基于协同转弯模型的机动目标预测算法

机动目标机动能力的增强,使跟踪系统显得越来越不适应,从而给火控系统命中点的求解计算带来了巨大的困难。机动目标预测精度的下降,使得火控系统的生命力大幅度下降,严重影响了平台及其人员的安全。本文将协同转弯模型和指数加速度模型相结合提出了一种新的预测算法。通过仿真,证明了算法的有效性。

三维高速机动目标跟踪交互式多模型算法

对三维机动目标,尤其是高速机动目标的跟踪一直是目标跟踪领域的重点和难点,通过二维或解耦模型扩展并不一定能满足精度要求.提出了一种基于常速模型、"当前"统计模型、带约束的三维常速率协同转弯模型的交互式多模型算法.通过对包括匀加速模型、Singer模型、"当前"统计模型在内的不同模型组合进行Monte-Carlo仿真比较表明本算法对三维高速机动目标跟踪是有效性,并具有很好的实用性.

基于模糊交互多模型的机动目标跟踪方法

文中提出了一种模糊IMM(FIMM)算法,通过模糊逻辑推理得到IMM算法模型集中各滤波模型的匹配度,即模型的概率,代替IMM算法中通过交互组合计算模型概率的方法,该方法不需要IMM算法中的模型先验概率及马尔可夫转移概率,从而降低了算法的复杂程度。仿真结果表明,和标准IMM算法对机动目标的跟踪效果相比,文中提出的模糊IMM算法具有更高的跟踪精度,更快的收敛速度。

角速度估计自适应的IMM三维目标跟踪算法

为了解决三维空间内的机动目标跟踪问题,提出一种基于常速模型和带约束常速率协同转弯模型(CSCT模型)的交互式多模型算法;同时为了解决目标的机动不确定性问题,针对CSCT模型提出一种类似卡尔曼滤波的方法实时精确地估计目标转弯角速度。综合考虑目标角速度的估计值和估计方差,提高目标跟踪的收敛速度,尽可能地减小滤波角速度与机动目标真实角速度之间的误差,最终明显提高了目标跟踪精度。Monte-Carlo 200次仿真结果表明了该算法在性能上有明显提升,对三维机动目标跟踪效果显著,并证实了该方法的实用性。