一种改进的"当前"统计模型及其自适应滤波算法

简要讨论了“当前”统计模型的机动目标建模与自适应跟踪的机理，针对“当前”统计模型中的加速度“当前”均值在采样周期内被假设为常数的不尽合理性，将假设条件放宽为：加速度“当前”均值在采样周期内连续可导，由此提出一种改进的“当前”统计模型及其自适应滤波算法。Monte Carlo仿真结果表明了新算法的有效性和优越性。     

利用多估计器输出间差异的目标跟踪算法及其仿真

机动目标跟踪的难点在于如何在目标的各种机动情况下都有良好的跟踪性能。本文对目标跟踪的核心问题进行了研究，指出了当前统计模型中的系统方差自适应算法、利用新息的方法和模型切换方法的局限性，并提出了利用多个估计器输出之间的差异来选取合适输出的方法。仿真结果表明，该方法能够从多个估计器输出中选择出合适的输出，对目标的各种机动情况有较好的适应能力，计算量适中。     

非全测状态下的机动目标跟踪

针对空空导弹制导过程中可能出现测量信息不全的情况,以机动目标的“当前”统计模型为基础,在螺旋机动目标模型下对机动目标进行了跟踪滤波。在深入研究了扩展卡尔曼滤波算法、衰减记忆扩展卡尔曼滤波算法的基础上,利用改进的强跟踪滤波算法进行了非全测状态下的机动目标运动信息估计。仿真实验表明:改进的强跟踪滤波算法不仅能很好地完成速度和距离跟踪;如果加上多普勒速度测量,改进的强跟踪滤波算法还可跟踪上加速度。仿真结果表明了改进的强跟踪滤波算法的有效性。     

基于MCSM的自适应跟踪算法

针对基于"当前"统计模型的算法跟踪突发强机动目标性能下降的问题,提出了一种通过强机动自适应检测调整模型参数的改进算法。该算法利用残差统计距离的概率分布设置目标强机动的检测门限,根据目标的机动水平联合调整模型的机动频率、最大机动加速度以及滤波器增益,在保持"当前"统计模型跟踪算法对一般机动目标跟踪精度的前提下,增强了系统对突发强机动目标的自适应跟踪能力。仿真结果表明,该算法扩大了跟踪机动目标的动态范围,提高了跟踪性能。     

非线性预测滤波器在机动目标跟踪中的应用

提出了一种直接根据新息的机动目标跟踪非线性预测跟踪滤波算法。该算法不需要假定目标的机动加速度模型 ,而是将目标的机动加速度作为滤波结果的一部分直接估计出来。对不同机动目标的仿真结果表明 ,所提出的预测滤波算法具有优良的估计性能     

高度机动目标的"当前"统计Jerk模型

讨论了KishoreMehrotra等人提出的高度机动目标模型———Jerk模型 ,得出了该模型在跟踪阶跃Jerk信号时存在确定性稳态误差的结论。提出了一种新的“当前”统计Jerk(currentstatisticJerk ,CS -Jerk)模型 ,该模型假设目标的机动加速度变化率为非零均值指数相关的随机过程。仿真结果表明 ,CS -Jerk模型及其滤波算法在跟踪高度机动目标时性能优于Jerk模型。     

基于当前统计模型的机动目标自适应跟踪算法

当前统计模型及其自适应卡尔曼滤波算法对强机动目标具有很好的跟踪效果,但当机动目标为弱机动和非机动时算法跟踪性能较差。针对这一问题,提出了采用铃形函数作为模糊隶属函数对模型中加速度极值进行修正的自适应滤波算法,调整加速度稳定时的系统过程噪声方差,提高算法的跟踪精度。同时,借鉴强跟踪滤波算法的渐消自适应滤波因子思想,针对加速度突变的情况引入渐消因子对修正的加速度极值进行调节,提高算法在加速度突变情况下的跟踪速度。仿真实验结果表明,算法对弱机动目标和非机动目标的跟踪具有良好的效果。     

基于当前统计模型的机动目标自适应强跟踪算法

在当前统计模型卡尔曼滤波算法的基础上,结合升半正态形模糊分布函数特性,提出了一种加速度方差两段函数自适应调整方法,该方法能自适应逼近目标真实机动并进行准确跟踪。给出了最大加速度自调整方法,克服了模型对目标最大加速度的依赖。引入强跟踪滤波算法,增强了模型对突发机动自适应跟踪的能力。理论分析和仿真结果表明,该算法提高了机动模型和系统模式的匹配程度,增强了系统对强机动目标的跟踪能力,并保持对弱机动和非机动目标良好的跟踪性能,且具有运算量小、跟踪精度高、易于工程化实现等优点。     

基于模糊推理的机动目标跟踪

针对"当前"统计模型算法对目标强机动时跟踪精度下降的问题,提出一种改进算法。该算法在"当前"统计模型的基础上,采用双滤波器并行结构,提取目标的状态信息,使用模糊推理的方法求解调节因子,通过调节因子实时调整滤波器的预测协方差,在保证对目标弱机动跟踪精度的同时,提高了目标发生强机动时的跟踪精度。仿真结果表明目标强机动时,该算法的跟踪精度明显高于"当前"统计模型算法。     

基于"当前"统计模型的交互式多模型算法

提出了一种基于"当前"统计模型的交互式多模型算法。在交互式多模型算法框架内,计算"当前"统计模型的概率,自适应地调整"当前"统计模型中目标加速度,使其能够反映目标的机动特性,充分发挥了"当前"统计模型和交互式多模型算法的优点,扩大了"当前"统计模型的应用范围,提高了"当前"统计模型的自适应性。Monte Carlo仿真结果表明了该算法的有效性。     

基于自适应CS模型的IMM算法

目标运动状态的改变将导致目标跟踪算法精度降低或发散。为了提高机动目标跟踪的跟踪性能,首先,针对当前统计(current statistical, CS)模型中最大加速度固定设置导致模型误差增大的问题,提出了一种自适应CS模型;在自适应CS模型和交互式多模型(interacting multiple model, IMM)的基础上,提出了一种交互式多自适应模型(interacting multiple adaptive model, IMAM),该模型通过采用两个自适应CS模型,能够有效消除目标状态突变造成模型误差急速增大的问题,提高了模型的准确度和适应性。其次,在IMAM的基础上,结合修正卡尔曼滤波(amendatory Kalman filter, AKF)的思想,提出了IMAM-AKF算法,该算法通过修正最终的状态融合估计值,有效地降低了目标机动造成的模型误差,进一步提高了机动目标跟踪的性能。最后,结合自适应渐消卡尔曼滤波(adaptive fading Kalman filter, AFKF)的思想,提出了IMAM-AFAKF算法。仿真结果表明,无论是强机动还是弱机动,IMAM-AFAKF算法都具有较好的跟踪性能。     

基于CS-Jounce模型的船摇滤波与预报方法

根据航天测量船船摇数据特性,提出了基于“当前”统计Jounce模型(“current” statistical Jounce model, CS Jounce)和最大相关熵卡尔曼滤波器的滤波及预报方法。在分析船摇数据周期特性的基础上,使用频域滤波方法分析了船摇数据噪声,得出其非高斯白噪声,指出去船摇数据四阶差分量周期性显著减弱。为克服船摇动力学建模复杂的问题,引入机动目标跟踪理论,针对目前模型阶数不够高的问题,结合“当前”统计的思想,推导了CS-Jounce模型。针对船摇数据噪声非高斯白噪声的问题,引入了最大相关熵卡尔曼滤波器。实测数据验证表明,该方法能很好地跟踪船摇数据,滤波精度较高,三步预报均方根误差小于5″。同时,该方法能较好地估计和预报船摇角度及角加速度数据。     

融合常规运动目标和突然机动目标的图像跟踪系统

当舰载或机载光电传感器晃动、掉帧或者目标做复杂战术机动时,跟踪目标在相邻帧间会突然改变原来的运动轨迹,此时如何有效跟踪突然机动目标是一个难点问题。首先利用基于组合基于(speeded up robust features,SURF)特征描述子的二帧差分法进行背景差分,然后再利用卡尔曼滤波给出目标的预测位置,在以此为中心的搜索区域内用Mean shift跟踪方法寻找目标的最佳匹配,同时逐帧根据卡尔曼滤波的先验预测误差协方差判断目标是否出现机动。在检测到目标机动后,利用基于显著密度的高效子窗口搜索方法快速检测视场内的所有可疑目标,最后利用SURF算法进行特征匹配筛选出原始跟踪目标并返回目标位置,实现突然机动目标的自动可靠跟踪。仿真实验表明,新系统无论针对常规运动目标还是突然机动目标都能保证又快又准的跟踪效果。     

空间机动目标跟踪的改进自适应IMM算法

针对使用模型似然函数比对传统交互多模型(interacting multiple model, IMM)算法模型转移概率实时修正存在奇异的问题, 基于所提修正函数给出一种改进自适应IMM算法。首先, 将白噪声模型与扩展卡尔曼滤波(extended Kalman filter, EKF)算法结合, 设计了非机动模型EKF1及机动模型EKF2作为IMM算法模型集。其次, 预报模型采用适应椭圆参考轨道的非线性相对轨道动力学方程以提高模型预报精度。最后, 分析了速率量测信息对减小机动目标跟踪峰值误差的作用。仿真结果表明, 改进的模型转移概率自适应IMM-EKF算法跟踪精度明显提高, 且优于比较的现有方法; 引入速率量测信息后, 最大峰值误差及估计精度得到了改善。     

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。     

自适应CS模型的强跟踪平方根容积卡尔曼滤波算法

对于目标跟踪过程中的强机动问题,基于当前统计(current statistical, CS)模型和改进的强跟踪平方根容积卡尔曼滤波器(square root cubature Kalman filter, SCKF),提出新的跟踪算法。在CS模型和改进输入估计算法的基础上,引入加加速度估计,使得状态过程噪声与状态协方差矩阵相联系,实现模型的自适应调整。从正交性原理出发,重新确定了渐消因子的引入位置,并提出了新的渐消因子计算形式,以克服传统渐消因子在雷达量测坐标系中的失效问题,从而构造强跟踪平方根容积卡尔曼滤波器。另外,构造强机动检测函数,利用SCKF的输出来调整自适应CS模型中的机动频率。仿真结果表明,相比基于CS模型的多重渐消因子强跟踪SCKF算法、改进CS模型的强跟踪SCKF(SCKF STF)算法和交互式多模型(interacting multiple model, IMM)SCKF算法,所提算法具有更佳的目标机动适应性和跟踪精度;相比于IMM SCKF算法,实时性有明显改善。     

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。