雷达对再入机动目标跟踪算法研究

采用广义Ｋａｌｍａｎ滤波方法，通过在北天东雷达直角坐标系内建立相应的再入目标状态及雷达观测方程，再入目标的机动特性用一阶高斯马尔科夫过程描述，并增广到状态方程组之中，根据获得的带有测量误差的雷达测量信息对再入机动目标弹道进行估计，得到了满意的结果。

似然迭代离差差分滤波算法的机动再入目标状态估计

针对使用离差差分滤波算法对机动再入目标状态估计时,不能充分用到最新量测信息,状态估计误差较低的情况,提出一种新的滤波算法——似然迭代离差差分滤波算法.该算法在二阶离差差分滤波算法的量测更新过程中采用Gauss-Newton方法不断逼近最大后验估计,且使用迭代状态估计值代替状态预测值,修正迭代公式,并使用确保产生的迭代序列向最大似然面移动的迭代终止条件.使用似然迭代离差差分滤波算法估计机动再入目标状态,蒙特卡罗仿真表明,该算法不仅提高了状态估计精度,而且还有很快的收敛速度.

一种改进的机动再入目标自适应跟踪算法

在机动再入目标高精度跟踪问题的研究中,由于目标变化速度快,动态模型为非线性,传统的Jerk分段均匀假设和随机模型近似思想建立的机动再入目标分段匀Jerk模型和过程噪声自适应方法中,存在加速度的方差期望近似瞬时方差的固有误差。为解决上述问题,提出了改进的机动再入目标自适应模型及相应的容积卡尔曼滤波跟踪算法,采用加速度状态协方差修正项来近似加速度的瞬时方差,同时引入强跟踪渐消因子增强加速度状态修正项近似瞬时方差的能力,给出了更精确的机动再入目标自适应模型;结合状态扩展方法和容积卡尔曼滤波算法实现了机动再入目标的高精度自适应跟踪。仿真结果表明:改进后的算法对机动再入目标跟踪具有更高的精度和稳定性,对目标机动性变化有更低敏感性。

机动再入目标的FGPF-BLUE跟踪

机动再入目标的运动具有明显的非线性,其观测又往往在传感器坐标系下进行,构成强非线性的跟踪问题。为了克服扩展卡尔曼滤波和粒子滤波在跟踪精度和实时性方面的缺点,提出了一种新型的非线性跟踪算法。新型的FGPF-BLUE滤波将快速高斯粒子滤波的预测步骤与最优线性无偏估计的更新步骤相结合,是一种半蒙特卡罗滤波方法。建立了机动再入目标的动态模型,并分别应用扩展卡尔曼滤波、粒子滤波和FGPF-BLUE滤波实现了对该目标的跟踪。通过对各种滤波方法精度和消耗时间的对比,可知新方法的稳态性能优于其他两种算法,实时性优于粒子滤波。