TBD算法的能量积累过程中以提高检测跟踪性能。仿真实验基于机动目标,给出了所提算法的检测跟踪性能,并与传统的DP-TBD算法、方向加权DP-TBD算法以及线性最小二乘DP-TBD算法进行了分析比较,验证了该算法的有效性。     

基于交互式多模型算法跟踪临近空间目标

由于目前机动目标模型越来越向模块化、并行计算的方向发展,对目前算法计算效率提出了更高的要求。对于临近空间超声速机动目标一般采用多种机动模型跟踪,单一模型已经很难满足高精度跟踪的需要。因此需要使用基于多种模型进行交叉耦合的交互式多模型（interacting multiple model, IMM）算法,这种算法特点与临近空间目标高速、高机动特性相适应。同时考虑到扩展卡尔曼滤波 (extended Kalman filter, EKF) 算法对强非线性对象滤波效果不好, 无迹卡尔曼滤波(unscented Kalman filter, UKF)算法对于此类问题,可以很好地加以解决。仿真对比试验表明,交互式多模型〖CD*2〗无迹卡尔曼滤波(interacting multiple model unscented Kalman filter, IMM UKF)算法优于单一模型EKF算法。     

基于目标机动模式识别的VSMM算法

针对定结构多模型在高机动目标跟踪算法中存在计算量大、计算时间长、难以满足系统实时性等问题,提出了基于目标机动模式识别的变结构多模型算法。该算法能够选取与目标运动状态相匹配的模型集合,具有时变性、自适应性的优点。通过运用少量的运动模型组成一个模型组,然后不同的运动模型组合形成不同的模型组,以模型组代替原先定结构模型中的多模型,根据跟踪检测到的目标运动模式来选择是否更换模型组,从而用少量运算得到较为精确的次优解。仿真结果表明,该算法在跟踪强机动目标中不但能够有效降低计算量,而且可以使模型集合和目标的运动状态更好地匹配,从而提高目标跟踪精度。