基于IMM-UKF的组合导航算法

为解决非线性动态系统滤波的非线性和噪声不确定等问题,设计了一种基于交互多模型(IMM)的Unscented卡尔曼滤波器(UKF),针对噪声变化情况建立一组非线性模型,与每个模型对应的UKF可以达到二阶以上的滤波精度.IMM-UKF滤波器的输出为各滤波器的概率加权融合,因此,根据噪声变化而调整的模型概率使系统输出对噪声变化具有自适应能力.利用该算法对组合导航系统进行了仿真试验,该算法精度高,模型切换速度快,能适用于动态系统.     

基于IMMBPF的纯方位区间量测机动目标跟踪

针对纯方位区间量测下机动目标跟踪问题,提出了一种交互式多模型箱粒子滤波(IMMBPF)算法。该算法通过交互式多模型算法估计每个箱粒子的状态,利用多传感器交叉定位构建用于非线性测角区间分析的包含函数。在滤波更新阶段,引入二次压缩算法,使得更新的箱粒子具有更大的新息区间和存活概率,从而达到提高箱粒子多样性和目标状态估计性能的目的。利用等效浮点运算测度,从理论上推导分析了算法的复杂度。通过仿真实验对比了IMMBPF、交互式多模型粒子滤波(IMMPF)和匀速运动模型箱粒子滤波(CV-BPF)三种算法的目标跟踪性能,仿真结果证明了所提算法的有效性。     

基于距离参数的混合坐标系下UKF纯方位单站目标跟踪算法

针对纯方位单站目标跟踪问题,本文提出了一种基于距离参数的混合坐标系下UKF算法.该算法通过将UKF运用于混合坐标系中,不仅计算简单、精度高、稳定性好,还方便了引入过程噪声,较传统修改极坐标方法提高了运动模型的普适性.另外,通过距离参数化技术,该算法有效避免了纯方位单站定位易受滤波器初始值影响的问题.最后,本文大量的数值仿真结果也进一步验证了该算法的有效性和可行性.     

AUV纯方位目标跟踪轨迹优化方法

为了进一步提高自主水下机器人(AUV)纯方位目标跟踪能力,从AUV轨迹优化方面进行了研究.采用基于距离的分段轨迹优化方法:在跟踪目标的初始阶段以定位的位置误差GDOP(geometrical dilution of precision)作为优化对象,以期在定位跟踪的各个时刻能得到最优的定位精度;针对目标运动要素(位置、速度、航向等)估计趋于收敛的情况,提出了一种基于短期预测的轨迹优化方法,AUV根据物理条件限制预测双方短期状态,计算能够反映跟踪态势特征的收益函数,根据收益函数对自身某状态进行评估,估算出自身各个预测状态的综合收益后,选出综合收益最大的那个状态作为短期目标,执行能到达该状态的行为.目标运动要素估计中使用扩展卡尔曼滤波(EKF).最后,将该轨迹优化方法与基于GDOP的轨迹优化进行仿真对比,结果表明该方法能够实现AUV与目标较快汇合.     

纯方位目标跟踪中的观测器机动优化研究

针对研究单站纯方位目标运动分析中定位与跟踪精度问题,因机动航路对定位精度有很大影响,所以在目标定位跟踪精度下限CRLB,提出用精度几何散布GDOP作为优化性能指标,采用数值寻优计算的方法,进行数值计算,分析了观测器航路对固定目标定位精度的影响效果,并且给出了匀速直线运动航路和恒提前角匀速运动航路对目标定位精度影响的仿真计算结果,表明航路对定位精度有很大影响,可以通过优化观测器航路来提高系统可观测程度和改善定位与跟踪算法的性能。     

基于递归工具变量卡尔曼滤波算法的纯方位水下目标跟踪

基于纯方位信息的水下目标跟踪中常用的伪线性卡尔曼滤波算法偏差较大、跟踪精度差,结合偏差补偿算法提出一种用于纯方位水下目标跟踪的递归工具变量卡尔曼滤波算法,并将过程噪声协方差的不确定性考虑在内.针对伪线性卡尔曼滤波算法的偏差问题,采用递归工具变量算法的工具变量矩阵来消除量测矩阵与伪线性噪声间的关联性,从而消除偏差.仿真结果表明,所提出的递归工具变量卡尔曼滤波算法在水下方位角噪声较大时也能保持稳定性和跟踪精度.     

不完全量测下的水下纯方位系统目标跟踪算法

针对观测器探测概率小于1的不完全量测情况下的水下纯方位系统的目标跟踪问题,提出了不完全量测下的基于扩展卡尔曼滤波的目标跟踪算法。首先,建立不完全量测情况下的水下纯方位目标跟踪数学模型;其次,在数据出现不完全量测时,采用前一次的更新值对缺失数据进行弥补并完成滤波;最后,采用最优理论性能下界(CRLB)和均方根误差(RMSE)这两种评价准则对此算法进行评估。仿真实验结果表明:在不完全量测下的水下纯方位系统的目标跟踪问题中,所提出的基于扩展卡尔曼滤波的目标跟踪算法在保证预期跟踪精度的前提下,具有较高的实时性。     

基于强跟踪平方根容积卡尔曼滤波的纯方位目标运动分析方法

针对纯方位目标跟踪系统中模型状态简化、系统噪声统计特性未知、目标初始距离信息不准确导致的滤波收敛时间长和滤波精度不高的问题,以自主水下机器人(Autonomous Underwater Vehicle, AUV)跟踪水下动态目标为例,提出了一种基于强跟踪平方根容积卡尔曼滤波器(Strong Tracking Square Root Cubature Kalman Filter, STFSRCKF)的纯方位目标运动分析算法。该算法在滤波过程中,利用平方根容积卡尔曼滤波器(Square Root Cubature Kalman Filter, SRCKF)完成预测更新,对于SRCKF中的每个容积点采用强跟踪滤波器(Strong Tracking Filter, STF)进行更新,设计滤波增益以抑制噪声对系统状态估计的影响,有效提高了滤波的数值稳定性,减小了状态估计误差。通过仿真分析,比较了扩展卡尔曼滤波器(Extended Kalman Filter, EKF)、无迹卡尔曼滤波器(Unscented Kalman Filter, UKF)、平方根容积卡尔曼滤波器(Square-Root Cubature Kalman Filter, SRCKF)、STFSRCKF的算法性能,实验表明所提算法具有跟踪速度快,精度高等优点。     

基于EKF的机动目标跟踪算法的研究

假设一种机动目标运动:目标的速度大小不变,方向一直对准观测站.比较Singer模型和常速度(CV)模型,采用扩展卡尔曼滤波(EKF)算法对目标进行跟踪.仿真结果表明,在这种机动目标跟踪中,采用Singer模型比CV模型具有较快的收敛速度,而采用CV模型比Singer模型具有较高的跟踪精度.     

强机动目标自适应变结构多模型跟踪算法

在强机动目标跟踪领域,采用传统基于固定模型集合的交互式多模型算法需要大量模型来描述目标机动,需要巨大的计算量,并且过多模型会带来不必要的模型竞争反而降低跟踪性能.为解决它所带来的问题,提出一种自适应变结构多模型算法,采用少量与目标运动模式相关的模型,在不同时刻根据目标当前机动水平自适应调整模型参数建立新的模型集合,并对其进行滤波估计.仿真结果显示该方法能更好的匹配目标运动规律,有效降低计算复杂度,提高跟踪精度.     

基于粒子滤波的交互式多模型多机动目标跟踪

针对交互式多模型联合概率数据关联滤波算法(IMM-JPDAF)在非线性情况下跟踪精度低,并不适用于非高斯问题的情况,提出了一种基于粒子滤波的交互式多模型多机动目标跟踪算法;将交互式多模型联合概率数据关联(IMM-JPDA)与粒子滤波相结合,在交互式多模型联合概率数据关联的框架下,各模型采用粒子滤波算法处理非线性非高斯问题,避免了噪声的高斯假设和非线性部分的线性化误差。仿真结果表明,IMM-JPDA-PF算法的跟踪性能明显优于IMM-JPDAF算法,能够对杂波环境中的多机动目标进行有效跟踪。     

双基阵纯方位目标跟踪无偏最小二乘估计算法

纯方位目标跟踪是非线性估计问题,伪线性估计算法是主要的纯方位目标跟踪算法之一,其计算简单,但对测量方程进行线性化处理后其运动要素的估计会出现发散或偏置现象.为了克服伪线性估计算法的估计有偏性,本文提出一种带约束条件的最小二乘估计算法,使得伪线性化后的均方等效误差最小来实现目标运动要素的无偏估计.通过仿真说明了利用该方法所得到的位置、速度跟踪误差曲线能很好快速地逼近CRLB,比双基阵EKF滤波器及伪线性估计算法有着更好的收敛速度和跟踪精度,证明了该方法的有效性.     

粒子滤波器在机动目标被动跟踪中的应用

为处理机动目标被动跟踪中的非线性非高斯问题,提出了一种基于粒子滤波器的交互多模型（IMM）多观测站跟踪方法。使用转弯率建立了被动跟踪模型,用“蛙跳”处理方式来提高多站被动跟踪问题的可观测性,结合被动跟踪模型,利用非线性粒子滤波方法,对IMM算法进行了改进,提高了对IMM混和密度的近似程度,通过被动跟踪仿真实例,同时使用IMM粒子滤波器（IMM-PF）与IMM扩展卡尔曼滤波器（IMM-EKF）进行跟踪仿真,分析了轨迹跟踪性能,利用均方根误差比较了误差性能。仿真结果表明,与IMM-EKF相比,IMM-PF具有更高的跟踪精度和更快的机动响应速度。     

体育视频序列中基于IMM的运动目标跟踪算法

在视频处理领域的运动目标跟踪问题中,卡尔曼滤波器（KF）与扩展卡尔曼滤波器（EKF）已经得到了广泛的应用,但在复杂背景或是目标高机动运动的情况下跟踪效果并不理想。提出一种基于交互多模型算法（IMM）,并采用去偏转换测量卡尔曼滤波器（CMKF-D）对运动目标进行跟踪的算法。该算法有效地解决了单一模型无法与运动特性相匹配的问题,并克服了KF、EKF对非线性模型线性化所引入的误差。以足球视频为例进行仿真实验,结果表明该算法有效地提高了视频序列中运动目标跟踪的准确率。     

基于高斯过程的多机动扩展目标跟踪

针对杂波环境下多机动扩展目标跟踪问题, 提出一种基于高斯过程的变结构多模型联合概率数据关联方法.首先, 采用期望模型扩展方法构建自适应模型集, 并对各个扩展目标状态进行初始化.其次, 基于高斯过程建立联合跟踪门以选择有效量测, 形成联合关联矩阵.然后, 拆分联合关联矩阵得到可行关联矩阵并求解关联事件概率.最后, 利用联合概率数据关联滤波器更新各个扩展目标的状态和协方差, 并将更新的状态进行融合, 得到最终的状态估计.仿真验证了所提方法的有效性.     

纯方位目标跟踪航迹起始的混合方法

提出一种基于模糊蚂蚁聚类的逻辑航迹起始混合方法,将来自不同传感器的前两次扫描所产生的位置点进行聚类,提取出最有可能源自真实目标的候选点,并将这些候选点作为航迹头,然后运用逻辑法进行航迹起始。仿真实验中,与不同方法的性能比较结果表明了该方法的有效性。     

对机动目标分布式多站无源定位与跟踪

无源探测定位技术是电子对抗中的一个重要的研究领域.提出一种基于信息融合的分布式多站无源定位跟踪算法.由相位差变化率实现定位,引入序贯反馈式UKF滤波算法,以提高单站的定位精度,用多站无源侦测设备对空中单个机动目标进行分布式跟踪融合.计算机仿真表明:进行跟踪融合后的定位精度比单个观测站的定位精度有了较大的提高.完全满足导弹攻击要求.     

基于PF-Singer的机动目标跟踪算法

Singer模型是典型的全局统计模型,其严重缺陷在于所采用的零均值时间相关模型和标准卡尔曼滤波算法不能完成对机动目标状态的正确估计1只有当目标做匀速直线运动时,动态误差的稳态值才为零,否则不为零;采用PF—Singer算法对机动目标进行跟踪。能够有效解决传统Singer模型存在的问题,提高其跟踪精度;通过仿真试验证实了该算法的有效性。