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。     

一种双基阵纯方位机动目标被动跟踪方法

利用2部被动声呐基阵获取的目标方位信息对水中机动目标的跟踪实质是一个非线性状态估计问题,由于观测方程的非线性性,滤波环节不可避免地要用到非线性滤波算法.以往解决此问题的方法是在基于交互多模型(IMM)算法并在其滤波环节应用扩展卡尔曼滤波(EKF)算法.然而,EKF算法在计算滤波误差协方差阵时没有融入当前观测信息.为此提出在原方法的基础上用其改进算法即修正协方差扩展卡尔曼滤波(MCEKF)算法取代EKF算法,以改善跟踪性能,从而得到一种新的方法.经仿真验证了所提方法的正确性和有效性.     

舰载雷达目标跟踪的非线性滤波仿真

雷达观测模型常常是非线性的,目标跟踪问题是一个非线性状态混合估计.考虑目标稳定跟踪与实时性要求,采用"当前"统计目标运动模型与粒子滤波(PF)非线性方法对雷达机动目标跟踪进行算法分析.仿真验证了"当前"统计模型下的非线性粒子滤波及扩展卡尔曼滤波(EKF)目标跟踪性能,表明非线性粒子滤波,尤其是U变换粒子滤波(UPF)目标跟踪精度和稳定性较好,值得工程应用与推广.     

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.     

基于无味粒子滤波和交互多模型算法的多机动目标跟踪

闪烁噪声是一种非高斯噪声．为了提高闪烁噪声下多机动目标跟踪的精度，在交互多模型IMM（Interacting Multiple Models）算法的基础上将非线性非高斯系统滤波算法——粒子滤波与IMM算法相结合，采用无味粒子滤波UPF（Unscented Particle Filter）代替IMM算法中各模型的卡尔曼滤波，提出了一种UPF—IMM算法，并应用该算法代替传统IMM_JPDA数据关联方法中的IMM部分，解决了闪烁噪声环境下的多目标跟踪问题，实验结果表明该算法可以明显地提高跟踪精度．     

跟踪机动目标的最小子模型集切换算法研究

研究了机动目标跟踪的多模型(MM)方法,提出了一种新的多模型方法——最小子模型集切换(MSMSS)算法。这种算法从总模型集中自适应确定最小子模型集,用来进行多模型估计。仿真结果显示,和标准的交互式MM(IMM)相比,MSMSS算法在具备同等跟踪性能的前提下计算量很小,在计算量相同的情况下具有更好的跟踪性能。     

目标跟踪下的 LS 算法和 IMM 算法性能比较*

针对机动目标跟踪中如何提高跟踪精度问题,选取合适的跟踪滤波算法,利用两种经典跟踪滤波算法：交互式多模型算法（IMM）和最小二乘法（LS）,实现对目标的跟踪。并利用仿真进行了比较,结果证明IMM 具有更加高效的跟踪效果,符合设计需要。     

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。     

双基阵纯方位被动定位跟踪方法

研究了双基阵纯方位目标运动分析的原理和方法,给出了卡尔曼滤波算法的模型。针对目标跟踪和滤波中容易出现的跟错目标和滤波发散问题,提出将进行方位数据时空关联、采取航迹状态转移和距离回归门限相结合的方法实现对单、双目标的跟踪定位。仿真实验表明,应用该方法可以快速、稳定地完成目标运动要素的估计,可以较好地应用于工程实现。     

一种单脉冲末制导雷达抗质心干扰算法

为了提高单脉冲末制导雷达的抗质心干扰能力,结合信号到达方向（DOA）的极大似然估计法和卡尔曼滤波,提出了一种新的算法。首先,在假设目标和干扰数量、参数已知的情况下,建立雷达多次接收信号匹配滤波后跟踪回波附近的多个相邻采样点的似然函数。其次,计算得到目标和干扰信号DOA、延迟和功率的极大似然估计,并应用最小描述长度（MDL）准则判断目标和干扰数量。最后,设计了合适的卡尔曼滤波器用于正确跟踪目标。仿真结果验证了算法的有效性。     

基于小波神经网络的船舶导航雷达航迹相关外推方法

采用小波神经网络实现船舶导航雷达跟踪的航迹相关外推,本算法采和神经网络的并行处理方式,结合小波分解理论中局部Lipschitz指数信息,实现雷达的高精度在线相关跟踪滤波,仿真结果表明,该算法的计算量不随目标运动模型复杂性增加而增加,并且具朋在线处理精度高、实时检测误跟踪准确等特点。     

基于加权预测残差的模型群切换算法研究

以舰艇反导武器系统中的机动目标跟踪与预测方法研究为背景,在分析变结构多模型算法的基本框架及模型群切换算法仿真计算流程的基础上,依据滤波过程中预测残差对跟踪精度的影响,提出一种基于加权残差的模型群切换方法.针对现代反舰导弹末端"蛇行机动"的运动特点,设计了不同的模型集,在想定的初始条件下进行Monte Carlo仿真实验,结果表明:提出的算法运行稳定,具有较高的费效比.     

利用多传感器跟踪机动目标:数据越多总意味着估计越好吗?

在文献中考虑利用多传感器跟踪机动目标一类的问题时,支持特定目标跟踪的传感器数量及类型通常相对于目标假定位置是固定的。然而,在许多多传感器系统中,支持某一特定目标跟踪的传感器数量及类型,可由于各个传感器的机动性、类型及资源的制约而随时变化。这种在传感器系统配置上的变化性,在跟踪机动目标时造成严重的问题,这是由于目标运动模型存有不确定性。卡尔曼滤波器通常用于滤波位置测量,以估计目标的位置,速度和加速度。在设计卡尔曼滤波器时,过程噪声(加速度)方差Q_k的如此选定以致于65％到95％的概率区间能包含目标的最大加速度水平。然而,当目标机动时,加速度以一种确定性方式变化。于是,与过程噪声相关的白噪声假设发生偏离,滤波器在目标机动期间产生状态估计偏差。如果选定一个较大的Q_k,则在机动时的状态估计偏差较小,但当目标不作机动时,此时的Q_k只能粗劣地表征目标运动,而且滤波性能远远偏离最优了。这里,举出了目标在单一坐标系运动的例子,说明了利用多传感器跟踪机动目标存在的问题,从中表明两传感器(在确定条件下,其中包括各传感器的正确配置)具有较之单一传感器更糟糕的跟踪性能。将交互式多模型算法(IMM)应用于该范例中,证明了它是一种解决跟踪滤波器性能问题的潜在方法。     

一种基于位置误差检测门限的机动目标跟踪算法

文章针对交互多模型算法（IMM）运算量大、模型集设定偏离真实目标机动轨迹等情况,通过将变结构交互多模型算法（VSMM）的机动检测准则进行改进,提出了一种基于位置误差检测门限的VSMM算法。通过将两种算法的跟踪效果进行仿真对比,结果说明文章所提算法能够较为有效地改善对机动目标的跟踪情况,具有一定的理论价值。     

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。     

基于距离参数化EKF滤波器的纯方位目标运动分析

针对纯方位机动目标运动分析问题,提出一种距离参数化EKF(RPEKF)滤波器设计方法,该方法能够有效降低探测平台与目标初始距离不确定性影响,提高目标运动状态估计滤波收敛性。针对水面目标典型机动形式,给出一种适用于RPEKF滤波器目标机动检测方法,基于评估目标方位角观测误差与目标运动状态协方差矩阵检测目标机动,通过重置滤波器保证目标运动状态估计滤波稳定。数字仿真分析结果表明,本文提出的算法能够实现对水面机动目标运动要素的快速无偏估计。     

被动多传感器改进交互多模型粒子滤波算法

将改进的粒子滤波算法即基于均匀重采样的粒子滤波(AUPF)与交互式多模型算法(IMM)相结合,提出交互式多模型均匀重采样粒子滤波算法(IMM-AUPF),并将其应用于被动多传感器的机动目标跟踪中。均匀重采样粒子滤波在标准粒子滤波的基础上通过改进重采样过程,在解决粒子退化问题的同时,增加了粒子的多样性,提高了滤波性能。在多模型中应用均匀重采样粒子滤波,提高被动多传感器系统的机动目标跟踪精度。将该方法与交互式多模型粒子滤波算法(IMM-PF)进行仿真对比,结果表明该方法具有更好的跟踪性能。     

基于加速度估计的复合导引头机动目标跟踪算法

信息融合算法是毫米波/红外复合导引头的关键技术之一,其中机动目标跟踪能力直接系统的跟踪性能。α-β作为一种常增益滤波器对CV或CA运动目标有良好的跟踪性能,但当目标机动时性能却大大下降。针对机动情况,提出一种目标加速度估计方法,并利用此加速度估计值来修正目标状态估计值,使其具有良好的机动跟踪性能。最后应用Matlab软件进行仿真分析,分析结果表明改进后的滤波器无论是对目标机动还是非机动跟踪性能良好,计算量少。     

一种抗差型航迹关联算法研究

航迹关联是多源信息融合中的关键问题.通过选择目标数据相似度计算模型和参数,计算不同信源航迹与航迹间的关联相似度,并以之构成目标关联矩阵.引入伪行列式的概念,对目标关联矩阵进行变换,形成目标联合分配矩阵.在分配限定条件下,通过最大化目标联合分配似然度,可得到航迹与航迹间的关联匹配对,实现航迹关联.仿真实验表明,在信源具有较大的系统误差情况下,该算法能够保持较高的关联正确率,表现出了良好的抗差特性.