加速度极限值未知条件下的GM-CBMeMBer算法

针对CS-GM-CBMeMBer滤波算法跟踪性能受加速度极限值控制的问题,提出一种加速度极限值未知的机动目标跟踪算法。该算法基于GM-CBMeMBer滤波,建立了协方差自适应递推式,以此摆脱需要预设加速度极限值的限制;为防止滤波发散,建立检验统计量表达式,设置方差阵修正系数,对协方差阵进行修正。仿真结果表明,与标准CS-GM-CBMeMBer算法相比,在加速度极限值不精确或无法获得的条件下,改进算法具有更好的跟踪精度和稳定性,更适用于真实场景下的多机动目标跟踪。

改进的截断正态概率密度模型自适应滤波算法

应用当前统计模型跟踪机动目标时,模型参数机动频率和加速度极限值需要根据经验事先设定,在假设不准确的情况下,大大降低了模型的跟踪精度。针对此问题,基于截断正态概率密度模型,提出了一种新的参数自适应跟踪滤波算法。该模型算法通过使用距离函数来表征目标进行机动的强弱状况,采用指数型调整函数自适应调整目标的加速度极限值和机动频率,从而实现了对系统状态噪声和滤波增益的自适应调整,提高了机动模型与目标实际机动情况的匹配程度,提升了滤波器的跟踪性能。仿真结果表明:与常规ACS和TGPMKF算法相比,新算法在跟踪机动目标时,性能更优。

基于“当前”统计模型的一种改进机动目标跟踪算法

介绍了目前存在的机动目标运动模型.针对“当前”统计模型中加速度极限值的预先设定对于跟踪算法造成的不利影响,通过目标机动状况与相邻采样时刻间位置估计量变化之间的函数关系实现噪声方差自适应,进而提出了一种基于“当前”统计模型的改进机动目标跟踪算法.该算法避免了加速度极限值的预先设定问题,从而提高了对机动目标状态估计的精度.最后,仿真结果表明该算法具有一定的有效性.

一种基于“当前”统计模型的改进目标跟踪算法

分析了"当前"统计模型跟踪非机动及弱机动目标时精度较差的原因,提出了采用隶属函数调整加速度方差改进目标跟踪的算法。该算法根据目标当前的机动状况自动地调整方差。仿真表明,该算法能够有效地提高对非机动及弱机动目标的跟踪精度。

基于改进自适应滤波的异质传感器融合方法

针对“当前”统计模型中加速度极限值的预先设定问题,提出了一种基于位移预测协方差的改进机动目标跟踪算法。采用扩展卡尔曼滤波实现异质传感器融合。该算法避免了加速度极限值的预先设定对状态估计的不利影响,仿真结果表明,该算法提高了机动目标的跟踪精度。