比例导引下的机动目标跟踪

本文在假设目标做比例导引运动，噪声为零均值的高斯白噪声的条件下，探讨了机动目标跟踪问题。把比例导引规律引入系统方程，建立了线性时变模型，用滤波－识别两步走的方法对状态进行了估计，对参数进行了识别，模拟结果表明，此方法原理是正确的，计算是可行的。     

小口径舰炮拦截机动目标的火控算法研究

为了解决小口径反导舰炮不易于跟踪瞄准高速机动目标的问题,针对做比例导引运动的反舰导弹,将比例导引规律引入状态方程,建立线性时变模型,实现对系统状态的Kalman滤波;在简易射表拟和函数基础上,提出了基于比例导引运动的解相遇模型,为控制火炮射击提供了算法基础。     

复杂环境下红外机动目标跟踪算法研究

在分析红外机动目标模型的基础上,利用扩展的卡尔曼滤波技术、红外目标的区域相关技术、概率数据关联技术等,实现了复杂环境下红外机动目标的跟踪。仿真结果证明了跟踪模型及算法的有效性。     

机动目标跟踪系统仿真软件设计与实现

针对机动目标跟踪算法的研究,采用C／S（Client／serve,客户机／月艮务器）体系结构和面向对象的模块化设计思想,设计了机动目标跟踪系统仿真软件,利用剧情生成模块模拟雷达探测到的目标运动数据,通过跟踪算法对目标实施跟踪处理,估计目标运动状态,实时地在演示界面上显示目标运动信息和跟踪性能评估结果,为机动目标跟踪算法研究搭建了一个具有较高可信度的、直观的仿真系统。     

机动目标跟踪典型算法评述

机动目标跟踪算法可以划分为两种：极大似然法和贝叶斯估计法，前者通过对目标量测序列的分析，采用与当前目标运动模式匹配度最高（极大似然性）的模型（包括系统模型和观测模型）对目标状态进行跟踪和估计；后者则首先假定一组模型，再根据量测序列进一步估计出其中每个模型的匹配概率，最后采用贝叶斯公式对全部或部分模型估计进行综合。在此框架下，论文对其中的一些典型算法进行总结和分析。     

雷达跟踪机动目标的多模型算法研究

研究了多模型算法在雷达跟踪机动目标中的应用,并以所提出的一种多模型算法说明了多模型算法的有效性。     

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.     

一种基于BP神经网络的机动目标跟踪算法

交互式多模型（IMM）算法是一种可以有效跟踪机动目标的滤波算法,针对其跟踪精度和计算量在很大程度上受制于模型选择和转移概率确定的问题,提出了一种利用BP神经网络修正子模型滤波结果的改进IMM算法。仿真实验表明,该方法可以使IMM算法的收敛速度加快,收敛精度提高,改善了跟踪性能,具有一定理论指导意义。     

机动目标无源自适应跟踪算法研究

论文提出了一种对空中机动目标进行三位测向无源自适应跟踪的新算法.该算法把目标机动加速度看成是未知的输入向量附加到状态方程中去,然后利用状态向量扩维情况下的伪线性滤波算法对目标进行三维无源跟踪,跟踪过程中在对原来目标状态向量进行估计的同时估计目标加速度,仿真结果表明,该算法不需要对目标进行机动检测,它能够适应目标机动和非机动两种工作模式,实现对空中机动目标的自适应无源跟踪.     

潜艇装备适应机动目标跟踪和攻击要求的探讨

在现代作战条件下,潜艇所要跟踪和攻击的目标多数情况下应认为是机动目标,然而,许多潜艇装备主要都是针对等速直航目标的。这种装备与实际应用背景之间的不匹配必然会严重影响潜艇作战的能力和效果。按照机动目标为常态目标状态的理念,对潜艇装备满足机动目标跟踪和攻击提出的要求及若干相关问题进行了研究。并就潜艇作战的主要设备—目标探测传感器、指控系统和武器如何分担机动目标跟踪和攻击的职责进行了梳理,对它们需要强化的机动目标跟踪和攻击功能,以及如何强化进行了探讨。     

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。     

基于固定延迟平滑算法的机动目标跟踪方法

为进一步提高机动目标的跟踪精度和估值算法的数值稳定性,文章基于平方根UKF（square root UKF：SR-UKF）和固定延迟平滑算法（fixed-lag smoothing）提出一种新的固定延迟平方根UKS算法（fixed-lag square root unscentedkal man smoothing：FL-SR-UKS）。数值仿真说明该算法可以有效处理机动目标跟踪问题,且状态估值精度优于SR-UKF。     

基于UPF的神经网络辅助机动目标跟踪

为提高机动目标跟踪性能,提出了一种神经网络辅助下的滤波方法。基于Unscented卡尔曼滤波方法,Unscented粒子滤波器（UPF）能够产生较准确的建议密度分布,因此相对于其它蒙特卡洛方法,UPF能够获得对非线性目标跟踪问题更好的近似。利用目标的机动特征建立和训练神经网络,将神经网络的输出作为加速度控制参数,用于修正目标的运动模型。仿真结果表明,与扩展卡尔曼滤波相比,神经网络辅助下的UPF具有更好的跟踪性能。     

基于权值优选粒子滤波的雷达目标跟踪

本文详细分析了粒子滤波的特点,给出了基于权值优选的粒子滤波算法,对雷达目标进行了跟踪。仿真结果表明,基于权值优选的粒子滤波算法在N值较小的情况下较标准粒子滤波算法具有更明显的优势。