基于阵列单通道的机动目标DOA跟踪方法

针对现有利用阵列单通道系统对机动目标跟踪精度不高,实时性差等不足,提出了一种新的基于改进粒子滤波算法的阵列单通道机动目标波达方向(direction of arrival, DOA)跟踪方法。该方法首先在利用接收机轮流采样建立数学模型的基础上,建立跟踪模型。然后,利用粒子群优化算法对马尔科夫链蒙特卡罗(Markov Chain Monte Carlo, MCMC)粒子滤波算法的重采样环节进行优化处理,给出了一种交互MCMC粒子滤波算法,该算法克服了传统粒子滤波算法粒子退化及样本贫化的固有缺陷。最后利用该算法求解跟踪方程,实现了实时DOA估计。理论分析与仿真结果表明,本文方法可实现基于阵列单通道的DOA跟踪与波束形成一体化,且能够处理相干信号,与标准粒子滤波和子空间类算法相比,收敛速度快,跟踪精度高。      

基于代价参考粒子滤波的机动目标跟踪算法

代价参考粒子滤波算法通过动态优化自定义代价函数和风险函数来衡量状态滤波估计的质量,选取最优的状态估计.与粒子滤波算法相比其优点是不需要任何先验概率知识的假定和重采样过程可实现并行处理.将代价参考粒子滤波与当前统计模型的优点相结合,提出一种新的当前统计模型自适应跟踪算法,用于非线性非高斯系统的机动目标跟踪.Monte Carlo仿真表明,该算法跟踪精度优于标准的交互多模型算法和当前统计模型自适应跟踪算法,实时性好于当前统计模型高斯粒子滤波算法.     

杂波环境下被动多传感器机动目标跟踪新算法

针对杂波环境被动传感器机动目标跟踪问题,该文研究了一种基于粒子滤波的被动多传感器机动目标跟踪新算法。 在该算法中,首先推导了杂波环境下粒子滤波的似然函数表达式。其次将粒子滤波与交互多模型(IMM)相结合,用IMM方法实现模型的切换,以适应目标的机动变化。用粒子滤波实现对观测方程的非线性处理。最后,建立了被动多传感器的非线性观测模型,避免了目标的不可观测性,并且算法还能够处理非高斯噪声情况。仿真实验结果表明,提出的算法能够有效地对被动机动目标跟踪,且性能优于交互多模型概率数据关联滤波器(IMM-PDAF)。     

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.     

复合K噪声下机动目标跟踪自适应UPF算法

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.     

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。     

一种基于模型选择的PF-TBD算法

在目前的基于粒子滤波检测前跟踪(PF-TBD)算法中,对粒子的预测通常是根据单一直线运动模型实现的,在目标机动时由于与运动形式相差较大,影响了跟踪效果。为此,提出一种基于模型选择的粒子滤波检测前跟踪(MM-PF-TBD)算法。该算法由已估计出的目标位置,计算相对偏转角,并以此判定目标当前的运动模式,进而选择相应的运动模型对下一时刻的粒子进行预测,显著提高了对粒子预测的精度。理论分析和仿真实验表明,文中所提算法适用于目标不同的运动形式,有效提高了目标机动时的检测和跟踪性能。     

结合幅度信息的粒子滤波机动目标被动跟踪

为提高杂波条件下的机动目标被动跟踪的性能,提出了一种新的粒子滤波目标被动跟踪算法。在声纳的输出端,提取信号的幅度信息(AI),建立多模型对转弯机动目标进行状态估计,以粒子滤波算法作为基本跟踪滤波算法,将AI与概率数据关联(PDA)算法中的似然比相结合,详细推导了结合AI的粒子滤波目标被动跟踪算法(PF-AI)实现的具体过程。在同一被动目标跟踪场景,同时使用单纯PDA算法、结合辅助信息的PDA算法和PF-AI进行被动跟踪仿真,分析了轨迹跟踪性能,并使用均方根误差比较了误差性能。仿真结果表明,与两种基于PDA的跟踪算法相比,PF-AI具有更高的跟踪精度,且算法易于实现。     

基于CPFDE的目标跟踪算法研究

在目标跟踪中,为了克服粒子滤波的粒子退化和贫化问题,提高滤波精度,文中将差分演化算法与容积粒子滤波相结合,形成了差分演化容积粒子滤波算法。在粒子进行先验更新时, 使用容积卡尔曼滤波算法融入当前时刻的量测信息并用其来产生重要性密度函数,并且在重采样阶段,用差分演化算法对根据重要性密度函数抽取的采样粒子做优化操作,从而克服粒子滤波存在的粒子退化及贫化问题,提高滤波性能。实验结果表明,和粒子滤波、无迹粒子滤波、容积粒子滤波相比,该算法有着更高的滤波精度和更好的稳定性,并且能够提高雷达机动目标跟踪的精确性。     

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。     

一种快速的多目标跟踪非线性滤波算法

多机动目标跟踪问题是目前目标跟踪领域的一个重要研究方向,而数据关联与跟踪维持是多目标跟踪的核心部分。利用支持向量机在分类识别方面的优势,研究了基于支持向量机的数据关联方法。在此基础上,采用交互式多模型算法和无味卡尔曼滤波相结合的方法研究了多机动目标的跟踪问题。在该方法中,目标的运动状态和方位误差由选定的采样点来近似,在每个更新过程中,采样点随着状态方程传播并随非线性测量方程变换,得到目标的运动状态和方位误差的均值,避免了对非线性方程的线性化,至少给出最佳估计的二阶近似。与传统的扩展卡尔曼(EKF)方法进行了仿真比较,仿真结果表明了该算法的有效性。     

雷达目标角度跟踪环路滤波器设计新方法

角度跟踪环路在机载雷达对目标的距离、速度、角度3维联合跟踪中起着至关重要的作用。该文分析指出传统采用卡尔曼滤波算法形成角度跟踪环路对机动目标角度进行跟踪时跟踪精度低,角跟踪误差收敛速度慢的缺点,提出弯曲度检测跟踪环路滤波器(Bend Degree Tracking Loop Filter, BDTLF)设计方法,其利用弯曲度检测角度曲线拐点,自适应地调节环路滤波器环路等效噪声带宽,并以此来控制角度跟踪环路。此算法加快了角跟踪误差的收敛速度,减轻了拐点处的角度滤波扰动,保持了滤波性能的连续性。计算机仿真结果验证了该文方法相比于卡尔曼滤波算法、粒子滤波算法、-- 滤波算法及恒定系数环路滤波器方法,对弱机动目标角度跟踪具有更加出色的性能。     

基于Bayesian-Fisher 混合模型的强跟踪当前统计模型

针对当前统计模型(CS)不能自适应调节机动参数,导致对弱机动以及强机动目标跟踪性能下降的问题,提出了一种基于Bayesian-Fisher 混合模型的新方法。首先,通过引入Bayesian-Fisher 混合模型,将机动加速度均值作为未知的确定性输入增广到状态变量中,实现了对加速度均值的在线自适应估计;其次,根据强跟踪滤波器(STF)的思想,引入时变渐消因子,增强算法对突变状态的适应能力。仿真结果表明,该算法不仅提高了对弱机动和强机动目标的跟踪精度,也削弱了对初始机动参数的依赖。     

基于压缩感知的PD雷达序贯扩展卡尔曼滤波跟踪方法

提出一种新的基于压缩感知(Compressive Sensing, CS)处理的序贯扩展卡尔曼滤波(Sequential Extended Kalman Filter, SEKF)方法,以用于脉冲多普勒(Pulse Doppler, PD)雷达机动目标跟踪。利用目标在时延多普勒平面内的稀疏特点建立稀疏量测模型,然后通过压缩采样匹配重构方法获得目标的多普勒量测值,并用SEKF方法进行滤波更新,以改善目标状态的估计性能。在滤波过程中,应用CS处理可改善目标多普勒估计精度,而应用SEKF则可通过加入伪量测减小多普勒量测和目标运动状态之间的非线性误差。仿真实验结果表明,本文所提出的方法和传统的SEKF方法以及已有基于压缩感知的跟踪方法相比对机动目标有更好的跟踪性能。      

基于地理信息的地面运动目标跟踪方法

为了提高地面运动目标跟踪精度,提出了基于地理信息约束的变结构交互多模(VS-IMM)的目标跟踪算法。通过建立地理信息系统约束地面目标运动状态,并利用目标转弯曲线模型确定滤波器中机动目标的时变运动模型集,采用地理信息约束的变结构交互多模算法可更符合实际进行地面目标机动跟踪。针对机场地面机动目标的仿真结果表明,给出的地理条件约束的目标跟踪算法比现有交互多模算法具有更好的性能。     

Robust Neural-Network-Based Data Association and Multiple Model-Based Tracking of Multiple Point Targets

Data association and model selection are important factors for tracking multiple targets in a dense clutter environment without using a priori information about the target dynamic. We propose a neural-network-based tracking algorithm, incorporating a interacting multiple model and show that it is possible to track both maneuvering and nonmaneuvering targets simultaneously in the presence of dense clutter. Moreover, it can be used for real-time application. The proposed method overcomes the problem of data association by using the method of expectation maximization and Hopfield network to evaluate assignment weights. All validated observations are used to update the target state. In the proposed approach, a probability density function (pdf) of an observed data, given target state and observation association, is treated as a mixture pdf. This allows to combine the likelihood of an observation due to each model, and the association process is defined to incorporate an interacting multiple model, and consequently, it is possible to track any arbitrary trajectory     

基于自适应观测模型交互多模型粒子滤波的红外机动目标跟踪

针对红外目标跟踪问题,提出一种混合观测模型以描述日标像素灰度的渐变以及目标的突然消失或复现,采用在线EM算法对观测模型参数进行更新;将自适应观测模型与交互多模型粒子滤波相结合用于目标跟踪;基于概率排斥原则改进了似然函数,将上述算法推广到多目标跟踪领域.单目标和多目标跟踪仿真结果验证了所提算法的有效性.