改进的“当前”统计模型自适应跟踪算法

针对"当前"统计模型算法及其改进的算法对弱机动目标存在较大跟踪误差,同时对机动加速度极限值有依赖的缺陷。在分析传统"当前"统计模型适用范围的基础上,提出了一种改进的"当前"统计模型自适应算法。用截断正态分布来弥补修正瑞利分布的缺陷;同时在此基础上通过预测残差向量定义调整因子对模型中各参数进行自适应调整,提高了机动模型和目标运动形式的匹配程度;并对加速度均值进行了修正,使之适合于一般运动形式。最后对算法进行了仿真实验分析。结果表明,提出的模型(ACS)较经典模型(CS)及其相关改进模型(MCS)不仅弥补了对弱机动目标的跟踪的不足,对强机动目标的跟踪精度也有较大程度的提高。

改进的“当前”统计模型变采样率目标跟踪算法

为满足实际雷达系统对高精度和高实时性的要求，提出了一种改进的“当前”统计模型变采样率机动目标跟踪算法。该算法针对“当前”统计模型必须预设加速度极值和机动频率的问题，提出一种加速度方差和机动频率在线同步自适应方法，建立改进的“当前”统计模型机动目标跟踪算法；针对在线自适应方法计算量大的问题，结合采样周期的大小与目标机动特性的关系，引入变采样率方法。仿真结果表明，与传统“当前”统计模型相比，改进的“当前”统计模型机动目标跟踪算法能显著提高对不同机动强度目标的跟踪精度；变采样率方法通过减少采样点数，节省了系统资源，提高了跟踪实时性；所提算法将两者结合，用传统的“当前”统计模型1.5~2倍的平均采样周期得到了更小的位置均方根误差，实现了用单模型方法同时改善跟踪精度和实时性的目的。

一种基于改进的“当前”统计模型自适应跟踪算法

针对工程应用中"当前"统计模型对机动频率和最大加速度经验值依赖过大,难以根据目标的加速度变化进行实时动态调整优化的问题;以及标准"当前"统计模型在跟踪非机动或弱机动目标时,精度不高的问题,在分析机动频率物理含义及其与加速度变化关系、卡尔曼滤波的新息与加速度方差关系的基础上,提出了一种高效的机动频率和加速度方差双变量自适应算法。仿真结果表明该算法能够很好地自适应目标的加速度变化;并能有效提高跟踪精度,大大提高了对非机动或弱机动目标的跟踪精度。

一种新的改进的“当前”统计模型的自适应滤波算法

针对标准"当前"统计模型中加速度和机动频率需要预先设定的不合理,以及在跟踪非机动和弱机动目标时存在精度不高的问题,从加速度状态方程式中推导出机动频率自适应表达式;并结合已有的加速度方差自适应算法,提出了一种新的基于"当前"统计模型的自适应卡尔曼滤波算法。仿真结果表明算法的有效性和合理性。

基于统计损伤修正的冻结砂—黏混合土改进Duncan-Chang模型

为描述冻结砂—黏混合土的偏应力—应变关系,进行不同含砂量冻结砂—黏混合土的冻土三轴压缩试验。基于改进的Duncan-Chang模型(D-C模型),引入统计损伤理论,拟合三轴压缩试验结果,分别建立以Mises强度准则和应变发展为微元强度变量的统计损伤修正模型,对比计算结果与试验数据。结果表明:冻结砂—黏混合土偏应力峰值随含砂量的增加而增加,偏应力—应变曲线由应变硬化型逐渐过渡到应变软化型的临界含砂量为50%。当含砂量介于20%~60%时,基于统计损伤理论的修正改进D-C模型能有效拟合应变硬化型曲线和具有轻微应变软化现象的偏应力—应变曲线。当含砂量为90%时,基于应变发展的统计损伤修正模型的偏应力峰值与试验结果相差3%,具有较强适用性。该结果为不同微元强度变量的统计损伤修正模型提供参考。

基于“当前”统计模型的ADS-B航迹滤波与处理

针对ADS-B航迹处理的精度问题,提出了一种ADS-B航迹滤波与处理的方法。首先,介绍了ADS-B航迹处理的流程;其次,针对在ADS-B航迹处理时出现的精度问题,引入“当前”统计模型进行研究;然后基于“当前”统计模型,利用自适应滤波算法进行航迹预测,实现航迹平滑;最后,通过对比仿真实验对自适应滤波算法的航迹滤波与处理性能进行分析,对比卡尔曼滤波算法与自适应滤波算法对航迹的处理效果,以及两种算法的误差均值。结果表明:基于“当前”统计模型的自适应滤波算法对航迹的处理有较好的效果,能够有效实现航迹的平滑与预测。

基于改进“当前”统计模型的非线性机动目标跟踪算法

"当前"统计模型算法对目标加速度极限值及机动频率的依赖性这一缺点,导致该算法在跟踪弱机动目标及高机动目标时,跟踪性能会明显恶化.本文在当前统计(CS)模型的基础上,通过加权一个以残差方差的迹为参数的活化函数,对加速度方差和机动频率进行自适应处理,实现了对"当前"统计模型的改进;同时,采用UKF(unscented Kalman filter)对非线性目标进行跟踪滤波,构造出基于改进"当前"统计模型的非线性机动目标跟踪算法,仿真结果表明,改进的"当前"统计模型不仅保留了"当前"统计模型跟踪算法对一般机动目标跟踪精度高的特点,而且对弱机动目标跟踪也具有更优越的性能,大大扩大了机动跟踪范围.

基于改进当前统计模型的模糊自适应车辆定位算法

分析比较了"当前"统计模型和Singer模型各自的特点,提出了基于改进的"当前"统计模型的模糊自适应车辆定位算法(MCS-FAEKF),实时动态选择机动模型和调整系统噪声协方差矩阵。相对于传统的"当前"统计模型卡尔曼滤波算法(CS-EKF)和Singer-EKF算法,MCS-FAEKF算法对车辆目标的定位精度和可靠性等都得到了较大提高,计算机仿真结果验证了算法的有效性和可行性。

改进的交互式当前统计模型算法

交互式多模型(IMM)算法是一种有效的机动目标跟踪算法,但其性能与模型的选择、个数以及参数有关,而当前统计模型(CSM)是一种模型自适应的方法。因此,利用CSM为IMM提供模型,提出一种改进的交互式当前统计模型算法。仿真结果表明,该算法能有效地提高机动目标跟踪精度。

基于改进“当前”统计模型的ADS-B目标跟踪方法

在分析ADS-B技术原理及其消息基本类型的基础上,提出了ADS-B消息接收处理流程。给出了ADS-B数据转换为便于目标跟踪的直角坐标系及极坐标系下数据格式的方法。针对"当前"统计模型及其自适应卡尔曼滤波算法对民航飞机的弱机动存在较大跟踪误差的问题,提出一种最大加速度自调整和机动频率自适应调节的新算法;理论分析和仿真结果表明,新算法较传统算法不仅保持了对机动性较强目标的良好跟踪效果,也提高了对弱机动目标的跟踪精度。

一种改进的机动目标“当前”统计模型的描述

讨论了机动目标加速度的“当前”统计模型问题。推导出基于修正瑞利分布的机动目标加速度的“当前”统计模型的适用范围。提出一种改进的机动目标加速度的“当前”统计模型描述。仿真结果表明,基于本文提出的机动目标加速度“当前”统计模型建立的机动目标自适应跟踪算法,其跟踪精度更佳。

基于当前统计模型的改进粒子滤波算法

基于"当前"统计模型,提出了双站无源被动跟踪的改进粒子滤波算法.该算法使用扩展卡尔曼滤波提议分布的粒子滤波,融合双站测量数据,包含了残差重抽样步骤以及马尔可夫链蒙特卡罗法等技巧.在双站测量的被动跟踪试验中,比较了各种滤波方式.仿真结果证实,该改进算法能有效跟踪高度机动的目标.

基于改进当前统计模型的自适应无源跟踪算法

针对无源跟踪中,标准当前统计模型无法自适应调整加速度极限值的缺点,设计了一种修正系数来通过机动目标的当前加速度自适应调整模型的加速度极限值,同时利用模糊控制的方法对修正系数的取值进行实时调整,实现了对当前统计模型的改进。最后结合容积卡尔曼滤波算法构造基于改进当前统计模型的自适应无源跟踪算法。仿真结果表明,相比基于标准当前统计模型的自适应跟踪算法,新算法对非机动目标、弱机动目标以及强机动目标都有更好的跟踪效果。

改进的机动目标当前统计模型自适应跟踪算法

针对机动目标当前统计模型自适应跟踪算法的加速度方差依赖于预先设定的加速度极值的问题,研究新的加速度方差调整方法。在机动目标当前统计模型的基础上,根据雷达实时观测信息,利用加速度扰动与位置变化量之间的物理关系,采用一种新的机动目标当前统计模型加速度方差自适应跟踪方法。仿真结果表明,新算法对高机动目标、一般机动目标均具有较高的跟踪精度,从而验证了新算法的正确性和有效性,对机动目标跟踪问题具有一定的实际应用价值。

基于“当前”统计模型的一种改进机动目标跟踪算法

介绍了目前存在的机动目标运动模型.针对“当前”统计模型中加速度极限值的预先设定对于跟踪算法造成的不利影响,通过目标机动状况与相邻采样时刻间位置估计量变化之间的函数关系实现噪声方差自适应,进而提出了一种基于“当前”统计模型的改进机动目标跟踪算法.该算法避免了加速度极限值的预先设定问题,从而提高了对机动目标状态估计的精度.最后,仿真结果表明该算法具有一定的有效性.

一种基于“当前”统计模型的改进目标跟踪算法

分析了"当前"统计模型跟踪非机动及弱机动目标时精度较差的原因,提出了采用隶属函数调整加速度方差改进目标跟踪的算法。该算法根据目标当前的机动状况自动地调整方差。仿真表明,该算法能够有效地提高对非机动及弱机动目标的跟踪精度。

改进的当前统计模型及自适应跟踪算法

对于机动目标跟踪问题,在当前统计(CS)模型的基础上,提出了一种新的机动目标自适应跟踪算法。通过引入强跟踪滤波器(STF)的渐消因子,增强了模型对目标突发机动的自适应跟踪能力,同时针对模型对目标加速度极限值的依赖性这一缺点,引入一种利用位置估计值与加速度的函数关系自适应调整加速度方差的方法,提高了对弱机动和非机动目标的跟踪能力。仿真结果表明,该算法与标准的当前统计模型滤波算法相比具有较高的跟踪精度。

基于改进“当前”统计的交互式多模型算法研究

"当前"统计模型是较好的机动目标跟踪模型。为了更好地实现对机动目标的跟踪,针对该模型存在机动频率离线确定和加速度上限固定2个问题,利用卡尔曼滤波过程中的新息向量和其协方差的变化,对机动频率参数进行自适应调整;依据加速度增量与位置增量之间函数关系,构造调整因子对加速度上限进行自适应调整。进一步,通过交互式多模型算法,将"改进"的当前统计模型和匀速模型相结合,弥补单一模型的缺点,以其对更加复杂多变的目标运动实现有效地跟踪。

基于改进“当前”统计模型的机动目标IMM跟踪算法

交互式多模型(IMM)算法是一种有效的机动目标跟踪算法,但其性能与模型的选择、个数以及参数有关。文中提出了一种基于改进的"当前"统计模型的交互式多模型算法,改进的"当前"统计模型提高了对机动目标的跟踪能力,而常速模型对匀速目标跟踪性能良好,IMM算法通过两种模型的交互作用可以实现对目标状态的自适应估计;同时,该算法结合了模型概率转移自适应技术,实现了对模型转移矩阵的在线估计,降低了人为因素。最后,通过Monte Carlo仿真进一步验证了该算法的有效性。

改进的基于“当前”统计模型自适应滤波算法及其在航迹预测中的应用

基于"当前"统计模型的模糊自适应(FACS)滤波算法利用机动目标"当前"加速度调整加速度极限值,实现了对一般机动目标的有效预测;但是在预测强机动目标时却存在较大的预测误差。为了解决这一问题,引入强跟踪滤波器(STF),提出了一种新的自适应滤波算法STF-FACS。该算法根据滤波残差实时调整卡尔曼滤波增益,提高了对强机动目标的预测能力;同时保留了FACS算法对于一般机动目标的预测性能。最后,对强机动目标分直线机动和转弯机动,分别进行航迹预测仿真。仿真结果表明,对弱机动目标进行航迹预测时,两种算法的预测效果相当;对强机动目标进行航迹预测时,STF-FACS算法无论是在动态时延和预测精度方面都比FACS算法要好。