基于机动判别的变结构交互多模型跟踪算法

临近空间高超声速机动目标具有高速、高机动的运动特性,协同转弯模型是跟踪临近空间目标的常用模型之一。基于协同转弯模型的自适应网格交互多模型(adaptive grid interaction multiple model,AGIMM)算法能够较好地适应临近空间高超声速目标运动特性,但AGIMM算法存在着依赖中心网格模型,非机动时刻模型集收敛缓慢的问题,基于此提出了一种基于机动判别的变结构交互多模型算法。所提算法根据目标机动特性调整跟踪模型集的结构及模型概率转移矩阵,加快了非机动时刻模型集的收敛速度,克服了AGIMM算法存在的问题。通过蒙特卡罗仿真验证,改进的算法相对于AGIMM算法提高了对临近空间高超声速目标的跟踪性能。

一类基于模糊推理的具有机动自适应的目标跟踪算法

针对变结构多模型算法在机动目标跟踪中对目标机动不确定性、量测不确定性自适应能力不足的问题,提出一种基于模糊推理的机动自适应目标跟踪算法.设计一种基于模糊推理的双级机动判别模型,利用模型概率信息和主模型滤波残差加权范数进行主模型可信度和机动判别推理;并将双级机动判别引入基于可能模型集的期望模式扩增方法(EMA-LMS)框架,提出一种模糊推理EMA-LMS算法,实现对模型集自适应的参数和策略的在线调节,从而生成更加接近目标真实运动模式的期望模型,并更好地对模型进行取舍.仿真结果表明,本文算法能够有效增强算法对目标机动和量测不确定的自适应性,提高跟踪精度.

交互式多模型集自适应协同滤波目标跟踪算法研究

为了解决传统交互式多模型算法静态模型集带来的精度低等局限问题,提出了一种多模型集自适应协同滤波算法。通过比较目标与当前模型集中不同模型之间的模型匹配概率,自动确定当前模型匹配中的最好模型与最坏模型,利用激活、保留和剔除策略改变固定模型集的结构以达到模型集自适应的过程。通过与其他已经提出的交互式多模型算法进行比较,实验结果表明:多模型集自适应协同滤波算法在速度、加速度以及转弯速率的状态估计上都得到了优化,在一定程度上提升了目标跟踪定位的准确性。