多普勒盲区条件下的交互式多模型粒子滤波算法

机载预警雷达采用脉冲多普勒体制,具有良好的低空探测性能,但其存在不可忽略的多普勒盲区问题。在目标跟踪的过程中,该盲区容易造成目标航迹暂消和重起批甚至断批。针对多普勒盲区条件下的目标连续跟踪问题,提出了一种基于交互式多模型的盲区粒子滤波(Interacting Multiple Model-Blind Doppler Particle Filtering, IMM-BDPF)算法。该算法将多普勒盲区的先验信息并入到IMM-PF中,在模型集中的每个运动模型上分别完成盲区粒子滤波,再进行交互式处理,得到盲区内的目标状态估计值。仿真结果表明该算法对盲区内做机动的目标具有较高的状态估计精度,解决了多普勒盲区条件下的机动目标连续跟踪问题。     

一种基于多普勒信息的雷达目标跟踪方法

机载预警雷达采用脉冲多普勒体制,具有良好的低空探测性能,但其存在不可忽略的多普勒盲区问题。在目标跟踪的过程中,该盲区容易造成目标中断和重起批。针对多普勒盲区条件下的目标连续跟踪问题,文中提出了一种基于多普勒预测的扩展卡尔曼滤波算法(Doppler Prediction EKF,DP-EKF),该方法将多普勒盲区的先验信息并入到扩展卡尔曼滤波算法中,通过状态预测判断目标在未来时刻是否落入多普勒盲区,从而自适应地调整跟踪滤波规则,解决多普勒盲区条件下目标连续跟踪问题。仿真结果表明,该算法对于运动模型已知的航迹不连续目标具有较好的跟踪效果,能够维持其航迹的连续性。     

正则化粒子滤波在水下目标跟踪中的应用

针对传统卡尔曼滤波(KF)及扩展卡尔曼滤波(EKF)在非线性目标跟踪模型中,跟踪精度较差的问题,本文给出了一种基于正则化粒子滤波(RPF)的水下目标跟踪算法。文中在一种模拟水下目标跟踪环境的非线性动态模型中对所提出的算法进行了仿真试验,并将其跟踪性能与扩展卡尔曼滤波和标准粒子滤波算法(PF)进行了比较。仿真结果表明,PF算法比EKF算法滤波精度更高,RPF的跟踪性能优于PF和RPF,而且随着粒子数的增加,PF和RPF的跟踪性能也不断提高。     

多模型粒子滤波在机动目标跟踪中的应用

针对在非线性机动目标跟踪中存在的滤波器易发散,跟踪误差大等问题,在双机协同跟踪的基础上,提出了利用交互式多模型粒子滤波(IMMPF)对空中机动目标进行跟踪的算法。该算法将粒子滤波和交互多模型有效结合,基本解决了非线性机动目标跟踪中存在的问题。通过仿真表明,与扩展卡尔曼滤波(EKF)和交互式模型扩展卡尔曼滤波(IMMEKF)相比,IMMPF能够降低跟踪误差,提高收敛速度,且有很强的鲁棒性。     

防空雷达网对多隐身目标的协同检测与跟踪

针对防空雷达网对多隐身目标检测与跟踪时雷达分配问题,该文将二值粒子群优化(BPSO)用于雷达分配,结合粒子滤波,提出了一种隐身目标的协同检测与跟踪算法。该算法将雷达分配问题转化成组合优化问题,根据目标的隐身特性设计雷达分配方案(RAS),借助随机分布的检测粒子计算不同RAS对新生目标的检测概率,同时根据RAS对已跟踪目标位置的后验克拉美罗界衡量跟踪精度,采用BPSO算法在RAS中进行全局搜索,选择最优分配方案进行粒子滤波与融合跟踪。与现有算法相比,该算法不仅能够及时检测新生目标,而且能够利用组网优势持续且优化跟踪隐身目标,使网络的整体跟踪精度得到显著提高,实现多目标协同跟踪。     

变维的机动目标跟踪算法

为改善现有机动目标跟踪方法存在的跟踪精度不高、滤波易发散的问题,提出了一种RA-Jerk-EKF算法,该算法将目标径向加速度信息引入量测向量,通过增加雷达量测向量维数提高机动目标的跟踪精度。在信号处理阶段利用分数阶傅里叶变换(FRFT)估计出目标的径向加速度,并将其通过坐标转换引入量测向量中;在数据处理阶段采用Jerk模型和扩展卡尔曼滤波(EKF)算法解决滤波算法中非线性量测方程问题;最后将该方法与传统的不带径向加速度的Jerk-EKF方法进行了仿真比较。结果表明,该方法在跟踪精度,位置、加速度和速度估计精度方面均有所改善。     

基于粒子滤波的分布式雷达TBD算法

为提高分布式雷达系统的目标检测与跟踪能力,研究了基于粒子滤波的检测前跟踪算法。针对传统粒子滤波中粗化方法盲目性的问题,提出了一种适用于分布式雷达目标检测与跟踪的多簇聚类粒子滤波算法。该算法在粗化的基础上,首先采用改进的K Means方法对粒子聚类以形成多个粒子簇,引导各簇内粒子沿着该簇中心向该簇最大联合似然粒子方向偏移,使粒子向高联合似然区域集中。该算法能够在缓解粒子滤波样本贫化问题的同时减少传统粗化的盲目性,提高了系统从接收数据中提取目标信息的能力。对分布式雷达目标检测与跟踪的仿真结果表明,多簇聚类粒子滤波算法比传统的粗化策略粒子滤波算法具有更好的检测能力和更高的跟踪精度。     

基于角度约束采样的单站无源定位混合粒子滤波算法

为实现固定单站对运动辐射源的快速定位,该文给出了一种基于角度约束采样的混合粒子滤波算法。该算法从EKF(Extended Kalman Filter)滤波得到建议分布,利用角度测量对状态变量的约束关系从建议分布产生所需粒子,可以减少粒子滤波用于高维情况时所需的粒子数目,改善滤波性能,降低运算成本。结合利用多普勒变化率和角度测量的单站定位方法,与EKF,UKF(Unscented Kalman Filter)以及一般混合粒子滤波算法的仿真比较表明,该算法在滤波收敛速度、跟踪精度以及稳定性方面优于其它算法,估计误差更接近Cramer-Rao下界。     

基于Jerk模型和EKF的多基地雷达机动目标跟踪算法

针对多基地雷达系统对高机动目标的跟踪精度问题,提出了基于Jerk模型和扩展卡尔曼滤波(EKF)的机动目标跟踪算法.通过建立系统的离散状态方程和非线性观测方程,推导状态向量和误差协方差矩阵的初始化计算公式,给出EKF滤波的流程.利用Monte Carlo仿真,分析和比较了在变加速目标轨迹下Jerk与当前统计模型的跟踪效果,表明该算法具有对高机动目标实现准确自适应跟踪的能力.     

基于CPCRLB的隐身目标协同检测与跟踪

针对雷达组网对隐身目标协同检测与跟踪时的动态分配问题,将条件后验克拉美罗下界(CPCRLB)用作系统跟踪性能的度量,结合改进二值粒子群优化(NBPSO)和粒子滤波,提出了一种基于CPCRLB的隐身目标协同检测与跟踪算法。该算法将雷达的动态分配问题转化成组合优化问题,根据新生目标的隐身特性对雷达分配方案的约束,借助分布在边界的检测粒子计算不同的雷达分配方案对新生目标的检测概率,并以已跟踪目标的CPCRLB 衡量跟踪精度,采用NBPSO全局搜索最优分配方案,最后进行粒子滤波与协方差交集融合。     

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。      

基于QMCPF-IMM的强机动目标跟踪算法研究

为了提高雷达对机动目标的跟踪精度,通过融合拟蒙特卡罗思想,提出了一种适用于非线性非高斯系统的拟蒙特卡罗粒子滤波交互式多模型算法。该算法利用拟蒙特卡罗采样,克服传统算法采样粒子间隙过大、粒子层叠问题,增加交互式多模型对机动目标跟踪时的有效粒子数;通过区间估计理论,解决拟蒙特卡罗支撑区间难以计算问题,并结合核密度估计重采样,保证采样粒子的低等差异性。仿真结果表明：与交互式多模粒子滤波算法相比,改进算法可在保证滤波实时性的同时,提高跟踪精度。     

EKF、PF在目标跟踪中的研究

介绍两种目标跟踪算法—扩展卡尔曼滤波器（Extended Kalman Filter,EKF）、粒子滤波器（Particle filter,PF）。EKF利用泰勒级数方法,将非线性问题转化到线性空间,再利用卡尔曼滤波器进行滤波,并达到一阶估计精度。PF是一种采用蒙特卡罗采样的贝叶斯滤波方法,它将复杂的目标状态分布表示为一组加权值,通过寻找在粒子滤波分布中最大权值的粒子来确定目标最可能所处的状态分布,已成为复杂环境下进行目标跟踪的最好的方法。文中通过仿真实验,对二者的性能进行了仿真比较,结果证明在复杂的非高斯非线性环境中,PF的性能明显优于EKF,但计算复杂,耗时长。     

基于IMM-EKF的高动态“北斗”导航信号频率估计算法

高动态环境下的"北斗"导航信号含有较大的多普勒频率及其变化率,传统锁相环(PLL)在跟踪时难以保证较高的跟踪精度.在分析高动态环境下"北斗"信号模型的基础上,提出了一种基于交互式多模型-扩展卡尔曼滤波(IMM-EKF)的自适应滤波算法,对载波相位及其高阶分量进行估计.IMM-EKF采用多个跟踪模型来解决滤波过程中单个模型不准确的问题,并结合改进的Sage-Husa自适应算法,在线估计和修正过程噪声及测量噪声的统计特性,增强了滤波的稳定性.仿真结果表明,IMM-EKF相比于PLL和EKF,估计精度更高,算法稳定性更强.     

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。     

杂波背景下基于概率假设密度的辅助粒子滤波检测前跟踪改进算法

在杂波背景条件下,现有的基于概率假设密度(PHD)滤波的粒子滤波检测前跟踪(TBD)算法,存在对密集多目标数目估计不准,使用粒子数目较多会造成维数灾难的问题。因此,该文引入两层粒子的概念,将基于平行分割(PP)理论的辅助粒子滤波(APF)应用于基于概率假设密度的检测前跟踪 (PHD-TBD)算法中,提出基于概率假设密度滤波的平行分割辅助粒子滤波检测前跟踪(APP-PF-PHD-TBD)算法以提高目标数目及状态估计精度。仿真实验证明,相对于现有基于PHD的粒子滤波检测前跟踪算法,该算法在目标数目和状态估计精度上具有显著的性能优势,在密集目标场景下,优势尤为突出。最后,利用导航雷达实测所得海杂波背景数据证明,该算法在应用中性能更加优异。      

基于自控蝙蝠算法智能优化粒子滤波的机动目标跟踪方法

标准粒子滤波重采样过程中对粒子的直接删除会导致粒子贫化,并且综合性价比不高,难以满足高频段精密跟踪雷达的需求.针对上述问题,本文提出了基于自控蝙蝠算法优化粒子滤波的机动目标跟踪方法.该方法首先在粒子滤波中引入蝙蝠算法,用粒子表征蝙蝠个体,模拟蝙蝠群体搜索猎物的过程,使粒子向高似然区域移动.同时,改进算法将粒子接受新状态的比例作为反馈量,设计了自适应闭环控制策略对算法的全局搜索能力和局部搜索能力进行全程动态控制,使得粒子分布更加合理,从而进一步提高了粒子滤波的精度.最后在分别在基础非线性滤波模型和强机动强干扰目标跟踪模型中对改进算法的性能进行了测试.实验结果表明,改进算法提高了目标跟踪的精度.     

基于粒子滤波理论的雷达多目标TBD检测

粒子滤波理论适用于在非线性和非高斯环境下的目标跟踪与检测。文中基于序列重要性采样定理,提出了模型环境和多雷达目标检测的递归贝叶斯TBD算法。此算法在基本粒子滤波算法SIR的基础上,采用多模型粒子滤波器实现了多雷达目标的检测。仿真结果表明,算法能够有效地进行目标跟踪与检测。     

双被动雷达交会跟踪的精度分析与跟踪算法

多平台的被动传感器交会(融合)跟踪系统的功能就是将呈网状分布的多被动传感器测量到的目标的角度量测信息进行融合,以得出目标的运动状态.本文基于无偏估计的Cramer-Rao 不等式,分析了运动平台上的双被动雷达交会跟踪目标时不同通信带宽情况下的估计精度问题,并且建立了对机动目标交会跟踪的扩展卡尔曼滤波(EKF)跟踪算法.     

被动传感器阵列中基于粒子滤波的目标跟踪

针对被动传感器阵列中的机动目标跟踪问题,该文提出了一种基于多模Rao-Blackwellized粒子滤波的机动目标跟踪新方法。算法首先基于Rao-Blackwellization理论将机动目标跟踪问题划分为模型选择和目标跟踪两个子问题;采用多模Rao-Blackwellized粒子滤波对目标运动模型进行选择,扩展Kalman滤波对目标进行更新,有效降低了抽样粒子状态维数,节省了计算时间;最后,建立了被动传感器阵列的非线性观测模型。实验结果表明,提出方法可以有效地对目标模型进行选择,算法的跟踪性能及稳定性要好于交互多模型(IMM)方法。