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。     

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。     

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。     

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。     

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。     

基于具有输入估值跟踪系统的卡尔曼滤波器

本文开始用一个最小平方估值器的推导来产生一个加速度输入矢量估值。文中首先研究了一种感受目标机动的检测器,其次研究了估值器、检测器和“简化”卡尔曼滤波器的组合,以形成一个跟踪机动目标的跟踪装置,最后介绍了一些模拟结果。文中首先阐述了假定目标机动的实际剩余和假定不机动的“简化”卡尔曼滤波器的理论剩余之间的关系。然后估值器计算了上述关系拟合的最好的等加速度输入矢量。其结果是一个输入矢量最小平方估值器,该估值器可以用来修正“简化”卡尔曼滤波器。因为典型的目标在相当长的时间花费在以固定方位和恒定速度方式飞行,所以要用一部检测器来防护,以防自动修正“简化”卡尔曼滤波器。仅当估算的输入矢量范数超过了门限时,才表示机动并实现修正。该跟踪系统容易实现,其跟踪能力在三个跟踪实例中进行了说明。     

自适应SCKF在机动目标跟踪中的应用

目标跟踪系统的数学模型或统计特性的不确定性,往往会导致机动目标跟踪精度降低甚至跟踪发散。在综合平方根求容积卡尔曼滤波算法和改进的Sage-Husa估计器的基础上,提出一种自适应求容积平方根卡尔曼滤波算法。该算法通过实时估计未知系统噪声,抑制由于噪声统计特性未知时变而导致的滤波误差,从而实现机动目标的自适应跟踪。仿真结果表明,在系统噪声未知时变,且与先验系统噪声存在一定差异时,自适应平方根求容积卡尔曼滤波器能有效地改进标准平方根求容积卡尔曼滤波器的跟踪精度和跟踪稳定性。     

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。     

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。     

具有输入估计跟踪方案的无检测全修正卡尔曼滤波器

本文针对文献讨论的具有输入估计跟踪方案的卡尔曼滤波器在机动段估计误差偏大等缺点,引入全修正、无检测等概念,改进了算法,使新设计的卡尔曼滤波器提高机动段的跟踪精度,减少计算量。计算机模拟实验验证了新算法的优势。     

修正的当前统计模型及自适应跟踪算法

针对当前统计模型及其自适应算法对弱机动目标跟踪精度较低以及强机动发生时刻跟踪误差增大的缺陷,提出了一种修正的当前统计模型及自适应跟踪算法。一方面,利用指数函数对当前统计模型中加速度极值进行实时修正,从而提高了算法对弱机动目标的跟踪精度;另一方面,利用滤波残差调整预测协方差,同时对滤波结果发生较大偏差的上一时刻的滤波结果进行修正,从而提高了对强机动目标的适应能力。仿真结果表明,所提算法对弱机动目标和强机动目标都具有良好的跟踪性能。     

多传感器跟踪机动目标：数据越多估算越好吗

分析了多传感器跟踪机动目标的问题，相对给定目标的位置，参与给定目标跟踪的传感顺和数目和类型，通常是固定的。然而，在许多多传感器系统中，由于名传感器的机动性、类型和的限制，执行特定目标跟踪的传感器的数目和类型能够阴时间而变动。当跟踪机动目标时，由于目标运动模型的不确定性，传感器系统组成的这种可变性提出了重要问题。通常用瞳尔曼滤波器过滤用于估算目标的位置、速度和加速度的位置测量量。当设计卡尔曼滤波器时     

雷达机动目标跟踪的卡尔曼粒子滤波算法

为解决不敏粒子滤波算法对雷达机动目标跟踪实时性差和跟踪起始阶段收敛慢的问题,引入卡尔曼粒子滤波算法。通过坐标转换将实际的极坐标雷达观测数据转换为直角坐标数据,然后用线性最优的卡尔曼滤波器估计粒子状态先验概率密度,最后用非线性最优的粒子滤波器精确估计目标状态后验概率。仿真实验表明,与不敏粒子滤波相比,卡尔曼粒子滤波以牺牲较少精度(减少约6%)的代价,实现机动目标跟踪的实时性(约为前者的1/5),起始阶段收敛性更好。     

多层神经网络在跟踪式卡尔曼滤波器中的应用

本文将多层神经网络引入跟踪式卡尔曼滤波器中,提高了估计的精确度。以前的跟踪式卡尔曼滤波器的估计精度与目标的运动状态有关,当目标的运动不能够用线性状态空间模型描述时,其估计精度将要下降。而多层神经网络的引入,改善了这一不足。多层神经网络经过训练以后,能够对卡尔曼滤波器的结果进行修正。仿真结果表明,由于多层神经网络的应用,估计精度显著提高。     

一种精确跟踪机动目标的非线性滤波算法

在非线性系统中,最常用的是扩展卡尔曼滤波算法(EKF),当目标距离较远时,滤波器由于量测方程非线性的影响,误差较大。以机动目标“当前”统计模型为基础,建立新的机动目标模型,加入多普勒速度测量对补偿线性化误差的跟踪算法(PTLKF)进行改进。最后融入修正的加速度方差自适应算法对机动目标进行跟踪。仿真结果表明:在非线性观测条件下,改进的PTLKF算法和修正的加速度方差自适应算法的融合可以有效地改善跟踪的效果,并且其计算量明显小于强跟踪滤波算法。     

多层神经网络在跟踪式卡尔曼滤波器中的应用

本文将多层神经网络引入跟踪式卡尔曼滤波器中，提高了估计的精确度，以前的跟踪式卡尔曼滤波器的估计精度了目标的运动状态有关，当目标的运动不能够用线性状态空间模型描述时，其估计精度将要下降，而多层神经网络的引入，改善了这一不足，多层神经网络经过训练以后，能够对卡尔曼滤波器的结果进行修正。仿真结果表明，由于多层神经网络的应用，估计精度显著提高。     

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。     

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...     

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。     

机动目标跟踪的一种变维交互改进算法

为了满足工程需要,结合变维卡尔曼滤波器和α－β算法的优点,提出了一种卡 尔曼和α－β变维交互替代目标跟踪算法。通过加入机动检测器监视机动,在目标发生 机动时,采用高阶维数模型和卡尔曼滤波器;机动消失后,退回到低阶维数模型和α－β 滤波器,从而实现了对机动和非机动目标的自适应跟踪,克服了因转弯机动引起的误差突 跳,并显著地减少了计算量。通过Monte Carlo 仿真进一步验证了改进算法的合理性和实 用性。