基于改进Jerk模型的跳跃滑翔目标跟踪

针对雷达对跳跃滑翔目标跟踪问题,提出了一种基于改进Jerk模型的无迹卡尔曼滤波(UKF)跟踪算法。该方法针对常规Jerk算法需要人为预先设定加加速度方差和“急动”频率而引入的估计误差,通过当前位置估计值和当前位置一步预测值进行加加速度方差自适应计算,并将“急动”频率与加加速度方差相关联,在目标运动状态估计的同时实现了模型参数自适应调整。同时,将改进Jerk模型与UKF算法相结合,给出了整体算法流程,并进行了仿真实验。仿真结果表明,与常规Jerk模型算法相比,本文提出的方法实现了模型参数的自适应调整,在跟踪过程中更能适应目标的机动特性。

一种高度机动目标的“当前”统计Jerk模型

讨论了KishoreMehrotra等提出的高度机动目标模型———Jerk模型 ,应用古典控制论方法分析了该模型的局限性 ;提出了一种新的“当前”统计Jerk模型 ,即CS Jerk模型 ,该模型假设目标的机动加速度变化率为非零均值指数相关的随机过程 ;仿真结果表明CS

机动目标跟踪α-jerk模型

本文针对jerk模型中人为设定参数α值的不合理性,对机动时间常数的倒数α进行建模,提出新的α-jerk模型,并给出相应的α-jerk滤波算法。该模型在估计目标状态的同时,能够实时估计参数α的值。仿真结果表明α-jerk模型比jerk模型收敛速度更快,状态估计更精确。

高度机动目标的改进CS-Jerk模型

针对高度机动目标跟踪问题,通过对Jerk模型的分析,借鉴"当前"统计的思想,采用截断正态分布来表征目标机动加速度变化率(Jerk)特性,利用Jerk均值与方差之间的关系自适应调整过程噪声协方差矩阵,提出一种改进的"当前"统计Jerk模型(MCS-Jerk model);并通过理论分析指出了Jerk模型及其跟踪算法的缺陷以及改进的MCS-Jerk模型算法的有效性;仿真结果表明改进的模型及跟踪算法的高机动目标跟踪性能明显优于基于Jerk模型的跟踪算法。

高度机动目标Jerk模型及改进算法

针对Jerk模型常规算法跟踪Jerk机动时存在稳态确定性误差的固有缺陷,提出了Jerk模型改进算法。改进算法融合了Jerk模型及当前Jerk模型。Jerk模型描述弱Jerk机动,采用位置估计偏差和加速度变化率方差之间的关系调整系统噪声方差;当前Jerk模型描述强Jerk机动,采用修正瑞利分布描述加速度变化率方差统计特性。在滤波算法方面,引入模糊分布函数和强跟踪滤波器,改善了对弱Jerk机动的跟踪精度,并提高了对强Jerk机动的跟踪能力。理论分析和仿真结果表明,改进算法克服了Jerk模型常规算法的缺陷,能自适应地逼近不同强度的Jerk机动并进行准确跟踪。该算法在不同强度信号噪声比和不同量测噪声下,误差变化相对稳定,具有较好的跟踪精度。

高度机动目标的“当前”统计Jerk模型

讨论了KishoreMehrotra等人提出的高度机动目标模型———Jerk模型 ,得出了该模型在跟踪阶跃Jerk信号时存在确定性稳态误差的结论。提出了一种新的“当前”统计Jerk(currentstatisticJerk ,CS -Jerk)模型 ,该模型假设目标的机动加速度变化率为非零均值指数相关的随机过程。仿真结果表明 ,CS -Jerk模型及其滤波算法在跟踪高度机动目标时性能优于Jerk模型。

基于改进CS-Jerk模型的强机动目标跟踪算法

通过分析CS-Jerk模型的缺陷,提出一种改进的"当前"统计Jerk模型算法。该算法根据新息的统计学特性,即新息协方差矩阵的迹服从卡方分布,构造活化函数,由活化函数生成修正因子,自适应更新CS-Jerk模型中的最大、最小机动加加速度以及机动频率,进而自适应调整状态噪声协方差矩阵和滤波增益矩阵,减小了目标状态估计误差。与经典的Jerk模型、CS-Jerk模型相比,改进算法有效地提高了对强机动目标的跟踪精度,弥补了CS-Jerk模型算法的不足,仿真结果验证了算法的可行性。

基于强跟踪滤波器的Jerk模型目标跟踪算法

在Jerk模型的基础上,提出了一种新的机动目标自适应跟踪算法STF-Jerk.该算法通过引入强跟踪滤波器(STF)的渐消因子,实时调节滤波器增益,增强了系统对突发机动的自适应跟踪能力,从而很好地改善了Jerk模型在跟踪机动目标时的跟踪精度.仿真结果表明,提出的STF-Jerk自适应跟踪算法显著提高了Jerk模型自适应算法的机动目标跟踪性能.

一种基于Jerk模型的机动目标单站无源定位算法

针对采用非线性较强的观测角、角度变化率、脉冲到达时间差等参数的单站无源定位跟踪系统,提出了一种新的跟踪滤波算法IMM-Jerk。该方法用Jerk模型对做复杂机动的运动目标建模,采用经过UKF滤波改进的交互多模(IMM)算法对目标实现跟踪滤波。该算法可适用于对做多种机动运动的目标的跟踪,提高了目标跟踪收敛精度和跟踪系统的稳定性。仿真试验证明了该方法的可行性和有效性,并具有较高的应用价值。最后,对IMM-Jerk算法的研究方向进行了讨论。

基于Jerk模型的单站无源定位跟踪算法研究

针对非线性较强的观测角、角度变化率、脉冲到达时间差等参数的单站无源定位跟踪系统,提出了一种新的跟踪滤波算法Jerk-UKF。该方法用Jerk模型对做复杂机动的运动目标建模,采用UKF滤波的思想对目标实现跟踪滤波。该算法可适用于对做多种机动运动的目标跟踪,提高了目标跟踪收敛精度和稳定性。仿真试验表明了该方法的可行性和有效性,并具有较高的应用价值。最后,对Jerk-UKF算法的研究方向进行了讨论。

Jerk模型用于高速机动飞行器跟踪的性能分析

针对高速机动飞行器的跟踪应用,对SJ(Singer Jerk)、CSJ(当前统计Jerk)、MCSJ(修正当前统计Jerk)和αJ等4种主要Jerk模型进行了综述。比较了它们的建模假设、设计参数以及实际应用时的限制因素。基于UKF(无迹卡尔曼滤波)算法,分别在单台和2台雷达的测量条件下,在3种滤波参数集设置下,利用各模型对近空高速滑翔飞行器进行了跟踪仿真。飞行器真实飞行轨迹根据简化动力学方程通过四阶龙格库塔数值积分方法得到。仿真结果表明:4种模型都具有很好的初值鲁棒性;在目标弱机动段落,4种模型具有较好的参数鲁棒性;但在强机动段落,SJ、CSJ、MCSJ等3种模型的参数鲁棒性很差,滤波误差发生严重突跳,αJ模型的参数鲁棒性最好。针对高速机动飞行器的跟踪应用,αJ模型的综合性能最优,而MCSJ模型最差。

基于Jerk模型和EKF的多基地雷达机动目标跟踪算法

针对多基地雷达系统对高机动目标的跟踪精度问题,提出了基于Jerk模型和扩展卡尔曼滤波(EKF)的机动目标跟踪算法。通过建立系统的离散状态方程和非线性观测方程,推导状态向量和误差协方差矩阵的初始化计算公式,给出EKF滤波的流程。利用Monte Carlo仿真,分析和比较了在变加速目标轨迹下Jerk与当前统计模型的跟踪效果,表明该算法具有对高机动目标实现准确自适应跟踪的能力。

一种参数自适应的“当前”统计Jerk模型

针对高度机动目标跟踪问题,通过理论分析指出了Jerk模型及其一些改进模型的不足,并借鉴"当前"统计的思想,提出了一种参数自适应的Jerk模型(Adaptive parameter current statistic jerk model,APCS-Jerk)。该模型通过新息向量的范数定义调整因子,以此来对模型中的各参数进行自适应调整,增强了系统对突发机动的自适应跟踪能力,并对加速度均值进行了修正,使之适合于一般运动形式。最后对本算法进行了仿真,结果表明,参数自适应的"当前"统计Jerk模型较经典Jerk模型、"当前"统计Jerk模型及改进的"当前"统计Jerk模型对强机动目标的跟踪精度有较大程度的提高。

基于LabView的Jerk混沌系统的实现

为了克服模拟电路混沌系统实现易受外界条件影响等问题,以Jerk混沌系统为例,论文提出了一种基于LabView的混沌系统的实现方法。同时设计了相应的模拟硬件电路,并分别给出了实验结果。实验结果表明,利用LabView软件产生的实验结果与模拟电路产生的结果一致。证实了基于虚拟仪器技术可为研究非线性系统提供可行的方案。与传统的自治混沌系统相比,此系统具有参数调节方便、易实现、可靠性高,实时性好等优点,这为混沌系统的实现提供了新的思路。

多级修正的高机动Jerk模型研究

基于Jerk模型及当前统计模型,提出了一种多级修正的高机动Jerk模型(MJerk).在假设机动加速度变化率(即加加速度)为非0均值指数相关随机过程的条件下,通过对Jerk模型状态分量作Taylor级数展开,得到了各状态分量的Jerk修正方程,使得机动加加速度对系统各状态分量的作用得到反映,减小了模型误差.Monte Carlo数值仿真表明,在进行高机动目标跟踪时,MJerk模型的均方根误差比Jerk模型的约减小了20%,而二者的计算量相当.

基于参数自适应Jerk模型的IMMUKF算法

本文给出了一种利用参数自适应Jerk模型的IMMUKF算法,可用于跟踪非线性条件下做高度机动运动的目标。该算法在IMMUKF算法的基础上,引入Jerk模型,并针对Jerk模型中的参数--机动频率α人为设定的不合理性,对α进行建模,实现了对机动频率α的在线估计。拟合滤波过程沿用IMM算法的思想,各模型滤波采用UKF。最后,通过Monte Carlo仿真,对本文提出的算法和其他两种IMMUKF算法进行了比较,进一步验证了该方法的可行性和有效性。

机动目标跟踪Jerk模型的改进

Jerk模型是Singer模型的改进模型,它提高了对机动目标的跟踪精度,但延长了从起始跟踪到稳定跟踪所需时间。提出一种对Jerk模型的改进,选取一个合适的分段点,初始段采用四维扩充的Singer模型,分段点后采用Jerk模型,通过调入不同的参数就可以实现跟踪模型的转换,仿真结果表明改进的Jerk模型到达稳定跟踪的时间缩短,并且跟踪精度不受影响。

一种带径向速度量测的Jerk-EKF机动目标跟踪算法

为了提高机动目标跟踪精度,在基于Jerk模型的扩展卡尔曼滤波算法(Jerk-EKF)基础上,提出了一种带径向速度量测的扩展卡尔曼滤波算法(Jerk-EKFrv).该算法通过引入径向速度量测扩充了量测矩阵的维数,然后利用展开泰勒级数的一次项,解决量测方程中状态向量和量测向量的非线性问题,最后采用卡尔曼滤波算法对目标状态进行估计.对Jerk-EKF和Jerk-EKFrv算法的仿真结果表明,Jerk-EKFrv算法能够有效提高机动目标的跟踪精度.

整数阶Jerk模型动力学行为的研究与实现

本文对整数阶Jerk模型的动力学行为进行了研究,改变整数阶Jerk模型中的各控制参数,考察这些参数对系统的动力学行为的影响,并给出系统动力学行为随各参数变化的规律。同时提出了一种整数阶Jerk模型动力学行为的实现方法,给出了电路原理图及实验结果。结果表明,实验结果与仿真结果一致。

基于Jerk模型的一种改进多传感器数据融合算法

简要介绍了目前存在的一些机动模型和基于状态估计的滤波算法。将Jerk模型与强跟踪滤波算法有机地结合起来,并提出了一种通过时空综合分析的测量方差自适应估计方法以优化强跟踪滤波算法中次优渐消因子和滤波增益的在线选择,同时结合多传感器数据融合具有改善滤波精度的性质,最终给出了一种基于Jerk模型的改进多传感器数据融合算法。最后,通过蒙特卡罗仿真验证了该算法的有效性。