采用欺骗参数扩维估计的弹道目标跟踪方法

针对弹道导弹突防过程中施放的有源距离假目标干扰给反导雷达跟踪系统带来的挑战,提出了一种改进的基于欺骗参数扩维估计的弹道目标跟踪方法.首先,推导了球坐标系下真假弹道目标的普适动力学方程,建立了基于欺骗参数扩维估计的弹道目标跟踪状态方程和量测方程.然后,利用求容积卡尔曼滤波器(CKF)实现免微分计算,并采用联合概率数据互联(JPDA)算法实现航迹与点迹之间的数据关联.最后,通过对距离欺骗参数的估计结果设计干扰鉴别算法,实现跟踪和干扰鉴别的一体化和实时性.仿真结果表明,该方法不仅拥有良好干扰鉴别能力,且有较高的跟踪精度.

用于弹道目标跟踪的有限差分扩展卡尔曼滤波算法

针对目前常用的滤波算法不能同时做到精确和高效跟踪目标的缺点,提出一种有限差分扩展卡尔曼滤波(FDEKF)算法用于再入阶段的弹道目标跟踪.该算法应用有限差分运算得到滤波的验前、验后误差协方差矩阵,避免了非线性函数求导运算,以及Jacobian阵和Hessian阵的计算,降低了计算难度,扩大了应用范围,增强了滤波过程的收敛性.Monte Carlo数值仿真表明,FDEKF算法与扩展卡尔曼滤波(EKF)算法和无味卡尔曼滤波(UKF)算法相比较,在跟踪精度上比EKF算法提高了约20%,与UKF算法相当,在计算复杂度上比EKF算法稍有增加,但比UKF算法低约39%.这说明FDEKF算法在计算量增加不多的情况下,滤波精度有显著提高.

几种面向弹道目标跟踪算法的性能评估

提出一种非线性滤波器性能的评估方法.在导弹系数未知的情况下,研究二维弹道目标动力学模型,推导相应的Cramer-Rao下界.分析扩展卡尔曼滤波器、无迹卡尔曼滤波器、积分卡尔曼滤波器和容积卡尔曼滤波器,基于推导出的Cramer-Rao下界,通过仿真实验比较这4种非线性滤波的性能.理论与实验结果表明,扩展卡尔曼滤波的实时性能最好,但跟踪精度较差;容积卡尔曼滤波器在跟踪的速度和精度方面都有较好的表现.

用于弹道目标跟踪的新的非线性滤波算法

针对再入阶段弹道目标的跟踪问题,提出一种新的自适应滤波算法,即强跟踪有限差分扩展卡尔曼滤波(STFDEKF)算法,用于非线性系统的目标跟踪。该方法使用Sterling内插公式进行多项式的近似,从而实现对非线性函数的近似,避免了非线性函数的求导运算;并且算法中引入强跟踪的因子来修正先验的协方差矩阵。新算法改进了跟踪精度,扩大了应用范围,增强了滤波收敛性。仿真实验将新算法与扩展卡尔曼滤波器(EKF)、有限差分扩展卡尔曼滤波器(FDEKF)进行了比较,结果表明,STFDEKF在跟踪精度和滤波可靠性上均优于EKF和FDEKF,但其计算复杂性更大。得出结论,STFDEKF是个很有效的非线性滤波算法。

一种基于BLUE的弹道目标跟踪滤波器

弹道目标跟踪问题中动态方程与观测方程皆为非线性,影响跟踪精度。使用最优线性无偏估计方法可以有效地解决观测的非线性问题,而蒙特卡罗滤波方法适用于目标状态的非线性估计。将快速高斯粒子滤波与最优线性估计方法作了有机结合,通过对典型的弹道目标跟踪模型进行仿真,发现新算法在精度与实时性上优于粒子滤波。

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.

RUV坐标系下再入段弹道目标跟踪研究

研究RUV坐标系下的再入段弹道目标跟踪算法,该算法利用RUV坐标系下量测线性的优点,可提高目标跟踪精度。针对再入弹道目标,以东北天坐标系下目标运动加速度为基础,通过坐标转换,推导雷达阵面坐标系下的运动加速度;在此基础上通过二次求导及坐标转换推导RUV坐标系下的运动加速度,给出RUV坐标系下独立的状态方程和量测方程,并对采用扩展卡尔曼滤波所需要的关键函数给出显式表达。蒙塔卡罗仿真不同情况下的RUV坐标系下的再入弹道目标跟踪,仿真结果表明,在RUV坐标系下的跟踪较混合坐标系下的跟踪,其精度有大幅提高。

一种三维弹道目标跟踪的粒子滤波方法

针对三维弹道目标,给出了一种有效的基于粒子滤波的跟踪算法。这种算法以标准的粒子滤波算法为基础,根据贝叶斯原理利用局部线性化技术获得最佳近似的重要性密度函数以避免粒子退化现象,并且利用Metropolis-Hastings(MH)采样构造的马尔科夫链得到更加符合目标分布的样本,从而最小化重采样后的粒子枯竭问题。此外,这里采用Kullback-Leibler距离(KLD)指标对不同粒子滤波算法的性能进行评估。仿真结果表明,该三维弹道目标跟踪算法粒子群与参考粒子群(近似真实目标概率分布的粒子群)之间的KLD比标准粒子滤波与参考粒子群之间的KLD更小,因此,能获得比标准粒子滤波算法更好的跟踪效果。

再入弹道目标跟踪的球面单纯形-径向容积卡尔曼滤波算法

提出一种再入弹道目标跟踪的球面单纯形-径向容积卡尔曼滤波算法(Spherical Simplex Radial Cubature Kalman Filter,SSRCKF),有效提高了地基雷达对再入段弹道目标的实时跟踪精度。首先,在测站坐标系下建立了再入弹道目标的非线性动力学方程和量测方程,利用四阶龙格-库塔方法得到适用于滤波计算的离散形式,具有比传统欧拉法更高的离散精度;然后,利用Spherical Simplex-Radial准则逼近非线性函数的高斯加权积分,基于贝叶斯滤波框架得到SSRCKF算法,具有比CKF更高非线性滤波精度。对再入弹道目标跟踪仿真实验中,相比于CKF算法,SSRCKF算法的定位精度提高约4.5m,定速精度提高约0.06m/s。

自由段弹道目标跟踪算法在工程中的应用

在对弹道目标跟踪预警的工程实践中,雷达系统对目标运动的信息处理速度尤为重要,因而,文章选取自适应跟踪模型与卡尔曼滤波相结合的方法解决自由段弹道目标的跟踪问题,并与扩展卡尔曼跟踪算法做了对比分析。仿真显示,2种滤波方式分别与自适应跟踪模型相结合后,卡尔曼滤波和扩展卡尔曼滤波跟踪性能相差不大,但其算法简单、运算时间短,可以较好满足自由段弹道目标跟踪的工程需求。

基于平方根求积卡尔曼滤波器的弹道目标跟踪

针对再入阶段的弹道目标跟踪问题,提出运用平方根求积卡尔曼滤波器(SRQKF)估计目标的状态.所提出的算法是求积卡尔曼滤波(QKF)算法的平方根实现.该算法传播了目标状态的均值和协方差的平方根,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,但其计算复杂性稍有增加.仿真实验表明,所提出算法的估计精度优于QKF算法和扩展卡尔曼滤波(EKF)算法,是一种很有效的非线性滤波方法.

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。

利用最优定轨算法鉴别弹道有源假目标

分析了弹道导弹突防过程中有源假目标航迹的运动学特性,指出和实体目标相比,真假目标运动学特性的差异是一种非显著性差异,这种非显著性差异可以体现在初始参数估计的残差上。对于实体目标而言,其最优估计的归一化残差为高斯分布,而假目标残差为非高斯分布,可以作为鉴别的依据。设计了初始参数的最大似然(maximum likelihood,ML)估计算法,采用Levenberg-Marquardt(L-M)迭代法进行求解,并利用估计残差设计了假目标的鉴别算法。该方法的优点是不仅可以鉴别假目标航迹,而且对真目标而言,该算法同时是最优定轨算法。仿真结果验证了算法的有效性。

基于最优分配策略的弹道导弹目标关联算法

为突防需要,弹道导弹目标在飞行过程中会释放多批诱饵、假弹头等形成群目标进行伴飞。由于群内目标之间相互靠近且运动特性相似,跟踪过程中极易发生混批、错批等问题,导致无法尽早进行轨道推算、目标识别等,缩短了导弹拦截时间。本文提出了基于最优分配策略的目标关联算法。首先将目标关联问题归纳为最优分配的一种特例,然后根据目标归一化残差、速度、航向、AD值等信息综合计算关联概率并构建关联代价矩阵,最后对关联代价矩阵进行最小化求解,计算最优的量测和航迹配对。仿真分析结果表明该算法能够大幅度提高群内目标关联准确性。

基于动力学模型的有源假目标鉴别方法

针对导弹防御中可能出现的有源假目标欺骗干扰,从雷达数据处理的层次上进行了真假目标鉴别研究。利用自由段有源假目标与实体目标在动力学模型上的本质差异,提出了动力学模型匹配系数的概念,推导出理想条件下的动力学模型匹配系数的解析表达式。在弹道目标跟踪的基础上设计了有源假目标鉴别算法。结合中程弹道,进行了真假目标鉴别的计算机仿真实验。实验结果表明,所提算法能有效鉴别有源假目标。

修正的强跟踪有限差分滤波算法

为了解决再入阶段的弹道目标跟踪问题,提出一种修正的强跟踪滤波算法,即强跟踪有限差分滤波算法(STFDEKF)。修正的强跟踪算法做出来以下改进:使用有限差分方法来近似多项式,不需要求解非线性函数的导数;其次,新算法中使用强跟踪的次优渐消因子对先验协方差矩阵进行修正。通过蒙特卡罗仿真实验对修正的新算法进行了仿真验证,结果表明,与现有的非线性滤波算法相比,除了计算复杂性稍大外,新算法在跟踪精度及滤波可靠性上均比扩展卡尔曼滤波器和有限差分扩展卡尔曼滤波器优越。

基于轨道推算的弹道导弹多普勒速度估计算法

鉴于弹道导弹目标跟踪过程中出现的分离事件,使得目标密集度高、相互遮挡严重,雷达无法准确测量多普勒速度,导致距离测量精度降低,引发断批、错批等问题,提出了运用轨道推算的弹道导弹多普勒速度估计算法.该算法将目标距离量测中多普勒补偿去掉,采用基于轨道推算方法得到估计值后,再重新进行补偿输出.仿真结果表明,与改进的IMM-UKF滤波算法相比,该算法多普勒速度精度提高了86.50%,距离精度提高了93.37%,大幅度提高了目标跟踪精度.