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。     

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。     

一种新的机动目标跟踪滤波的模型方法

本文提出了一种新的机动目标跟踪滤波的模型方法。它将目标的机动加速度作为一状态变量引入模型而直接进行估计,并通过卡尔曼滤波器的残差来检测目标机动与否。一旦检测出目标机动,马上重新启动卡尔曼滤波器以适应机动加速度的跳变。新的自适应滤波方法在这种情况下实现了最佳滤波。计算机仿真结果表明,在计算量远少于Moose方法计算量的情况下,本文方法的滤波精度与Moose方法的滤波精度相当。     

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。     

机动目标自适应跟踪滤波器设计

采用非零均值相关加速度模型建立火控系统中的Kalman滤波器。通过对残差滤波,建立了新的机动检測器,并由此对机动加速度方差进行调整,从而实现对机动目标的自适应跟踪。文中引入了瞄准线直角坐标系,使Kalman滤波器解耦以减小计算量。仿真的结果表明,所提出的滤波器对机动目标有良好的跟踪性能。     

跟踪机动目标的模拟和估值

本文介绍了一种解决三维空中机动目际跟踪问题的新方法。这种方法将 Singer[3]的相关加速度目标模型与 Gholson 和 Moose[8]的自适应半马尔柯夫机动模型结合起来,导出一个能够在现代火控计算机上容易实现的实用实时跟踪算法。随着实际雷达测量而进行的初步实验表明:这种方法响应快速目标仰角、方位和距离上的加速度,不但改善了跟踪精度,而且提高了滤波器的稳定性。     

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。     

仅有角度量测的红外机动目标跟踪

针对红外机动目标跟踪仅有角度量测的特点,引入了基于修正球坐标系的扩展Kalman 滤波器,并对目标状态模型及其线性化方程进行了推导,建立了扩展Kalman 滤波方程 组。     

一种最小二乘与自适应Kalman联合滤波算法

"当前统计模型"滤波算法中采用上一帧的加速度来预测当前时刻的目标位置,当目标做变加速度运动时,预测值不能反应本帧的加速度变化,目标跟踪精度难以保证.针对这个问题,本文提出了一种最小二乘和Kalman的联合滤波算法,在自适应Kalman滤波前,采用最小二乘算法对当前数据进行拟合,用拟合的位置、速度和加速度作为目标的预测位置送入Kalman滤波器进行滤波处理,克服了"当前统计模型"滤波中存在的问题,提高了跟踪精度.     

二阶马尔可夫加速度模型下的机动目标预测器

文章采用二阶马尔可夫加速度模型建立机动目标跟踪滤波器,并将其扩展到预测器中形成六阶多项式预测模型来解决机动目标预测问题.仿真的结果表明,文中所建立的预测器使机动目标预测精度有了明显的提高.     

基于“当前 ”统计模型的自适应Kalman跟踪算法

机动目标跟踪广泛应用于军事和民用领域。机动目标跟踪的主要问题之一是建立未知的目标加速度模型。本文阐述了一种跟踪机动目标的机动加速度统计模型--“当前”统计模型,并推导了基于此模型的自适应Kalman跟踪算法。这种模型和算法适用于每一种具体的战术场合和目标机动的当前状况。能够正确直接地估计出机动目标的当前状态,不存在任何估计滞后与修正问题。     

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。     

基于强跟踪滤波器的机动航天器跟踪定位

针对雷达测量跟踪有轨道机动的非合作航天器的定位和轨道计算问题,在EKF的基础上引入强跟踪滤波器,采用增广的航天器轨道动力学模型,估计推力加速度。在航天器进行轨道机动时,滤波器自身可完成对轨道机动的快速判断和检测,滤波过程无需额外的检测手段,通用性高,可适用于针对非合作空间目标的轨道计算和跟踪与定位。数值仿真表明,对雷达数据,轨道机动约10 s后即可检测出发生了轨道机,位置精度在几十m量级,速度精度在0.1 m/s量级。     

基于自适应状态转移集合的多帧积累检测DP-TBD算法北大核心CSCD

针对机动目标在多帧积累检测算法中存在的问题展开讨论与研究,提出了基于自适应状态转移集合的多帧积累检测与跟踪算法,并设计了相应的仿真实验验证算法的有效性。针对目标机动性较强时算法性能严重下降的问题,详细介绍相应的改进策略,使用当前统计模型提高对机动目标的适应能力。利用值函数积累过程中的目标预测路径实时估计目标的转移加速度并进行加速度约束,有效地减小目标状态的搜索空间。通过转移加速度在时间维上的相关性结合当前统计模型,自适应地调整目标状态转移集合的范围,进而减少目标搜索空间内的干扰信息,提高算法的检测精度与计算效率。利用不同机动目标场景,仿真结果证明所提改进算法具有更好的检测与跟踪性能。     

机动中心坐标系中的目标跟踪

飞机目标一般沿着圆周路径作机动飞行,因而出现了以圆周运动为基础的跟踪滤波器。本文介绍一种新型坐标系,从而可用一个简单的卡尔曼滤波器跟踪作圆周机动的目标。这种新型坐标系是一个定位于机动中心的极坐标系,导出了以斜距、角度和角速度为状态矢量的跟踪滤波器。与当目标作圆周转弯时以恒定的 x-y 加速度为基础的跟踪方法相比,该算法确使性能得到提高。     

用于非线性机动目标跟踪的新型IMM算法

针对在非线性机动目标跟踪中存在的滤波器易发散、机动检测有延迟等问题,把Unscented Kalman Filter(UKF)引进到交互多模型算法(IMM)中,设计了交互多模型UKF滤波器。并利用目标运动模型集概率的相对变化率设计了自适应交互多模型UKF滤波器,最后进行了计算机仿真。蒙特卡罗仿真结果表明,两种滤波算法都具备UKF滤波器精度高、稳定性好、不易发散的优点,同时不需了解目标机动的先验信息,适合于实际应用;并且自适应交互多模型UKF滤波器具有更好的跟踪效果。     

自适应混合多模算法在机动目标跟踪中的应用

本文介绍了用于机动目标跟踪的自适应混合多模算法。这个算法不需要预先定义模型。它利用一个二级卡尔曼滤波器来估计目标的加速度。这个加速度被用于混合多模算法中具有不同确定性加速度的子滤波器中。文中给出了自适应混合多模算法的一个计算机模拟结果并与无自适应混合多模算法的结果进行了比较。     

一种基于交互式多模型算法的联邦滤波器

针对联邦滤波器对实际目标尤其是机动目标的估计精度较低的问题, 将联邦滤波器与动态多模型估计算法相结合, 提出一种基于交互式多模型算法的联邦滤波器。该算法采用交互式多模型算法来代替卡尔曼滤波算法作为子滤波器, 克服非线性条件下的滤波发散, 从而提高滤波稳定性和状态估计精度。仿真结果表明, 在目标做机动的情况下, 联邦IMM滤波器的估计误差始终保持在一定范围内, 具有良好的稳定性和容错性。     

基于机动检测的参数自适应跟踪算法

在机动目标跟踪中,传统当前统计模型卡尔曼滤波算法对弱/无机动目标跟踪精度不高,对突发机动跟踪精度显著下降,且跟踪性能受限于先验参数.针对上述问题,本文提出一种基于机动检测的参数自适应机动目标跟踪算法,算法利用新息的概率分布特性构建双阈值检测门限,依据检测结果进行参数自适应调整.首先,利用加速度预测误差方差信息,自适应调...     

基于变维卡尔曼滤波的塔康距离跟踪算法

为提高跟踪精度,在塔康系统距离测量中,可采用 Kalman 和α-β算法对距离测量值进行滤波。要确保处理精度,采用 Kalman 滤波器,状态变量取的会比较多,而α-β算法是一种常增益滤波器,会出现发散情况。针对两种滤波器的不足,提出了变维 Kalman 滤波的塔康距离跟踪算法,该算法建立距离测量的非机动模型和机动模型,通过距离滤波在机动和非机动两种模型间的自适应切换,完成塔康距离实时跟踪。应用 Monte Carlo 方法仿真表明：该算法可实现塔康距离的实时跟踪,而且距离测量准确度有了一定提高。