基于UKF的再入大气层弹道导弹跟踪研究

UKF（Unscented KF）是一种非线性滤波算法,该方法采用一组确定的取样值来近似目标状态的概率密度函数（不必是高斯分布）的均值和协方差,可用于非线性非高斯系统模型和观测模型条件下的目标跟踪,通过再入大气层弹道导弹跟踪仿真实验,验证了UKF算法的有效性、精确性和易实现性。     

一种基于Runge-Kutta积分的UKF跟踪算法

非线性滤波问题通常会面临过程方程和量测方程的双重非线性,利用传统的滤波算法进行处理时,离散化和线性化过程是导致滤波性能降低的根本原因.提出了一种基于Runge-Kutta积分的不敏Kalman滤波(UKF)算法,该算法能够直观、方便地对运动模型为连续非线性常微分方程组的跟踪问题进行处理,避免了复杂的Jacobi矩阵运算和离散化过程,使预测模型更加精确.以弹道目标跟踪为例进行了仿真实验,通过与传统UKF算法和扩展Kalman滤波(EKF)算法比较,结果表明该算法具有更好的性能.     

基于集群智能粒子滤波的弹道导弹跟踪

针对弹道跟踪问题,提出人工鱼群算法优化粒子滤波的方法.将集群智能思想引进粒子滤波,解决其粒子权值退化及粒子需求量大的缺点.首先,阐述了粒子滤波原理及其存在的一些问题.然后将人工鱼群算法融合进粒子滤波,使粒子群体向高似然方向移动,从而克服粒子权值退化问题.仿真结果说明该算法中的滤波算法的有效性.     

简化UKF算法在单站无源目标跟踪中的应用

根据实际的应用背景,对标准的UKF算法进行简化,提出一种SUKF(Simplified Unscented Kalman Filter)算法,并将其应用于无源目标跟踪。对实测数据的滤波结果表明,SUKF不仅运算复杂度低(与经典EKF相当,比UKF大大简化),而且收敛速度快、一致性好,跟踪精度高(达到了UKF同样的性能),非常适合于实时应用的场合。     

球坐标系下具有抗干扰能力的弹道导弹跟踪算法

 针对弹道导弹突防过程中释放的有源多假目标欺骗干扰,提出了一种新的具有抗干扰能力的弹道导弹跟踪算法.该算法不仅能够利用球坐标系下线性量测的优点,有助于提高真目标的跟踪精度,而且能够实时估计出假目标的延迟距离,利用雷达滤波结果即能辅助鉴别有源假目标.首先,将假目标的延迟距离增广到球坐标系的状态矢量中,从理论上导出了弹道目标更一般意义下的运动方程;其次,利用球坐标下的扩展Kalman滤波(EKF)对延迟距离进行实时估计,延迟距离较小的判定为实体目标,延迟距离较大的判定为有源假目标;最后,分析了相关因素对跟踪和鉴别性能的影响.该方法的优点是跟踪鉴别的一体化和实时性.     

基于Bayes弹道导弹主动段融合跟踪算法

弹道导弹主动段拦截中对导弹跟踪精度要求很高,如何将多种主动段探测装备得到的数据进行融合得到更加精确的数据是当前亟待解决的难题。针对此问题,文中研究了导弹预警卫星与雷达融合跟踪,提出了一种基于Bayes理论的弹道导弹主动段融合跟踪算法。该算法分别建立了导弹预警卫星和雷达对主动段探测模型和跟踪模型,应用POFACETS软件仿真了一种类型弹道导弹,并将其获得的导弹RCS数据应用到算法中,提高了算法的准确性。仿真实验表明,该融合跟踪算法可以获得比多个传感器算术平均值更精确的结果,具有较高的可靠性。     

基于Adams预估校正的UKF跟踪外推算法

不敏Kalman滤波(UKF)算法可以广泛用于各种目标运动的非线性估计中,传统的UKF滤波算法对于时间更新(即一步预测),一般采用对目标运动方程进行离散化或线性化处理,其结果不可避免地产生离散化误差,当目标运动非线性较强时,会导致跟踪误差增大,甚至无法给出正确的预测结果.文中提出的基于阿当姆斯(Adams)预估校正的UKF算法(即Admas-UKF),很好地解决了弹道目标过顶点的跟踪外推问题,仿真结果显示,与传统的UKF算法相比,此算法提高了跟踪外推精度,而计算时间远少于龙格库塔不敏Kalman滤波(Runge_Kutta-UKF)算法.     

一种基于UKF交互多模型算法

交互多模型采用模型软切换方式有效地解决了目标运动模式多样化的问题,是目前最具实用性的多模型机动目标跟踪算法。自从1988年提出该算法后,迅速在雷达机动目标跟踪与雷达组网技术中得到了广泛的应用。结合交互多模型算法和目前发展较为成熟的非线性估计算法———无味滤波算法,以高机动反舰导弹目标跟踪为应用背景,以基于匀速运动、匀加速运动、匀速转弯和“当前”统计模型这四种跟踪模型组成的模型集为基础,对交互多模型算法进行了仿真研究,证实了该算法的有效性。     

一种基于红外图像的小目标跟踪置前检测算法

为在低信噪比、强杂波的环境下提取目标，人们提出了跟踪置前检测(TbD)的小目标检测方法。讨论了红外图像杂波剔除和用最优非线性滤波器跟踪置前检测的算法，给出了算法模型和基本步骤，利用这种算法可有效地进行杂波抑制和对小目标跟踪置前检测。     

一种基于Kalman-mean shift的自适应跟踪算法

提出了一种基于Kalmanmean shift的自适应跟踪算法。利用卡尔曼滤波器预测目标在当前时刻的起始位置,并利用互信息量与目标尺寸之间的关系,在mean shift算法中加入了一个尺度更新项,通过尺度更新对运动目标,特别是目标尺寸变化的目标进行自适应跟踪。实验表明该算法提高了mean shift跟踪算法的适应性,有效地解决了长时间跟踪过程中尺度变化目标定位困难的问题。     

ECEF坐标系弹道导弹跟踪研究

针对单模型跟踪算法无法实现对弹道导弹连续精确跟踪的问题,提出了一种地心地固坐标系下弹道导弹全阶段连续跟踪的交互式多模型(IMM)算法。根据导弹不同飞行阶段的受力情况建立IMM算法的两个滤波模型集:助推段采用恒轴向力模型,中段、再入段采用被动段跟踪模型,两个模型都利用滤波精度高、数值稳定性较好的求容积卡尔曼滤波算法进行滤波。针对该IMM算法在混合估计过程中引入偏差的问题,采用无偏混合的方法,以两种典型的跟踪场景进行仿真校验,实验结果验证了该文算法的优越性。     

基于EM的主动段弹道导弹跟踪算法研究

为了提高未知弹道参数下主动段目标跟踪的精度,提出基于期望最大化（Expectation Maximization,EM）的联合优化算法框架.首先在E步基于平滑器得到状态和未知参数的后验估计,然后在M步计算初始状态的均值、协方差以及过程噪声协方差等未知统计量,最后推导出基于URTS（Unscented Rauch-Tung-Striebel）的EM算法,并给出未知统计量的最优解析解,避免了非凸优化难以求解的问题.仿真结果表明：在相同量级的计算量下,本文算法的状态估计精度优于迭代UKF（Unscented Kalman Filter）算法.     

多级助推段弹道导弹的轨迹仿真

弹道导弹的跟踪是弹道导弹防御系统中最核心的问题,建模弹道导弹运动模型是仿真弹道导弹的飞行轨迹和研究弹道目标跟踪的前提和基础。对包含多级助推段弹道导弹的运动模型进行建模,并详细分析了弹道目标的加速度受推进力、空气阻力、地心引力和外在力的影响;进一步描述了弹道导弹轨迹仿真的流程。通过仿真实验得到含三级助推器弹道导弹的飞行轨迹,并分析了多级助推段对速度和加速度变化的影响。这对于研究中远程弹道导弹跟踪问题是非常有意义的。     

跟踪弹道导弹全阶段的可变多模型方法

弹道导弹跟踪是弹道导弹防御系统中最核心的问题,然而传统的基于单运动模型的跟踪方法不能适用于跟踪弹道导弹的所有阶段。提出一种新的可变多模型(VUF)的跟踪方法,该方法具有以下的优势:采用多模型的结构,适用于跟踪任意阶段的弹道导弹;可变模型集的特征有效地提高了精度,同时降低了计算复杂度;采用UKF滤波方法具有更好的跟踪精度。仿真实验中设计了三个实验场景,与传统的EKF算法相比该方法明显地提高了跟踪的精度。特别是在弹道目标飞行阶段转换时,具有一定的识别能力和更鲁棒的跟踪性能。     

弹道导弹群目标跟踪分裂算法研究

对武器系统来说,越早完成弹道导弹群目标分裂跟踪,准备时间就越充分;但另一方面如果群目标分裂过早,在跟踪过程中极易发生混批、错批等问题。本文提出了弹道导弹群目标跟踪分裂算法：首先分析群目标形成与跟踪策略,论述了IMM-UKF滤波框架,然后对群目标分裂算法进行了数学建模,分析了影响群目标分裂性能的各种因素,最后采用Pareto改进方法解决了多目标规划问题求解。仿真结果表明,该算法能够达到群目标尽早分裂与群内目标关联稳定度之间的平衡。     

美国反导系统红外探测、跟踪和识别技术分析

分析了美国反导系统红外探测、跟踪和识别弹道导弹的机理,介绍了其技术方案和研究现状,并且展望了其发展趋势.     

基于图像的弹道导弹垂直起飞段弹道分析

为了解析弹道导弹垂直起飞段的运动轨迹,对测量方法进行了研究.在热像仪静止,弹道导弹起飞条件下,获取红外序列图像.利用SUSAN滤波算法滤除噪声,利用迭代法求得阈值,将其作为灰度窗口变换下限,进行图像分割后,求得目标质心.通过比较序列图像中不同帧间质心位置的改变,根据比例映射,求得目标在不同时刻的飞行高度.在VC 6.0和Matlab 6.5平台下,根据建立的弹道模型,利用非线性回归方法和矩阵理论,求得弹道模型参数.此方法可实现非接触测量,全场测量,而且精度高,自动化程度高.