基于IMM-CKF的弹道再入目标跟踪研究

该文研究了弹道系数未知的弹道再入目标的跟踪问题。针对现有再入目标跟踪方法对弹道系数初值设定以及噪声协方差的设置比较敏感的问题,采用了数值精度高、稳定性好且计算量较小的求容积卡尔曼滤波(CKF)算法作为跟踪滤波器,并分别设计了由不同弹道系数模型构成的交互式多模型(IMM)算法以及由不同噪声协方差模型组成的IMM算法。仿真结果表明,该文设计的两种IMM算法都能显著提高跟踪精度以及对弹道系数估计的收敛速度。

弹道再入目标轨迹跟踪中非线性滤波算法研究

弹道再入目标轨迹跟踪是一个重要的非线性滤波应用问题。论文将常见的非线性滤波器分类为基于点的滤波器和基于密度的滤波器,对比分析了各类算法的基础理论原理,仿真实验得出在高斯噪声条件下,EKF要优于UKF和PF,在闪烁噪声条件下PF要优于EKF和UKF的结论。

一种面向弹道再入目标跟踪的HPD-SRCQSPF算法

针对弹道再入目标轨迹跟踪问题,提出基于混合建议分布的平方根容积求积采样粒子滤波(HPDSRCQSPF)算法,该算法以混合建议分布为框架,由两个基本建议分布组成。其中一个基本建议分布为先验分布,另一个基本建议分布为平方根容积求积卡尔曼滤波估计后的值。该混合建议分布与真实的后验分布很接近,因此有着高效性、高精度等特点。仿真结果表明,对于弹道再入目标轨迹跟踪模型,相比于标准粒子滤波(SPF)算法和平方根容积求积粒子滤波(SRCQPF)算法,HPD-SRCQSPF算法可以在较低运算负载的情况下获得更好的跟踪性能。特别是在弹道目标变轨机动的情况时,所提出算法的性能增益更为显著。

基于二阶EKF的弹道目标再入段质阻比估计

弹道导弹再入段运动非线性程度高,常规一阶扩展卡尔曼滤波(EKF)质阻比估计方法因模型近似误差大而导致收敛较慢.为此,提出了基于二阶EKF的弹道目标质阻比估计方法,通过保留泰勒级数展开后的更高阶项来降低对非线性运动模型的近似误差,提高质阻比估计精度和收敛速度.仿真结果表明,相比于一阶EKF方法,利用二阶EKF方法估计的真假弹头目标的质阻比可在更高的高度上体现出差异,且收敛速度更快.

强跟踪-容积卡尔曼滤波在弹道式再入目标跟踪中的应用

对于具有一定机动能力的弹道式再入目标跟踪问题,稳定性好、鲁棒性强、收敛精度高的估计方法是保证跟踪精度的关键。针对再入运动模型和测量体制的强非线性以及目标机动引起的滤波精度下降问题,提出一种将强跟踪滤波(STF)和基于三阶球面-向径容积规则的容积卡尔曼滤波(CKF)相结合的强跟踪-容积卡尔曼滤波(STCKF)。通过将强跟踪算法中的自适应渐消因子引入到滤波时间更新和测量更新方程中,在线实时调整滤波增益矩阵,能有效避免模型失准造成的滤波性能下降,使该算法兼具CKF滤波精度高和STF鲁棒性强的优点。通过数学仿真表明,改进后的STCKF可以实现对具有机动的弹道式再入目标的高精度跟踪,相对于CKF精度提高50%,并且具有更强的鲁棒性和自适应能力。

弹道式再入目标跟踪方法对比分析

地基雷达对弹道式再入目标进行滤波跟踪时主要存在两个导致滤波误差增大的不确定因素,一是弹道系数未知,二是不可准确确定过程噪声协方差矩阵。为此,采用交互式多模型无敏滤波(iterative multiple-model unscented filter,IMM-UF)算法对弹道式再入目标进行跟踪,选取不同的弹道系数初值和过程噪声协方差矩阵构成合适的模型集合进行了仿真分析,并将其滤波结果与扩展卡尔曼滤波(extended Kalman filter,EKF)和无敏滤波(unscented filter,UF)的滤波结果进行了对比分析,同时还分析比较了IMM-UF和自治多模型(autono-mous multiple-model,AMM)UF算法的跟踪滤波性能。从仿真结果可以看出,采用的IMM-UF算法和相应的模型集合可以在先验信息缺少的情况实现对弹道式再入目标更高精度的跟踪。

基于多模型的再入弹道目标跟踪算法

再入弹道导弹目标的跟踪和识别是反导防御体系中最关键的问题.针对传统的跟踪方法不能适用于不同类型的再入弹道目标的跟踪和真假弹头的识别问题,提出一种基于多模型的再入段弹道目标跟踪算法.该算法采用多模型的结构,适用于跟踪不同类型的再入弹道目标,可有效地提高跟踪精度;同时对于弹道系数的估计具有很快的收敛速度和较好的估计精度.仿真结果表明,与传统的EKF算法相比较,本文算法大幅提高了目标跟踪的精度,特别在弹道系数估计上精度较高,具有一定的识别真假弹头的能力和鲁棒的跟踪性能.

基于CKF的再入段弹道目标质阻比估计

针对传统扩展卡尔曼滤波(EKF)对再入段弹道目标的质阻比估计存在收敛速度慢,估计精度不够高的问题,提出一种利用容积卡尔曼滤波(CKF)对再入段弹道目标进行估计的方法。给出了扩展卡尔曼滤波和容积卡尔曼滤波估计再入段弹道目标质阻比的性能比较。仿真结果显示,在收敛速度及估计精度上,容积卡尔曼滤波对再入段弹道目标质阻比的估计都优于扩展卡尔曼滤波。

基于离差差分滤波算法的再入目标状态估计

再入弹道目标的状态估计是个复杂的非线性滤波问题,使用扩展卡尔曼滤波算法(Extended Kalman Filter,EKF),会引入较大的误差,甚至发散.为了提高估计精度,提出使用离差差分滤波算法(Divided Difference Filter,DDF)对再入弹道目标的状态进行估计.DDF算法使用二阶多维Stirling内插多项式近似非线性状态和测量方程获得状态和方差的估计.该算法只需要计算函数值,避免了求导运算,降低了计算复杂度.Monte Carlo数值仿真表明,离差差分滤波方法降低了再入目标的状态估计误差,提高了估计精度,且运行速度比无迹卡尔曼滤波方法(Unscendted Kalman Filter,UKF)要快的多.

迭代容积卡尔曼滤波算法及其应用

将Gauss-Newton迭代和容积卡尔曼滤波(cubature Kalman filter,CKF)算法相结合,建立了一种迭代CKF(iterated CKF,ICKF)算法。该算法使用容积数值积分原则直接计算非线性随机函数的均值和方差,且在迭代过程中利用最新量测信息并改进迭代过程产生的新息方差和协方差,可获得较高的估计精度。针对弹道系数未知的再入弹道目标状态估计问题,仿真实验结果显示,该方法实现简单,比无迹卡尔曼滤波方法(unscentedKalman filter,UKF)及CKF方法效果要好。

平方根容积卡尔曼滤波算法及其应用

针对使用扩展卡尔曼算法(extended Kalman filter,EKF)对复杂非线性状态估计时收敛速度慢、估计精度低的问题,提出一种平方根容积滤波算法(square root cubature Kalman filter,SRCKF)。SRCKF使用基于容积原则的数值积分方法直接计算非线性随机函数的均值和方差。该算法实现时只需计算函数值,避免了求导运算,降低了计算复杂度。且该算法传播了状态协方差的平方根,确保了协方差矩阵的对称性和半正定性,改进了数值精度和稳定性。把平方根容积卡尔曼滤波算法(SRCKF)应用到未知弹道系数的再入弹道目标的状态进行估计中。Monte Carlo数值仿真表明,平方根容积滤波算法大大降低了未知弹道系数的再入弹道目标的状态估计误差,提高估计精度,且运行速度较快。

一种迭代离差差分滤波算法及其应用研究

针对扩展卡尔曼滤波(EKF)和迭代EKF量测更新过程采用线性化误差传递,导致状态估计精度偏低的问题,将迭代方法、统计线性化误差传递和离差差分滤波器相结合,建立了一种新型迭代离差差分滤波方法.将该方法应用于再入弹道目标状态估计,仿真实验结果显示,此方法降低了测量方程的非线性对滤波的影响,有效提高了目标的状态估计精度.