基于改进自适应IMM算法的机动目标跟踪

文中提出了一种改进的跟踪机动目标的自适应IMM（AIMM）算法,采用协同转弯运动模型作为目标的机动模型,通过估计目标的角速度,并在估计参数值的周围选择数量一定的模型组成模型集来覆盖目标所有可能的运动模式,采用交互模型算法进行状态估计;应用变结构思想,将模型之间的切换理解为随机有向图,并综合利用前一时刻模型的后验概率和当前时刻模型的预测概率,计算模型之间的转移概率,从而能够根据目标（转弯）机动的情况,自适应地建立IMM算法的可变模型集。仿真结果表明,改进的AIMM算法的跟踪精度有了较大的改善,算法也更加平稳。     

基于模糊推理的自适应交互多模型目标跟踪算法

提出了一种模糊自适应IMM算法（FAIMM）,通过模糊逻辑,根据加速度估计值,自适应地摒弃概率较小的模型,仅选取整个模型集合中最能反映目标“当前”机动的一个模型子集进行运算,从而减少了模型数目;同时采用模糊方法计算模型概率,从而降低了算法的计算量;进一步,通过二级模糊推理,根据模型参考加速度ui的大小自适应地选择适当的最大机动加速度amax和a-max,使系统具有一定的方差调整能力,从而提高了跟踪精度。仿真结果表明,较之于标准IMM算法．FAIMM算法在机动目标跟踪精度、跟踪的平稳性以及收敛速度等方面都有所改善。     

VICKF-IMM算法在机动目标跟踪中的应用

针对智能体移动方式复杂,对其进行观测的传感器测量的信息存在噪声以及目标运动轨迹发生突然的改变会导致目标观测失真甚至错误的问题,提出了一种变积容积卡尔曼滤波交互多模型算法（VICKF-IMM）。该算法将容积卡尔曼滤波与交互多模型算法相结合,并对容积卡尔曼滤波（CKF）中球面积分进行变积分转换处理。优化了其积分求解的方式,提高了整体的稳定性。Monte-Carlo仿真分析,与CKF-IMM和UKF-IMM算法相比,该算法的跟踪精度有明显的提高,并在目标运动发生突变时有更高的稳定性。     

基于交互式多模型的水下机动目标跟踪

为了解决水下机动目标跟踪的实时性和可靠性问题,在交互式多模型(IMM)的框架下对水下机动目标跟踪进行了分析,建立了目标运动方程和观测方程。交互式多模型滤波算法的选择直接影响到跟踪的精度,在跟踪滤波方面,针对交互式多模型滤波过程中观测方程非线性对滤波性能的影响,分别将扩展卡尔曼滤波(EKF)和无迹卡尔曼滤波(UKF)2种滤波算法与交互式多模型算法相结合。仿真结果表明,交互式多模型算法与UKF算法结合的滤波精度更高,能够更有效、可靠地达到跟踪机动目标的目的。     

基于IMM-UKF的非线性机动目标跟踪仿真研究

在处理非线性强机动目标跟踪问题时,扩展卡尔曼滤波方法跟踪误差大、容易引起滤波发散,同时其系统模型可能随时间变化,不能应用传统的线性滤波方法以及单一状态模型来处理该类问题.假设在整个跟踪过程中,运动由水平匀速运动、俯冲运动和爬升运动3部分组成,目标量测由斜距、方位角和高低角组成,并基于此建立了目标运动状态模型和观测模型,给出了模型转换矩阵,设计了基于IMM-UKF滤波器,并进行了仿真.结果表明,该方法可以以较高精度跟踪非线性机动目标运动状态,同时具有较高的收敛速度.     

两阶段卡尔曼滤波自适应交互式多模型算法

对于机动目标跟踪问题,由于目标机动能力的增强,需建立大量模型来逼近真实模式,使建立的目标模型与目标的实际运动适配,但这使计算量增大,而且性能不一定能提高.针对这个问题,将两阶段卡尔曼滤波器与一般的交互式多模型算法相结合,设计了一种自适应交互式多模型算法.该算法采用两阶段卡尔曼估计器估计目标的加速度,然后将其反馈到由多个不同参数构成子滤波器的交互式多模型滤波算法中进行交互式多模型滤波.与自适应半交互式多模型算法进行对比的仿真验证了该算法有效地减少了子滤波器的数量,同时在一定程度上也提高了跟踪的精度.     

基于CS-Jerk模型的改进机动目标跟踪算法

文中通过对CS-Jerk模型中的参数以及卡尔曼滤波的分析,提出了一种改进的CS-Jerk模型目标跟踪算法。该算法根据量测新息及其变化率,通过模糊推理机制自适应的调整"当前"统计Jerk模型的机动频率,接着利用强跟踪滤波器对运动模型进行滤波来弥补卡尔曼滤波器的不足。仿真结果表明,提出的改进CS-Jerk模型目标跟踪算法显著提高了原CS-Jerk模型在不同机动模式下对高机动目标的跟踪精度,验证了算法的合理性和可行性。     

自适应交互式多模型目标跟踪算法

以防空火控系统的跟踪预测为背景,提出一种自适应的交互式多模型跟踪算法。该算法采用后验信息修正模型的噪声方差和马尔可夫转移矩阵,使IMM具有自适应能力。将该算法应用于由CA、CV两模型组成的交互式多模型算法中取得良好的效果。仿真结果表明,该算法跟踪精度比标准IMM有较大改善。     

一种基于ARMA新息模型的机动目标跟踪算法

针对一般机动目标跟踪算法的复杂性和计算量大的缺点,提出了一种基于ARMA新息模型的改进稳态Kalman滤波算法.该算法选取极坐标系为跟踪坐标系,将反映径向加速度和机动角加速度的控制输入量引入到目标距离和方位的状态描述模型中,其计算量远远小于一般跟踪算法.仿真试验结果表明该算法满足机动目标跟踪的精度要求,可应用于机动目标的快速跟踪.     

基于模糊控制交互式多模型粒子滤波的静电机动目标跟踪

针对交互式多模型粒子滤波算法（IMMPF）的精度不高,算法更新时间长,难以满足静电机动目标跟踪要求的问题,提出了一种新的基于模糊控制的交互式多模型粒子滤波算法（FIMMPF）。该算法先利用模糊控制方法实现实时调整交互式多模型算法中的转换概率矩阵,使与目标当前运动状态最接近的运动模型在混合产生这一采样时刻的初始状态向量里占有更大的比重。同时,为了提高基本粒子滤波算法的精度,减小算法更新时间,再利用中心差分扩展卡尔曼滤波算法产生基本粒子滤波的建议分布函数,实现对目标运动状态的更新。理论分析和仿真结果表明,所提出的算法能够以更高的定位精度,更小的计算量实现对静电机动目标的跟踪。     

基于模糊逻辑的交互式多模型网络化弹药多节点目标跟踪算法

针对地面网络化弹药系统多节点目标跟踪问题,提出了基于模糊逻辑的交互式多模型（FL-IMM）多节点目标跟踪算法。在多模型交互输出阶段,利用测量误差协方差矩阵的理论值与估计值之间的差值自适应调整测量误差方差;在多节点融合阶段,建立模糊融合系统（FFS）将来自不同节点的目标状态估计数据融合,进而得到网络目标状态估计。通过一个具有3个主探测节点的网络验证了该算法的可行性。实验结果表明,该算法在传感器失效、系统测量误差未知等情况下仍能很好地跟踪机动目标;该算法在地面网络化弹药多节点目标跟踪方面具有较大的实用性。     

基于遗传优化的模糊交互式多模型目标跟踪算法

针对交互式多模型方法存在模型覆盖面不足和子模型间恶性竞争的问题,设计了一种基于遗传算法和模糊推理的智能优化模糊交互式多模型方法,该方法通过对模型集的自主寻优,能够实现任意时刻在最优模型集下的跟踪,通过建模仿真,在与传统的交互式多模型的比较中发现,使用该模型后目标跟踪误差显著减小,该算法具有较高精度及稳定性。     

机动目标跟踪中自适应滤波算法的研究

文中对机动目标跟踪中的自适应滤波算法进行了研究,给出了一种适用于雷达导引头跟踪系统的修正的自适应卡尔曼滤波算法,通过全弹系统的数字仿真,对影响该算法滤波性能的各种因素进行了分析讨论.大量仿真结果表明该自适应滤波算法对于机动目标具有良好的跟踪性能和适应能力.     

基于转换量测的水下目标跟踪

针对水下目标跟踪的实际应用情况，提出了基于转换量测误差统计分析的去偏转换量测和基于修正转换量测误差的无偏转换量测方法；给出了基于转换量测的球坐标一直角坐标下目标跟踪算法，并进行了性能仿真。结果表明：这两种跟踪方法都具有很高的跟踪精度和稳定性；基于修正转换量测的跟踪算法对角度量测误差的不同分布有较强的适应性，在角度量测误差较大的情况下，该算法的性能要优于基于误差统计分析的跟踪算法。     

基于粒子滤波器的多机动目标跟踪贝叶斯滤波算法研究

提出了一种新的基于粒子滤波器的贝叶斯滤波算法, 用于在非线性非高斯假设下跟踪多机动目标.对目标动态行为的已知描述构成了贝叶斯的先验知识.近来时序蒙特卡罗技术的发展, 特别是粒子滤波器算法, 使采用一个目标状态的集合对贝叶斯模型的后验知识进行建模和跟踪成为可能, 这个集合可以看作是这个后验密度函数的采样集合.这种新的贝叶斯滤波算法是粒子滤波器与划分采样技术和假设计算的有机结合.在与SIR/MCJPDA算法的比较仿真研究中, 证明该算法能够提高系统的跟踪性能.     

基于交互式多模型的弹道导弹跟踪

弹道导弹飞行主动段和自由段的运动学模型差别很大,在未准确知道导弹关机点时间先验信息前提下如何对弹道导弹主动段到自由段进行连续跟踪已成为目前亟待解决的问题.针对该问题,提出了一种实时交互多模型跟踪算法,根据弹道导弹主动段和自由段不同受力情况建立相应的跟踪模型.该算法包括两个滤波器:一个为对主动段跟踪效果比较好的CA-EK...     

自适应交互多模型的PHD粒子滤波多机动目标跟踪

针对多机动目标跟踪中采用统一固定模型转移概率的问题,提出一种在线估计模型转移概率的自适应多模型PHD滤波(AIMM-PHD)。首先保留模型的采样粒子及其似然度;其次根据粒子的分类结果,计算出每个目标对应每个模型的状态输出;最后将输出交替作为模型输入进行滤波,计算出目标的模型转移概率。实验表明:相较于IMM-PHD,所提AIMM-PHD有较低的OSPA误差,目标个数估计更准确,且时间只增加了8.1%,从而证明了该算法的有效性。