变结构多模型临近空间高超声速飞行器跟踪算法

针对传统跟踪算法跟踪临近空间高超声速目标时计算量大、跟踪精度低的问题,提出了一种变结构多模型跟踪算法。在分析传统跟踪算法的基础上,建立了一种变转移概率、变模型数量的目标模型,通过目标运动状态辨识方法,确定目标飞行阶段,并选择相应滤波模型和模型转移概率,实现变结构多模型跟踪。Monte Carlo仿真结果表明:新算法能够实现对临近空间高超声速飞行器的有效跟踪,跟踪性能比传统变结构多模型跟踪算法更加优越,具有一定实用性和可推广性。

基于变结构多模型的机动目标跟踪算法

针对固定结构多模型算法在跟踪多模式机动目标存在的问题,即用少数几个模型难以匹配真实的运动情况,但增加模型个数会引起模型之间的竞争,提出了一种基于变结构的多模型算法。该算法的特点是采用匀速模型、"当前"统计模型以及转弯模型组成的模型集进行交互,通过实时更新机动频率和转弯角速度,实现了模型集的自适应。仿真结果表明,在非机动、机动转弯和直线机动情况下,该算法对目标的跟踪精度都优于固定结构多模型算法。

传感器管理中基于变结构多模型方法的策略控制

有效的传感器管理是获取信息优势必要的和最重要的技术支持手段.对于传感器管理而言,目前比较一致的看法是“宏观传感器管理+微观传感器管理”.利用变结构多模型方法解决系统模式空间未知和高度时变的优越性,探讨了微观传感器管理中的策略控制问题,提出了一种基于变结构多模型的策略控制方法,通过案例分析证明了所提出方法的有效性.

最小熵反馈式变结构多模型融合算法

传统变结构多模型方法(VSMM)在处理高机动目标状态估计问题和大观测误差时存在因模型集合与真实模式匹配欠佳导致估计质量下降的问题.本文结合最小信息熵准则(ME)提出一种反馈式变结构多模型融合算法(MEVSMM),将在所有模型相关的在线估计信息进行反馈,进而选取状态估计分布信息熵最小的模型集作为当前有效模型集,计算多模型估计结果;结合粒子滤波算法(PF)和设计擂台赛算法(CM),构造了易于工程实现的次优算法(PF–MEVSMM).理论分析与仿真表明,与传统VSMM算法相比,本法具有模型集更精简、有效,融合估计结果鲁棒性更强、精度更高的优点.

一种引入速率量测的三维变结构多模型算法

为了解决舰艇火控系统对三维空间中作高速/机动飞行反舰导弹的跟踪问题,针对可以观测距变率和角变率的雷达观测系统,通过在变结构多模型算法(VSMM)中引入上述速率量测值,提出了一种引入速率量测的VSMM算法。通过将新提出的算法和传统算法在典型反舰导弹攻击航路下进行仿真实现,证实了速率量测的引入可显著改善VSMM算法的跟踪性能,并且可以提高对目标机动检测的稳定性,缩短检测延时,具有一定工程实践指导意义。

改进的模型集自适应变结构多模型算法

针对传统固定结构的交互式多模型算法模型集无法覆盖目标的所有运动模型,提出一种改进的模型集自适应变结构多模型算法。该算法在量测信息的基础上,采用Kullback-Leiber规则对模型集中各模型与目标运动模型匹配程度进行判别,删减匹配程度较低的模型;同时,采用改进的期望模型算法得到一个新的匹配程度高的模型集,并对原模型集中的模型进行更新;最后再与容积卡尔曼滤波器相结合,实现非线性目标跟踪系统的变结构多模型算法。仿真结果表明:该算法在保证系统计算量没有明显增加的基础上有效地增加了算法的自适应性能和系统的鲁棒性能,更好地满足了工程应用中对算法自适应性和实时性的要求。

基于连通图的高速高机动目标变结构多模型算法

针对传统的基于活跃有向图的变结构多模型(variable structure multiple model based on adaptive digraph,AD-VSMM)算法不能实现模型子集之间快速跳转且计算量大的问题,提出了一种基于连通图的高速高机动目标变结构多模型(variable structure multiple model algorithm based on connected graph,CG-VSMM)算法.通过分析传统AD-VSMM算法的模型集转换方法,选择加速度和角速度作为模型参数,建立模型集连通图之间的连通关系.根据目标机动情况选择参与计算的模型子集,然后依据子模型的后验概率大小对模型子集进行实时局部调整.Monte Carlo仿真结果表明,新方法能实现变结构多模型(variable structure multiple model,VSMM)算法模型子集之间的快速跳转,且跟踪精度、计算量、稳定性等都得到了较好的改善,可应用于高速高机动目标的跟踪.

多模型估计的新分支——变结构多模型方法

作为多模型方法的新分支,变结构多模型方法(VSMM)是当前机动目标跟踪、故障诊断等领域中研究的热点。首先简述了VSMM方法的发展过程和近期动态,在对VSMM方法进行深入分析的同时针对其理论核心——模型集自适应(MSA)策略进行讨论;详细介绍了几种现存的典型VSMM算法;同时简述了VSMM方法的应用概况;最后指出了目前VSMM方法重点关注的问题热点和今后的研究领域。

引入模糊推理与强跟踪滤波技术的变结构多模型估计

针对固定结构多模型方法(FSMM)应用于机动目标跟踪时滤波精度不高的问题,提出了一种模糊混合网格变结构多模型方法(FHGMM).FHGMM中的全体模型集由模糊基础模型网格(FBMG)和模糊修正模型网格(FAMG)组成.在此框架下,首先利用模糊推理技术对FBMG的拓扑结构进行实时调整,然后将模糊强跟踪滤波方法应用于FAMG区域中心的更新,并实时生成能够在系统模式空间自由滑动的FAMG,最后利用最优融合原理得到系统的整体估计.仿真结果表明,FHGMM与FSMM相比,目标位置、速度、加速度的滤波误差均值分别从5.5 m、1.037 m/s、0.187 m/s2减小到5.15 m、0.96 m/s、0.13 m/s2,算法单拍时间从0.02 s增加到0.037 s.

一种新的机动目标跟踪中的变结构多模型算法

实践证明变结构多模型(VSMM)算法在机动目标跟踪领域有着广阔的应用前景。文章介绍一种新的VSMM算法——最小子模型集切换算法。该算法从总模型集合中确定出适当的最小模型集合,并使用该最小模型集合完成多模型估计。

一种变结构多模型机动目标跟踪算法的研究

该文针对在机动目标跟踪领域应用广泛的交互式多模型算法,是一种基于固定模型集合的算法,由此带来一个两难问题,既需要较多的模型保证跟踪精度,有会因为太多的模型而增加计算量。该文提出了一种基于序列似然比检测的变结构多模型算法,给出了一种模型集合自适应的解决方法。该方法提高了跟踪精度的同时也降低了计算量。随着反舰导弹的威胁日益增大,该文针对反舰导弹的机动特性,仿真验证了该算法的有效性。

一种新的机动目标跟踪中的变结构多模型算法

实践证明变结构多模型(VSMM)算法在机动目标跟踪领域有着广阔的应用前景。动态地辨识机动目标的机动参数是提高目标状态估计精度的理想方法。因此,将二者结合,提出了一种新的VSMM算法,即带有修正装置的自适应网格法。算法核心所在是对系统输入量采用了协方差匹配技术来对系统不确定性进行修正,即对系统噪声协方差阵Q的实时辨识上,使滤波器具有高度自适应性。

强机动目标自适应变结构多模型跟踪算法

在强机动目标跟踪领域,采用传统基于固定模型集合的交互式多模型算法需要大量模型来描述目标机动,需要巨大的计算量,并且过多模型会带来不必要的模型竞争反而降低跟踪性能.为解决它所带来的问题,提出一种自适应变结构多模型算法,采用少量与目标运动模式相关的模型,在不同时刻根据目标当前机动水平自适应调整模型参数建立新的模型集合,并对其进行滤波估计.仿真结果显示该方法能更好的匹配目标运动规律,有效降低计算复杂度,提高跟踪精度.

基于K-L信息因子的变结构多模型算法模型集自适应研究

针对传统多模型机动目标跟踪算法对模型数量的增长会产生组合爆炸和模型竞争现象,降低跟踪系统的性能,提出了一种模型集自适应的变结构多模型算法。采用基于Kullback-Liber(K-L)信息因子分析多模型算法中模型集各模型之间的匹配程度,并在此基础上实现对模型集的自适应调节,同时推导了各时刻模型概率与模型之间的模型转换概率矩阵,从而为变结构多模型算法的实现提供了基础。仿真实验验证了所提算法的可行性和有效性。

基于遗传算法的变结构多模型估计

通过多模型划分理论与遗传算法相结合,建立了一种新的多模划分滤波器。这种算法并不需要知道模型转换的规律,具有很好的执行效果,通过仿真实验证明了该算法比固定结构的MMPF算法有更好的性能。

基于变结构多模型的SINS/DVL组合导航算法

对于无人水下航行器来说,SINS/DVL组合导航是其主要导航方式,由于DVL自身作用距离的限制,虽然它可以在水跟踪模式下工作,但洋流速度作为其测量误差会导致SINS/DVL组合导航性能下降甚至失败。针对上述问题,基于有向图切换方法,设置洋流速度模型群,利用所设置的模型群切换策略对子模型群进行激活和终止,通过变结构多模型滤波算法对不确定性洋流速度进行实时估计,进而消除洋流速度对SINS/DVL组合导航的影响。对所提出的算法进行了仿真,仿真结果表明变结构多模型算法与传统的交互式多模型算法相比,不仅减少了计算量(运行时间缩短了接近35%),提高了效费比,同时也提高了组合导航系统的精度,可以为高精度的组合导航系统提供参考。

弹道目标的变结构多模型数据滤波方法

针对单模型滤波方法不能实现对弹道目标全阶段的数据滤波的问题,提出一种变结构多模型(VSMM)弹道目标数据滤波方法。该方法在模型集切换算法的基础上设计了模型集合自适应的决策规则,该规则可有效地避免虚假切换,并采用变结构交互多模型递归算法作为模型集序列条件估计方法。根据弹道目标不同飞行阶段的受力特点建立相应的运动模型和模型集。该方法可用于弹道目标任意阶段的数据滤波。仿真结果表明,基于变结构多模型算法与单模型算法的位置均方根误差(RMSE)的比值在主动段、自由段和再入段分别为0.803、0.601和0.536,速度均方根误差的比值分别为0.787、0.654和0.740。与单模型数据滤波相比,该方法有效提高了各阶段弹道目标的估计精度和稳定性,并且在弹道目标飞行阶段转换时能够更快地适应。

一种基于道路约束的变结构多模型跟踪算法

有效使用道路信息能显著提高地面运动目标跟踪性能。针对复杂道路网运动目标跟踪,给出了一种道路约束下的滤波和建模方法。首先描述了道路网的数学模型和道路约束条件下的过程噪声修正方法,根据道路约束最大后验概率估计准则给出了一种路段切换时状态和协方差修正公式;接着提出一种根据目标当前所处路段自适应滤波模型生成的变结构多模型(VSMM)方法,有效减小道路运动目标的模型动态误差,提高跟踪性能。仿真结果证明了该算法的优越性能。

变结构多模型估计第IV部分:模型群切换算法的设计和评估

在第Ⅲ部分提出了一种称为模型群切换算法(MGS)的变结构多模型(VSMM)估计器。它是第一种通用的、可应于一大类具有混合(连续或离散)不确定性问题的VSMM估计器。在这种算法中,模型集合通过在一定数目预先确定的模型群之间的切换来实现自适应。它比固定结构MM(FSMM)估计器,包括交互多模型估计器(IMM)具有更大的潜力获得更高的费效比。本文研究了算法应用中的一些比较重要的问题,包括模型群自适应逻辑和模型群的设计。研究的结果通过一个机动目标跟踪问题的详细设计例子进行了演示。这个跟踪问题使用一个时变模型集合,每个模型由目标的加速度期望值表征。仿真结果用来证实在仔细设计和非常随机和确定的情况下,MGS算法同使用所有模型的固定结构IMM(FSIMM)估计的性能(基于更合理和完全的度量,而不是仅使用通常的rms误差)和计算复杂程度的比较。

变结构多模型估计第III部分:模型群切换算法

本文提出了一种称为模型群切换算法(MGS)的通用的变结构多模型(VSMM)估计器.它假设整个模型集合可以用一定数目的模型群来覆盖,每个模型群代表相互间紧密联系的一族系统行为方式或结构,在任何给定时刻,由一个硬决策来决定具体运行的模型群。它是第一种可普遍应用于一大类具有混合(连续或离散)不确定性问题的VSMM估计器。同时,它很容易实现。通过一个简单的失效检测和识别的例子显示当具有与固定结构的交互多模型(FSIMM)估计器相同的性能时,MGS算法可以从本质上减少计算量。