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。

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.