量测随机延迟下带非高斯噪声的目标跟踪算法

为解决量测一步随机延迟及非高斯噪声条件下战斗机蛇形机动模式转弯角速度辨识问题,更好地实现蛇形机动的稳定跟踪,考虑到目标状态与转弯角速度之间相互耦合的特性,基于联合估计与辨识的思想,依据极大似然准则,提出了一种基于期望最大化的目标状态估计与转弯角速度辨识联合优化算法.该算法主体包含两个部分:E-step和M-step.在E-step,首先,通过充分考虑量测一步随机延迟特性及非高斯量测噪声,重新构造了粒子滤波器的似然函数,进而改进了粒子权重的更新公式,同时,为避免粒子贫乏现象的发生,将粒子群优化算法引入到重构的粒子滤波器当中进一步改进粒子采样过程;其次,将拒绝采样思想引入到后向模拟粒子平滑器当中,并相应地设置拒绝采样终止条件,优化后向模拟粒子平滑器,进一步提高平滑算法的执行效率;最后采用改进的粒子滤波器与后向模拟粒子平滑器进一步获取目标状态的平滑量;在M-step,通过采用牛顿迭代法极大化条件似然函数,从而获得转弯角速度的估计量,用于下一次算法迭代.通过E-step和M-step的不断迭代,进而获得转弯角速度的闭环形式的优化解.仿真实验结果表明,所提算法的目标状态估计与角速度辨识的精度均优越于传统的扩维法.     

海量目标量测数据下的目标跟踪

针对大量传感器同时跟踪同一目标产生海量目标量测数据而一般融合滤波算法难以处理的问题,提出了通过数学统计原理提取跟踪状态信息并应用交互式多模型统计滤波算法进行解决的方法。该方法首先利用数学统计原理从海量目标量测数据中统计出目标跟踪滤波过程中所需要信息,并利用改进的交互式当前统计模型算法对所提取信息进行滤波,在不影响跟踪精度的情况下很好地解决了的海量目标量测信息的融合跟踪问题。理论分析和仿真结果证明了该方法的有效性。     

隐身条件下协同空战的任务建模与任务规划

定义了隐身条件下的协同空战(CACSR)的基本概念,研究了面向CACSR的任务建模与任务规划原理。给出了面向CACSR任务的形式化模型,在此基础上对任务计划进行了形式化建模,给出了协同任务计划等定义;提出了任务动态管理框架及其步骤,建立了任务状态预测和任务效用模型,阐明了任务规划原理。对进一步明确CACSR条件下任务的认知、决策问题有着基础性作用,对新一代战斗机任务系统的概念、体系框架设计等有一定的帮助。