机动目标跟踪的机动频率自适应算法

为了更好地跟踪机动目标 ,提出了一种机动目标跟踪的改进方法 .利用目标的跟踪残差 ,求取跟踪滤波器的理论残差方差值 ,再根据统计的残差方差 ,建立了残差的假设检验阀值 .并对其算法进行了具体的推导 ,得出自适应选择机动频率的原则 ,使机动频率与目标的当前状态更接近 .对“当前”模型和改进后的模型进行了仿真 ,仿真结果表明该方法具有更小的跟踪误差 。

机动目标跟踪中机动频率的自适应调整

研究机动目标跟踪过程中机动频率的自适应调整方法,使其值更加符合目标的实际机动状况.根据卡尔曼滤波残差是否符合零均值正态分布,判断目标机动频率是否发生改变,并采用简化的最小均方误差(LMS)算法对机动频率加以自适应调整.仿真实验表明,通过对频率自适应调整,使机动目标的位置、速度估计误差明显减小.

基于机动频率自适应的目标跟踪算法

利用观测新息在目标机动时发生变化的信息,设计了一种自适应的机动目标跟踪算法,通过对目标状态误差的估计,从而自适应的改变机动频率,使跟踪算法与目标的真实状态更接近,该算法具有运算量小、跟踪精度高、易于工程化实现的特点。

机动目标跟踪中一种机动频率和方差自适应滤波算法

在机动目标跟踪中,"当前"统计模型("Current"Statistical model,CS)需要预先依据经验设定机动频率和加速度极限值,当预先设定的值与目标的实际运动状态不一致时,将造成较大的跟踪误差。为克服上述问题,该文首先从"当前"统计模型的离散状态方程中,导出了一种机动频率自适应算法,然后对张安清及巴宏欣等人提出的加速度方差自适应算法进行了改进。仿真实验表明,在综合运用上述机动频率自适应和加速度方差自适应算法的基础上,对CS模型修改后,得到的机动目标跟踪自适应滤波算法(Mending CS based Adaptive Filtering algorithm,MAF),能够有效增强基于CS模型的机动目标跟踪自适应滤波算法(CS based Adaptive Filtering algorithm,AF)对目标运动状态变化的自适应能力,并且在低噪声环境下,跟踪精度比AF算法有所提高,算法收敛速度可达到AF算法的2倍,在强噪声环境下,目标机动阶段的跟踪精度提高近2倍,匀速阶段的精度与AF算法相当,算法的收敛速度可达到AF算法的4～10倍,因此,MAF算法具有较强的抗干扰能力。

机动频率自适应的机动目标模糊跟踪算法

分析了基于"当前"统计模型的跟踪算法中,机动频率对滤波算法的影响.提出一种模糊自适应跟踪算法,该算法根据量测新息及其变化率通过模糊推理机制调整"当前"统计模型中的机动频率,以适应不同的目标机动模式.针对直角坐标系下量测模型为非线性方程,采用转换坐标卡尔曼滤波对目标状态进行估计.仿真结果表明:该算法无论跟踪机动目标还是非机动目标,其精度都要优于常规的基于"当前"统计模型的跟踪算法.

一种新的机动频率和方差自适应滤波算法

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的问题,在分析机动频率物理含义及其与加速度变化关系、位移扰动增量与加速度方差的关系基础上,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。仿真结果证明:该算法能很好地自适应目标的加速度变化,并在不同噪声水平下有效提高跟踪精度,尤其大幅度提高了对非机动或弱机动目标的跟踪精度。

目标机动频率自适应估计的UKF滤波算法研究

研究了反弹道导弹中机动目标的拦截问题,提出了一种基于机动频率自适应的UKF滤波估计算法,将实时估计得到的机动频率应用于目标运动状态的滤波过程中,从而对目标运动信息进行快速而有效的估计。仿真结果表明,这种自适应估计算法,较固定机动频率的滤波算法,有较快的目标估计速度,较高的目标估计精度,能有效的跟踪和应对目标机动加速度的快速变化,有效避免了由于不能及时跟踪的目标运动信息而导致较大脱靶量的现象。

突防弹最优机动频率的选择问题研究

为提高弹道导弹的生存概率,研究了突防弹的机动频率与拦截弹脱靶量之间的解析关系;基于比例导引的线性化模型,通过引入频域分析方法,分析了拦截弹脱靶量峰值与突防弹机动频率间的关系,获得了脱靶量峰值与目标弹机动频率之间的解析公式;通过仿真分析,验证了解析公式的合理性,具有一定的工程应用价值。

基于变结构多模型的机动目标跟踪算法

针对固定结构多模型算法在跟踪多模式机动目标存在的问题,即用少数几个模型难以匹配真实的运动情况,但增加模型个数会引起模型之间的竞争,提出了一种基于变结构的多模型算法。该算法的特点是采用匀速模型、"当前"统计模型以及转弯模型组成的模型集进行交互,通过实时更新机动频率和转弯角速度,实现了模型集的自适应。仿真结果表明,在非机动、机动转弯和直线机动情况下,该算法对目标的跟踪精度都优于固定结构多模型算法。

基于双变量自适应“当前”统计模型的场面4D轨迹跟踪预测

为了解决“当前”统计模型由于固定机动频率及假定加速度极限值,在复杂机场环境下机动目标跟踪性能降低的问题,提出一种双变量自适应的“当前”统计模型滤波算法。首先,利用加速度噪声一阶时间相关过程模型,推算出实时在线调整的机动频率。然后,根据位置状态估计值与加速度变化率,通过运动学理论模型和位置滤波残差,推导出实时在线更新的加速度方差,从理论上实现了模型自适应更新。最后,基于场面真实广播式自动相关监视(automatic dependent surveillance-broadcast,ADS-B)轨迹数据进行验证,结果表明改进的“当前”统计模型能够在非等间隔预测的基础上实现自适应调参,且在位置、速度和加速度上的轨迹拟合精度均得到了提高,并在速度和加速度跟踪误差方面得到了收敛。

基于机动检测的水下目标自适应跟踪算法

针对自适应高斯模型及算法在水下目标跟踪时对机动频率依赖性较强的缺陷,提出一种基于机动检测的改进算法。利用目标在转向机动时航向角发生持续性变化的特性,构造统计量对目标的机动点和非机动点进行估计,进而自适应调节模型的机动频率,实现对水下目标的精确跟踪。仿真结果表明,基于航向变化率的机动检测算法对不同速度、不同机动强度的水下目标均具备良好的检测效果,基于机动检测的改进模型及算法对非机动目标和转向机动目标均具备良好的跟踪性能。

改进的截断正态概率密度模型自适应滤波算法

应用当前统计模型跟踪机动目标时,模型参数机动频率和加速度极限值需要根据经验事先设定,在假设不准确的情况下,大大降低了模型的跟踪精度。针对此问题,基于截断正态概率密度模型,提出了一种新的参数自适应跟踪滤波算法。该模型算法通过使用距离函数来表征目标进行机动的强弱状况,采用指数型调整函数自适应调整目标的加速度极限值和机动频率,从而实现了对系统状态噪声和滤波增益的自适应调整,提高了机动模型与目标实际机动情况的匹配程度,提升了滤波器的跟踪性能。仿真结果表明:与常规ACS和TGPMKF算法相比,新算法在跟踪机动目标时,性能更优。

一种改进的当前统计模型自适应跟踪算法

针对"当前"统计模型算法跟踪弱机动目标时存在较大跟踪误差,同时对机动加速度极限值存在依赖的缺陷,在分析传统"当前"统计模型适用范围的基础上,提出一种改进的"当前"统计模型自适应跟踪算法。算法首先通过泰勒级数展开和忽略高阶项的方法得到模型加速度极值和均值的修正结果,使算法能更好地描述强机动和弱机动2种情况下目标的机动特征。之后,通过引入强跟踪滤波器,进一步增强模型对目标突发机动的自适应跟踪能力。最后,针对具有周期性运动特征的跳跃巡航目标,与IMM,CS算法仿真比对,验证了算法的可行性和合理性。

基于“当前”统计模型的改进自适应滤波算法

针对"当前"统计模型算法跟踪弱机动目标性能较低的缺陷,在分析当前统计模型算法及滤波增益特性,参考了几种修正的当前统计模型算法思路的基础上,根据能够抑制滤波发散的渐消因子构造了基于"当前"统计模型的自适应滤波算法。仿真结果表明该算法克服了当前统计模型的缺陷,在实时性与精度两方面得到了平衡,易于工程实现。

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。

基于当前统计模型的目标跟踪改进算法仿真分析

针对当前统计模型跟踪机动目标算法存在误差较大问题,采用加速度方差与机动频率自适应技术,能够实现对任意机动情况下的目标精确跟踪。经计算机仿真,比较了加速度方差与机动频率自适应方法的跟踪性能,表明改进算法具有更好的适应性。

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。

基于改进当前统计模型的容积卡尔曼滤波算法

针对当前统计模型存在机动加速度极大值和机动频率难以确定、影响机动目标跟踪性能的问题,首先利用滤波新息的特性,自适应调整了加速度极大值;然后利用当前统计模型中加速度的非零均值时间相关模型,推导了一种自适应机动频率表达式;最后给出了基于改进当前统计模型的容积卡尔曼滤波算法.仿真结果表明,与标准的当前统计模型相比,本文改进算法对机动目标具有更好的跟踪性能.

飞行器目标跟踪中的改进自适应滤波算法

针对经典“当前”统计模型预设目标参数无法随运动状态进行实时调整的问题,提出一种基于卡尔曼滤波的改进自适应滤波算法(MAF),通过对机动频率及加速度方差的计算,实现目标运动参数的自适应调整,提高跟踪精度。仿真结果表明,该种新型自适应滤波算法相比固定参数的“当前”统计模型滤波算法具有更高的跟踪精度、更强的稳定性,在高信噪比环境下的位置跟踪精度提高20%,低信噪比环境下的位置跟踪精度提高2倍,具有一定工程实用价值。

基于自适应“当前”统计模型GPS测量数据的修正

针对GPS测量实际道路车速中存在的突变野值问题,提出改进的自适应"当前"统计模型.该模型在"当前"统计模型基础之上,根据新息向量实时对机动频率做两次调整.两次调整算法使得模型更加适应于跟踪快速机动目标,提高跟踪精度.最后将模型应用于处理GPS测量的实际道路行驶车速,同时与通过CAN总线采集的车速传感器信号进行对比.实验结果表明该方法能够改善测量结果,使修正后的数据更加切合实际.