基于辅助变量法的双基阵纯方位目标跟踪算法

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,但估计结果严重有偏。针对伪线性估计算法估计的有偏性,提出了一种新的辅助变量方法对双基阵纯方位跟踪性能进行改进。该算法将上一时刻的目标估计值进行一次Levenberg-Marquardt迭代而得到的估计值作为辅助变量,进而对目标参数进行加权的最小二乘估计。通过仿真说明了利用该方法在不同的测量环境噪声下所得到的位置、速度跟踪误差曲线能快速地逼近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。     

基于强跟踪滤波器的纯方位机动目标跟踪算法

针对无源纯方位跟踪中目标机动的问题,提出了一种基于强跟踪滤波器的机动目标跟踪算法.该算法在目标机动跟踪中通过实时调节增益阵,提高了滤波器对状态变化的跟踪能力,避免了修正增益协方差(MGEKF)算法中所寻找的观测量修正函数不准确而引起较大的误差.同时对量测模型非线性问题采用伪量测变换估计器(PLE)予以解决,它具有形式简单,计算量小的优点.最后将该算法与MGEKF算法相比较,Monte Carlo仿真结果验证了提出算法的优越性.     

单站纯方位目标多模型卡尔曼滤波跟踪算法的研究

EKF滤波算法是进行目标被动定位与跟踪的重要方法之一，为了克服EKF初始化困难和减小线性化误差，对传感器的最大探测距离与最小距离所构成的距离区间实施分区划分，划分成若干个目标可能存在的小区段。钟对每一个小区段，使用扩展卡尔曼滤波，完成滤波协方羔的旋转变换，实现单站纯方位目标状态的估计和跟踪。经过大量仿真计算表明，该算法对滤波初值的设置有较大的选择范围，具有很好的稳定性，精度较高，实施水下目标被动跟踪具有重要意义。     

用于稠密目标环境的一种跟踪算法

本文介绍用于稠密目标环境的一种跟踪算法。该算法是为处理非常大量目标的被动式光学(仅有角度信息)敏感器而设计的。考虑到实际应用,敏感器的角度分辨力是有限的,采样率也极低。对于更复杂的算法设计问题,基本系统几乎是不可观察的。在这种情况下,标准的推广卡尔曼滤波器是不能用的;必须使用一种迭代式的最大似然估计器。     

三维AoA目标跟踪的二次约束卡尔曼滤波算法

在基于到达角(angle of arrival,AoA)的三维目标跟踪中,伪线性卡尔曼滤波具有稳定性高和计算复杂度低的优点,但是严重的偏差问题使其跟踪精度迅速下降.针对该问题,提出一种二次约束卡尔曼滤波(quad-ratic constraint Kalman filter,QCKF)算法.首先引入涉及所有观测噪声项的...     

一种基于小波变换的机动目标跟踪算法研究

小波变换是去噪的有力工具 ,它可以将由各种不同频率成分组成的信号分解到不同的频率区间上 ,有效地用于滤波。研究了一种基于多尺度分解的机动目标跟踪算法 ,该算法利用小波中的经典算法———Mallat算法对单一分辨率的测量数据进行多尺度分解 ,将分解得到的多分辨率测量数据用于目标状态更新。该算法是一种准实时最佳滤波算法。仿真结果表明 ,该算法具有良好的跟踪性能 ,且运算量不大。     

双基阵纯方位水下被动目标跟踪性能仿真分析

研究了基于纯方位信息的双基阵声纳信息融合的跟踪性能，并进行了详细的仿真实验。仿真结果表明，在平台—目标相遇这种较为常见的态势下应用扩展卡尔曼滤波可以快速、稳定地完成目标运动要素的估计，同时还揭示了平台与目标运动的几何态势对跟踪性能的影响，为工程应用提供了参考。     

一种跟踪机动目标的新方法

本文应用控制理论分析了R.A.Singer零均值模型在跟踪机动目标方面的局限性;提出了一种目标加速度的截断正态概率密度模型,并将目标加速度模拟为非零均值、时间相关的随机过程;借助于切比雪夫(CHEBYSHEV) 不等式来确定目标加速度的均值和方差之间的关系,并引用卡尔曼滤波器所包含的目标机动的统计信息来实现方差自适应算法。 理论分析表明,本文的模型和算法跟踪恒加速目标时稳态偏差为零,从而消除了Singer方法在跟踪恒加速目标时所存在的稳态偏差。 计算机仿真结果证实了理论分析的结论,表明本文提出的模型和采用的算法能够较好地跟踪高度机动目标。     

一种多方位-速度算法存在问题的分析

利用测量的目标方位序列和一个已知的目标速度来解算目标运动的其他参数,在实际使用中,该方法效果很差,与仅方位方法十分相似:精度低、收敛慢。针对这一反常现象进行研究,剖析一种多方位-速度算法,结果发现它与仅方位算法实际上是完全一样的。进一步分析表明,出现这一问题的原因在于该算法建模过程中出现了极易被忽视的失误,就是对相互制约的待估目标参数没有进行相应的约束,导致已知的目标速度未能强制进入解算过程参与其他参数的解算。给出的仿真算例验证了理论分析的结果。     

一种带加速度补偿的H∞次优滤波目标跟踪算法

提出一种带加速度补偿的H∞次优滤波跟踪算法。该跟踪算法通过不断调整H∞滤波器的参数γ来逼近H∞最优滤波器。同时,引入一个加速度估计器和一个机动检测器,加速度估计器通过目标最近三点的位置来估计目标当前加速度值,机动检测器用来检测目标是否机动,当检测到目标机动时,则启动加速度估计器计算加速度,并利用该值对目标状态估计值进行补偿。从而使得该跟踪算法不仅对目标机动具有鲁棒性,而且所得到得估计误差方法最小。仿真结果表明,所提出的目标跟踪算法对高机动目标有良好的跟踪效果。     

基于量测转换与输入估计的机动目标跟踪算法

针对雷达系统中机动目标的跟踪问题,提出输入估计(input estimation,IE)与无偏量测转换（unbiased converted measurement,UCM）相融合的自适应算法。用无偏量测转换技术将观测量转换到直角坐标系,使得在极坐标系内应用IE成为可能;提出检测窗内加速度阶梯变化的假设并推导相关模型,使得单个输入估计器能够跟踪各种变化机动。仿真分析表明,算法与基于多滤波器并行工作的交互式多模型相比,跟踪精度相当,但运算量大大降低,因此适用于对性能和实时性要求较高的场合,有很好的应用前景。     

UKF算法及其在目标被动跟踪中的应用

利用了一种用于非线性系统的,基于无迹变换的Kalman滤波算法的一个新的扩展方法—UKF,推导了应用于方位角预测和纯方位跟踪两个方面的UKF滤波算法,并给出了具体步骤。仿真说明了在目标跟踪领域,应用该方法比以往EKF类的方法在滤波精度上明显提高,并且在实际应用中,由于该算法实现简单、计算量小而增强了可用性。     

基于时延的水中目标纯方位跟踪算法

针对水听器与艇载噪音声纳构成的系统,提出了一种新的水下被动目标运动分析方法。利用测得的方位序列和到达不同传感器的时延差,建立了状态方程和观测方程。运用扩展卡尔曼滤波算法,研究了该系统的目标运动分析问题。蒙特.卡洛模拟仿真试验结果表明,该方法具有较高的定位性能。该系统构成简单,有良好的应用前景。     

旋转相控阵雷达变数据率目标跟踪算法

旋转相控阵雷达由于天线面阵旋转和电子波束偏移限制,每天线周期有66.7％左右的时间不能照射到正在跟踪的目标,可连续取值的自适应变数据率跟踪算法不适用于旋转相控阵雷达.在Cohen研究基础上,提出一种离散取值的变数据率跟踪算法应用于旋转相控阵雷达目标跟踪.该算法在直角坐标系下进行运动状态估计,在球坐标系下计算跟踪残差,利...     

基于算法融合的红外成像目标稳健跟踪方法

针对复杂背景下的红外图像机动目标跟踪问题,在对现有的多种红外成像目标跟踪算法进行分析与比较的基础上,提出了一种基于算法融合的红外成像目标稳健跟踪方法。该方法在对各跟踪器输出的目标位置测量值序列采用基于“当前”统计模型的模糊交互多模方法进行处理的基础上,采用基于总均方误差最小规则的自适应加权融合方法对目标状态的多个滤波与预测值进行综合处理,较大程度上提高了系统的跟踪精度与稳定性。仿真结果显示了该方法的有效性与稳健性。     

Energy efficient target tracking algorithm using cooperative sensors

Target tracking is one of the applications of wireless sensor networks(WSNs).It is assumed that each sensor has a limited range for detecting the presence of the object,and the network is sufficiently dense so that the sensors can cover the area of interest.Due to the limited battery resources of sensors,there is a tradeoff between the energy consumption and tracking accuracy.To solve this problem,this paper proposes an energy efficient tracking algorithm.Based on the cooperation of dispatchers,sensors in the area are scheduled to switch their working mode to track the target.Since energy consumed in active mode is higher than that in monitoring or sleeping mode,for each sampling interval,a minimum set of sensors is woken up based on the select mechanism.Meanwhile,other sensors keep in sleeping mode.Performance analysis and simulation results show that the proposed algorithm provides a better performance than other existing approaches.