杂波下变结构概率数据关联算法

针对杂波情况下的舰艇防空作战中对单机动目标跟踪问题,提出了一种变结构数据关联算法.通过自适应网格算法实现对多种运动模式的机动目标进行自适应跟踪,用概率数据关联算法对杂波下目标进行状态估计,将变结构算法的自适应能力和概率数据关联的杂波跟踪能力相结合.通过模拟跟踪典型反舰导弹机动轨迹,将该算法与标准IMMPDA算法相比较.仿真结果表明,该算法具有较高的关联精度和更短的跟踪时间,对于提升舰艇防空效能和增强生命力有着积极意义.     

基于自适应分数阶Kalman滤波的船舶视觉跟踪

为提高Kalman滤波算法的准确性和鲁棒性,提出一种基于自适应分数阶系统的Kalman滤波算法,设计状态噪声协方差选择的自适应机制,推导其数学过程。将该算法应用到船舶视觉跟踪中,选取不同河流的CCTV(Closed Circnit Television)船舶监控视频(包括不同情况下的内河船舶运动监控),针对不同船舶大小、复杂光照、不同明暗度、多船会遇和多船追越等情况进行船舶视觉跟踪。对不同分数阶下的跟踪误差和准确度进行分析,并将分数阶Kalman滤波器与整数阶滤波器相比,说明其具有更宽的参数选择范围和更高的跟踪精度。研究结果表明:与分数Kalman滤波和Kalman滤波相比,该自适应分数Kalman算法具有更小的中心位置误差和更好的跟踪精度,能很好地避免跟踪器的漂移效应,具有较强的鲁棒性和准确性。     

基于S修正卡尔曼滤波的自适应网格模糊交互多模型算法研究

针对机动目标跟踪问题中,固定结构多模型(FSMM)算法费效比不高以及交互式多模型(IMM)算法马尔可夫转移概率难以准确确定的问题,研究一种基于S修正卡尔曼滤波的自适应网格模糊交互式多模型(AGFIMM-SKF)算法。该算法通过自适应网格调整实现了模型集自适应,通过模糊逻辑推理得到模型集中各个模型的匹配度,并且对标准卡尔曼滤波器进行S修正。仿真结果表明,AG-FIMM-SKF算法与标准的IMM算法相比,可以有效提高多模型算法的精度和费效比,且适合工程应用。     

目标跟踪时的雷达分级功率自适应控制

为进一步提高雷达的射频隐身能力,基于交互多模型算法,提出目标跟踪时的雷达分级功率自适应控制算法.根据运动状态的不同,自适应的确定下一时刻的辐射功率.在确定功率的分级准则的基础上,建立了辐射功率与目标跟踪性能之间的关系模型,然后对目标跟踪算法中的运动目标设定期望的协方差,利用协方差控制方法对各个时刻的功率进行分级控制,不仅满足跟踪精度,而且合理地控制辐射功率.仿真结果表明该算法具有较好跟踪性能,同时减小了跟踪过程中的辐射功率,从而提高了雷达的射频隐身能力.     

GPS动态定位中自适应卡尔曼滤波模型的建立及其算法研究

采用描述机动载体运动的“当前”统计模型，建立了一种新的ＧＰＳ动态定位自适应卡尔曼滤波模型。为了进一步提高滤波器的动态性能，提出一种改进的自适应滤波算法，大大提高了ＧＰＳ动态定位卡尔曼滤波器的跟踪能力，改善了滤波效果。计算机仿真结果验证了该算法的有效性。     

节点信息融合的舰船目标跟踪算法

舰船目标跟踪成为各国关注的热点,针对当前舰船目标跟踪算法存在的跟踪速度慢、跟踪精度低等缺陷,以提高舰船目标跟踪效果为目标,设计了基于节点信息融合的舰船目标跟踪算法。首先采用多个传感器对舰船目标状态信息进行收集,并对信息进行一定融合,减少舰船目标状态信息的重复率,然后引入跟踪-学习-检测技术对舰船目标进行跟踪,最后采用舰船目标跟踪实验测试其性能。结果表明,本文算法可以动态、准确地对舰船目标进行检测和跟踪,相对于当前其他舰船目标跟踪算法,无论是跟踪精度或者是跟踪实时,均具有十分明显的优势。     

一种新的雷达间隙辅助红外的机动目标跟踪算法

论文针对雷达间隙辅助红外的机动目标跟踪问题,提出了一种新的跟踪算法。该算法由跟踪误差与精度指标的大小来选择雷达的开机时间,从而构成了一个闭环的跟踪系统,解决了在给定的跟踪精度指标下雷达的开机时间选择问题。其思想为：在内层通过引进高、低门限,根据跟踪精度与门限的大小,自适应地选择交互式扩展卡尔曼滤波（IMM-EKF）或交互式粒子滤波（IMM-PF）;在外层将基于雷达量测的滤波结果和红外量测的滤波结果进行交互;从而实现了两层交互式自适应滤波。仿真结果表明该算法在计算复杂度和跟踪精度上达到了较好的平衡,实现了雷达间隙开机下对目标稳定的跟踪。     

一种新的改进"当前"统计模型

简要讨论了“当前”统计模型的机动目标建模与自适应跟踪的机理,并对“当前”统计模型中两种不同加速度分布进行了理论分析和计算机仿真,指出他们在跟踪机动目标时都存在着一定的不足。在此基础上提出一种改进的机动目标加速度的“当前”统计模型描述。仿真结果表明,基于本文提出的机动目标加速度“当前”统计模型建立的机动目标自适应跟踪算法无论在跟踪机动性较强还是无机动或机动性较弱的目标时,都具有较高的跟踪精度。     

基于粒子群优化粒子滤波的声呐目标检测前跟踪

针对传统固定粒子数粒子滤波算法计算量大、复杂环境下声呐微弱目标检测与跟踪鲁棒性不强的问题，提出基于粒子群优化（PSO）算法的粒子滤波检测前跟踪方法（IPSO-PF-TBD）。该算法在滤波预测与步骤更新之间加入PSO算法，结合预测信息和更新完成的粒子分布状态进行优化，将粒子集合转移到后验概率密度较大的区域，并充分利用声呐回波信号中目标粒子的权重信息设置粒子自适应采样策略，通过检测前跟踪（TBD）技术的数据帧间能量累积和目标检测，提高目标检测前跟踪的性能。仿真试验结果表明，提出的检测前跟踪处理方法对低信噪比及快速机动等复杂环境下的目标进行跟踪时，在位置估计精度和误差值方面明显优于粒子滤波（PF）和PSO-PF算法，具有一定研究和应用价值。     

CAUKF算法在船载导航目标跟踪中的应用

为定量分析内河船舶导航系统的跟踪性能,建立基于GPS/DR组合信息的船载导航系统非线性模型,以该模型作为系统模型,采用附有航向约束参考条件的自适应无迹变换卡尔曼滤波算法,推导得出非线性导航滤波器的滤波方程。按照船载目标的实际非线性模型进行演化时,采用此算法能够较好地实现非线性函数后验信息与估计误差的拟合。仿真结果表明,此算法比以往扩展卡尔曼滤波类算法在减少运算量和提高跟踪效果方面改善明显,具有良好的实用性。     

反舰导弹机动自适应跟踪算法研究

针对目前舰艇日益严峻的对空防御形势,为提高舰艇对反舰导弹机动突防的探测跟踪能力,首先阐述了目前反舰导弹的典型机动方式,然后在分析“当前”统计模型算法及其部分改进算法缺陷的基础上,提出了一种新的双参数自适应跟踪算法,并以反舰导弹典型机动为例进行仿真验证.实验结果表明,提出的改进算法自适应能力更强,能有效地提高机动目标的跟踪精度.     

飞艇与无人机协同对海上运动目标定位跟踪研究

为实现飞艇、无人机协同对海上运动目标定位跟踪,通过一系列坐标转、变换将无人机测得目标位置转换到飞艇相对地理参考系中,并应用改进的Sage-husa自适应卡尔曼滤波实现对目标的跟踪,改进的卡尔曼滤波器是在Sage-husa噪声估计器基础上进行递推推导并引入权值系数,仿真表明,改进的滤波算法稳定性好,精度高,具有较快的收敛性和较强的自适应性。     

机动目标滤波的最小二乘方法

基于最小二乘滤波精度分析的解析表达式，得出了最小二乘滤波器记忆长度的优化方法，提出一种目标运动加速度的在线实时估计方法，据此可实现最小二乘滤波器记忆长度的实时优化，形成一种适用于机动目标的基于最小二乘的自适应滤波方法。最后进行数值仿真，验证理论分析与算法的正确性。     

变步长BP网络优化导航雷达跟踪滤波系统的研究

本文提出了采用变步长ＢＰ网络实时处理导航雷达目标跟踪滤波数据。其原理是在ＢＰ算法中加入变动量因子,用Ｎ层变步长寻优进行前馈神经网络的学习。该算法能够根据输入时间序列的特点自适应调整网络优化步长,对匀速和变加速运动目标的稳定跟踪精度分别在７．５ ｍ 和１１ ｍ 以内,而对急转弯的目标抖动２～４ 次就能及时跟踪上     

基于一种改进粒子滤波算法的目标跟踪研究

为了解决非线性、非高斯系统目标跟踪问题,研究了一种新的滤波方法——高斯粒子滤波算法。通过基于重要性采样和蒙特卡罗模拟方法得到一高斯分布来近似未知状态变量的后验分布。并讨论了此算法在机动目标非线性转弯运动中的跟踪应用,与粒子滤波算法相比,其优点是不需要重采样步骤。在闪烁噪声下比较了高斯粒子滤波器、粒子滤波器和扩展卡尔曼滤波器在滤波精度、运算时间等方面的差异,仿真结果表明该算法性能优于其他算法。     

基于均值漂移粒子滤波的目标跟踪算法研究

针对粒子滤波计算量大的问题,将视觉跟踪领域的均值漂移算法（Mean Shift）与粒子滤波（PF）算法相结合,该算法利用均值漂移算法在重采样之后将粒子收敛到靠近目标真实状态的区域内,改善了传统粒子滤波器的退化现象,减少了算法的运行时间,通过被动跟踪仿真实例,同时使用均值漂移粒子滤波与传统粒子滤波进行跟踪仿真,分析了轨迹跟踪性能,利用均方根误差比较了误差性能。仿真结果表明,Mean Shift PF具有更高的跟踪精度,并且运行时间显著减少。     

卡尔曼滤波器在舰载雷达目标跟踪中的实现

舰载雷达目标追踪系统可以探测和跟踪海面、水下和空中的目标,为船舶导航等提供重要的目标数据,保障船舶安全和正常航行。卡尔曼滤波器(CKF)是基于容积卡尔曼滤波算法设计的一种典型非线性滤波器,近几年来获得了广泛的关注。本文利用容积卡尔曼滤波器,对传统舰载雷达系统进行鲁棒性和近似线性的优化,提高舰载雷达目标追踪的效率和精度。     

基于采样的非线性滤波算法比较

在处理目标跟踪等动态系统实时估计问题中,通常采用EKF作为状态估计方法提高估计精度。由于EKF进行非线性估计存在一些缺陷,将系统进行线性化近似存在估计误差,从而影响目标跟踪的精度。为了获得更高的估计精度,介绍了几种非线性滤波算法,包括unscented卡尔曼滤波算法、简单粒子滤波算法以及无味粒子滤波算法（UPF）。分析了这几种算法的原理和实现,对各种算法的适应性进行了比较。通过目标跟踪仿真实验,表明UKF、PF较EKF估计精度和收敛速度有所提高。     

雷达机动目标的自适应跟踪算法

机动目标跟踪一直是雷达目标跟踪的重点难点,论文建立了一种当前统计模型的目标运动模型,给出了概率密度以及非零均值目标加速度随机过程数学表达式,结合基本Kalman滤波,建立了基于该模型的机动目标跟踪自适应算法.最后针对实际目标机动情况,对其进行仿真计算,仿真结果证明,该算法具有良好的跟踪性能.     

自适应滤波器在组合导航系统中的应用

为克服传统卡尔曼滤波器过于依赖模型先验噪声知识的不足，针对计程仪／SINS组合系统提出基于信息更新序列为反馈的自适应滤波器，建立相应模型。仿真结果表明，这种自适应滤波器算法简单，并能有效提高组合系统的精度。