一种跟踪机动目标的改进型卡尔曼滤波器

本文提出了一种新的跟踪机动目标的自适应卡尔曼滤波器。它通过判断观测残差是否出现偏值来检测目标的机动性,未检测出机动时,按机动加速度指令为零、包含相关加速度作状态变量的一般卡尔曼滤波器工作,检测出机动的同时对机动加速度指令进行阻尼式最小二乘方估计,并以此估值修正状态预测值及其误差协方差。由于相应目标有无机动的不同状况,滤波器的状态预测值和增益都能自适应地修正和调整,从而滤波器对目标机动性有较好的响应,也基本保持良好的稳态精度。计算机仿真结果表明:其滤波精度稍优于Moose等提出的复杂滤波器组的精度,而计算量仅为其3.6分之一。     

卡尔曼粒子滤波中基于精确运动模型的局部区域估计

粒子滤波广泛应用于对精度和稳定性要求较高的目标跟踪,但其计算量大,并且计算复杂度随着状态量和粒子数目增长迅速增加。将目标跟踪转化为由粗到精的搜索过程,提出了一种基于精确运动模型的改进分层卡尔曼粒子滤波算法。该方法利用加速度的运动模型在真实目标位置的周围估计目标的散布范围,并在该范围内随机生成粒子,寻找精确的目标位置。文中引入加加速度模型主要是由于现有方法的状态量阶数不足,导致模型精确度较低,无法应对大机动目标的跟踪。因此,引入了高阶状态变量加加速度,并将其用于改进分层卡尔曼粒子滤波的运动模型。利用分层卡尔曼粒子滤波、粒子滤波以及提出的方法进行了跟踪试验,结果表明,基于精确运动模型的改进分层卡尔曼粒子滤波模型的跟踪方法能够提高线性运动的预测精度,实现复杂环境下精确稳定的跟踪。     

快速机动目标跟踪算法研究

根据空间目标作匀速转向运动的特点，提出了一种基于航向变化的目标加速度实时估计方法，在此基础上采用采样卡尔曼滤波器对该机动目标进行跟踪。仿真结果表明，这种新的加速度估计方法不仅能检测出目标机动开始和终止时刻，而且还能估计出快速机动目标的加速度大小，与扩展卡尔曼滤波器相比，采样卡尔曼滤波器具有更好的跟踪精度。     

三状态样条Kalman滤波与目标机动检测

基于样条方法和Kalman滤波理论，给出了一种新的三状态样条Kalman滤波方法及对目标进行机动检测的方法。该滤波方法用样条函数建立目标运动模型，应用Kalman滤波进行状态估计；该机动检测方法通过检测滤波新息来对目标机动发生或消除进行判断。由于考虑了加速度的实时估计，该滤波方法尤其适用于对弹道式目标的机动跟踪。仿真计算与实测数据计算表明：该滤波具有较高的精度；该机动检测方法具有较高的检测效率。     

变结构多模型估计单Kalman滤波跟踪机动目标算法

在机动目标跟踪中，如果我们估计出目标的机动量，就可以使用单Kalman滤波来跟踪目标且跟踪精度和IMM滤波方法接近。文献[l]中提出用N个离散加速度Ui覆盖目标机动量，然后用它们加权的方法来得到机动量的估值。这些离散加速度量Ui的选择是个难点。本文提出使用变结构多模型方法来估计目标的机动量，该方法可以实时改变参与估计机动量的模型数目和参数，排除一些不必要的模型来减少模型数目和竞争。仿真实验结果表明，在大大缩短计算时间的前提下，本算法依然能够获得与原算法一样的跟踪精度。     

改进的变维滤波实现运动目标姿态的跟踪

针对运动目标变维姿态滤波在姿态剧烈变化时滤波效果较差的问题,结合Jerk模型,提出一种改进的变维运动目标姿态滤波方法。该方法通过建立角加加速度滤波模型,结合变维姿态滤波中的角速度和角加速度模型,利用角度和角速度的新息残差,角加速度和角加加速度估计显著性检验的统计量,判定目标姿态的机动状态,调整跟踪模型,从而提高姿态跟踪精度。仿真表明,该方法在保持变维姿态滤波精度基础上,有效提高了姿态强机动情况下的跟踪精度。     

一种改进的α-β滤波算法

针对传统α-β滤波算法不够有效跟踪机动目标的问题,详细分析了其内在原因,提出一种改进的α-β滤波算法.该算法不需要假定目标的机动模型,而是将目标的机动加速度作为滤波状态直接估计出来,将估计加速度作为输入控制量引入到传统α-β滤波器的状态估计方程中进行机动目标的跟踪.然后将它与传统α-β滤波算法进行比较,证明了新的算法不仅具有传统算法计算量小的优点,而且还可以对机动目标进行实时跟踪.仿真结果表明,新算法在综合性能上明显优于传统算法.     

基于变步长增益调整的机动目标跟踪新算法

针对Singer模型的缺陷和“当前”统计模型存在的对弱机动目标跟踪能力较差的缺陷进行了改进,设计了一种新的加速度自适应模型;利用该模型设计出新的机动目标跟踪滤波算法,该算法对机动目标跟踪的综合性能有了较大的提高。在此基础上,为了减少滤波增益矩阵的计算量,使算法易于微机工程化实现,提出对滤波增益矩阵进行变步长调整的新方法,即通过在线检测算法确定何时有必要进行滤波增益的调整,而不需要每一步都计算增益矩阵,从而较多地降低了滤波算法的计算量。通过以上两个方面的改进,不仅提高了机动目标跟踪的精度,而且提高了目标跟踪的快速性和实时性。仿真验证表明该算法有良好的跟踪性能,而且计算量小,易于微机工程化实现。     

跟踪机动目标的一种改进型卡尔曼滤波器

本文参考文献[1]等滤波器组的模型,提出了一种跟踪机动目标的改进型Kalman滤波器。它是通过判断观测残差是否出现偏值来检测目标的机动性的;仅在检测出机动的同时,才对机动加速度指令进行阻尼式最小二乘方估计,并用此估值来修正状态预测值及误差协方差;否则将按机动加速度指令为零的状态,以单个Kalman滤波器进行工作。这样才能使其稳态滤波精度和对机动的快速响应之间得到较好的兼顾。计算机仿真结果表明,本文所介绍的滤波器精度稍优于文献[1]中复杂滤波器组的精度,而计算量仅为后者的1/3.6。     

改进的当前统计模型及自适应跟踪算法

对于机动目标跟踪问题,在当前统计（CS）模型的基础上,提出了一种新的机动目标自适应跟踪算法。通过引入强跟踪滤波器（STF）的渐消因子,增强了模型对目标突发机动的自适应跟踪能力,同时针对模型对目标加速度极限值的依赖性这一缺点,引入一种利用位置估计值与加速度的函数关系自适应调整加速度方差的方法,提高了对弱机动和非机动目标的跟踪能力。仿真结果表明,该算法与标准的当前统计模型滤波算法相比具有较高的跟踪精度。     

对辐射源的被动跟踪算法研究

讨论了对辐射源进行被动测向时，用扩展卡尔漫滤波进行目标跟踪，并对目标机动进行判断的方法，在判断目标机动的前提下，用变维卡尔曼滤波完成对目标机动 过程的跟踪。     

基于容积卡尔曼滤波的自适应IMM算法

在目标跟踪中,针对无迹卡尔曼滤波在高维状态下容易出现滤波精度下降甚至发散的问题,提出了一种自适应交互式多模型容积卡尔曼滤波算法。首先,将容积卡尔曼滤波引入到交互式多模型算法中,提高了算法在高维非线性情况下的滤波精度。然后,结合马尔科夫参数自适应思想,在模型概率更新阶段,利用后验信息修正马尔科夫概率转移矩阵,增大匹配模型的转移概率,进一步提高模型之间的切换速度。最后,在目标跟踪仿真中利用"当前"统计模型对算法进行验证,实验结果证明了算法的有效性。     

目标跟踪中野值的判别与剔除方法

运用Kalman滤波对目标位置进行跟踪时,测量数据中的野值是影响滤波效果的重要因素之一。分析了动态测量数据中野值产生的原因和野值对Kalman滤波性能的影响机理,利用新息的统计特性,提出了野值判别准则和一种抗野值Kalman滤波算法。仿真结果表明,该方法使野值处理与状态估计同步进行,可有效抑制野值对Kalman滤波的影响,提高滤波精确度。     

基于卡尔曼滤波的机动目标外推预测的研究

卡尔曼滤波在各个领域都有广泛的应用,如航天器的轨道计算、雷达目标跟踪、生产过程的自动控制等。卡尔曼滤波器在机动目标跟踪中具有良好的性能,是一种最佳估计并能够进行递推计算。为了研究卡尔曼滤波对机动目标的预测,首先用Matlab仿真验证自适应卡尔曼滤波的跟踪滤波能力,根据结果判定目标运动模型,进而在此运动模型下用卡尔曼预测对目标进行外推验证。     

曲线拟合与卡尔曼滤波器的滤波精度评估

曲线拟合和卡尔曼滤波是2种运动目标轨迹后置处理的重要方法,利用曲线拟合方法对复杂的运动轨迹进行平滑处理时,为了提高拟合效果,往往选取阶数较高,但易造成方程求解复杂,使得拟合曲线稳定性变差。为了提高测量系统的定位精度和对机动目标的跟踪适应能力,采用卡尔曼滤波算法对弹道进行处理,对卡尔曼滤波参数进行了优化设置,设定滤波增益的下限,避免滤波出现发散现象,使得滤波器稳定性好,而且收敛和稳定时间短。仿真结果表明:采用该方法后卡尔曼滤波对于强机动特征的轨迹有较好的平滑效果和跟踪能力,而且能满足工程上应用的精度要求。     

无迹卡尔曼滤波算法在目标跟踪中的研究

无迹卡尔曼滤波(UKF)是重要的非线性滤波方法。无迹卡尔曼滤波方法是通过一组代表着均值和方差分布的采样点来对非线性系统进行非线性计算,在不对非线性方程线性近似的条件下,达到线性卡尔曼滤波器的滤波性能。文中在机动目标选定运动模型和滤波算法的基础上,对机动目标的运动作了仿真实验。从仿真分析中可以看出,无迹卡尔曼滤波在跟踪方面有很高的精度,与传统的扩展卡尔曼滤波算法相比较,无迹卡尔曼滤波算法有较小的跟踪误差。     

扩展卡尔曼滤波在目标跟踪中的应用研究

扩展卡尔曼滤波在非平稳矢量信号和噪声环境下具有广泛的应用,针对机动目标运动模型的特点,采用基于扩展卡尔曼滤波的算法对运动目标进行跟踪处理,该算法首先建立了运动目标的状态模型和观测模型,然后对观测数据进行滤波和误差估计处理,最后通过计算机的蒙特卡洛仿真得到了滤波轨迹和运动目标的距离和角度误差,仿真结果表明,扩展卡尔曼滤波算法具有很好的目标跟踪性能.     

一种基于预测值量测转换的卡尔曼滤波跟踪算法

在雷达目标跟踪中,系统量测信息通常在球坐标系下获得。为了采用经典卡尔曼滤波算法实现有效目标跟踪,通常采用量测转换方法将非线性量测信息转换到直角坐标系中。针对传统量测转换方法基于量测值计算转换误差统计特性而导致的估计结果有偏问题,提出了一种基于预测值的量测转换方法,并将其与卡尔曼滤波算法相结合,获得了一种基于预测值量测转换的卡尔曼滤波跟踪算法。仿真结果表明,与现有的基于量测转换的卡尔曼滤波算法相比,该算法能在不提高运算量的情况下有效改善目标跟踪效果,跟踪精度提升约20%。     

针对临近空间目标跟踪的自适应AMCKF算法

临近空间飞行器具有机动特性复杂、运动轨迹多阶段性等特点,在目标跟踪的过程中,易出现由于系统模型误差较大导致跟踪精度降低、滤波发散的问题。针对该问题,在容积卡尔曼滤波的过程中加入衰减因子,通过衰减记忆的方法补偿模型误差;同时,提出了一种实时辨识容积卡尔曼滤波衰减因子的方法,达到自适应跟踪的目的。仿真结果表明:衰减记忆容积卡尔曼滤波算法能够很好地解决模型失配问题,自适应算法实时对衰减因子赋值,避免了衰减因子取值的困难,可以达到更好的跟踪效果。