基于神经网络的目标分群及目标运动状态预测

态势估计是对动态变化的对象感知并对提取的态势要素进行觉察、理解和预测的处理过程。以目标运动状态特征为依据,基于自组织竞争神经网络,对传感器量测数据进行无监督的自组织聚类,将各个量测数据准确划分到各个类别当中,解决目标分群的问题。对于具有明显的时变性和不确定性的空中目标的运动特征,Elman神经网络可反映系统随时间变化的动态特性及存储信息的能力,预测任意逼近非线性函数,通过学习历史数据建模,对目标的运动特征进行网络训练,预测目标运动状态,为实现多目标环境下的航迹接续提供方法借鉴。

基于运动状态和敌我属性的空中目标融合识别

研究了基于实时跟踪器的空中目标航迹身份识别问题。从分析目标运动状态和敌我属性的不确定性出发 ,建立了空中目标身份统计模型 ;根据建立的模型 ,通过采用Dempster Shafer证据理论方法 ,对空中目标进行融合识别。仿真实验结果证明了模型和算法的有效性。

基于车辆前方目标运动模型的主动避撞系统的研究

为提高毫米波雷达在探测目标运动状态方面的精确性,针对车辆前方目标运动特点,基于目标运动模型,采用卡尔曼滤波跟踪方法,根据城市道路车辆行驶的实际情况,选取当前统计模型作为机动目标模型,采用基于当前统计模型的卡尔曼滤波跟踪算法,应用Simulink搭建仿真模型,就匀速运动、匀加速运动及变加速运动3种前方目标行驶工况进行目标跟踪仿真对比试验。仿真结果表明:该算法可用于3种工况的目标跟踪,且误差小,具有良好的跟踪效果。搭建实车试验平台,采用一种安全距离模型,对目标跟踪算法进行实车试验。结果表明:使用该算法后车辆避免了碰撞,所建立的模型是可靠的。

基于Kalman滤波算法对运动目标射击研究

针对传统炮兵对运动目标射击时间长、精度低的问题,提出采用卡尔曼滤波对目标运动状态进行准确估计。分析卡尔曼滤波算法的特点,采用预测—更新的递推算法,以某装甲目标为例求取系统状态估计值,并对运动目标射击中的应用进行研究。仿真结果表明:该算法能对目标运动状态进行快速准确的估计,大大提高炮兵火力反应速度和射击精度,有效地提高炮兵作战效能。

基于Mean Shift和Kalman滤波相结合的运动目标跟踪方法

为了使Mean shift算法能跟踪快速运动目标和大比例遮挡的目标,算法引入Kalman滤波对目标位置进行预测,Mean shift在预测位置邻域内搜索目标位置。同时对引入Kalman滤波的算法进行试验分析发现,不能有效的跟踪运动状态突然变化的目标,为此提出采用两次Bhattacharyya系数大小判断的方法。实验证明,提出的算法能够有效的跟踪运动目标,对于快速运动目标、大比例遮挡的目标以及运动状态突变的目标都有很好的跟踪效果,具有很好的鲁棒性。

基于感知信息的USV目标环绕跟踪方法

无人水面艇(USV)作为一种智能水面工具,可实现航行控制、水面目标识别与感知等基本功能,但伴随着工程需求的多元化,如水面失事货轮、未知船只特征识别、失事飞机等搜救探测任务,该基本功能已无法完成任务,因此需要开展一种可对目标进行稳定跟踪并完成360°环视的方法研究。文中提出一种基于感知目标信息,通过对目标环绕跟踪,实现目标检测的方法。在对感知信息进行目标运动状态估计后,采用虚拟目标点跟踪算法计算出期望航向及速度,通过航向控制器及速度控制器实现对USV的位姿控制,同时加入重规划跟踪策略,以适应水面复杂环境并感知设备提供信息的误差扰动。以USV模型辨识方法获得模型并搭建仿真平台进行仿真验证,通过实航试验测试证明该算法设计的合理性。

Kalman滤波融合优化Mean Shift的目标跟踪探讨

Mean Shift目标跟踪算法具有简单稳定的特性,因此被广泛地应用于目标跟踪实际行动中,但同时也存在一定的局限性,在被跟踪目标和目标所在背景的颜色比较接近、目标正在快速运动或者存在较大比例遮蔽物遮挡目标时,Mean Shift目标跟踪算法由于缺少相应的空间信息,经常导致无法识别相似度量函数,使跟踪任务失败。为了避免这些情况的发生,提高目标跟踪效率,文章根据Mean Shift算法在空间颜色以及相似度量方面的缺陷,提出了Kalman滤波和Mean Shift算法融合的优化目标跟踪方法,即使用Kalman滤波根据目标运动状态确定Mean shift目标跟踪算法的初始跟踪位置,然后搜索邻近区域内的目标位置并建立目标模型,最后根据相似系数匹配确定最终位置,如此迭代,以达到准确跟踪运动目标的目的。

基于自适应CS模型的IMM算法

目标运动状态的改变将导致目标跟踪算法精度降低或发散。为了提高机动目标跟踪的跟踪性能,首先,针对当前统计(current statistical,CS)模型中最大加速度固定设置导致模型误差增大的问题,提出了一种自适应CS模型;在自适应CS模型和交互式多模型(interacting multiple model,IMM)的基础上,提出了一种交互式多自适应模型(interacting multiple adaptive model,IMAM),该模型通过采用两个自适应CS模型,能够有效消除目标状态突变造成模型误差急速增大的问题,提高了模型的准确度和适应性。其次,在IMAM的基础上,结合修正卡尔曼滤波(amendatory Kalman filter,AKF)的思想,提出了IMAM-AKF算法,该算法通过修正最终的状态融合估计值,有效地降低了目标机动造成的模型误差,进一步提高了机动目标跟踪的性能。最后,结合自适应渐消卡尔曼滤波(adaptive fading Kalman filter,AFKF)的思想,提出了IMAM-AFAKF算法。仿真结果表明,无论是强机动还是弱机动,IMAM-AFAKF算法都具有较好的跟踪性能。

稳像火控系统误差分析

通过对坦克稳像火控系统预测模型和目标运动状态测量的误差分析,提出提高测量精度和射击命中率的措施。

探测、跟踪与侦察

SPIE-Vol.4240 0307817SPIE 会议录,卷4240:X 射线探测聚合物结构=Pro-ceedings of SPIE,Vol.4240:X-ray investigations ofpolymer Structures[会,英]/SPIE-The International Soci-ety for Optical Engineering.—88P.(E)本会议录收集了在波兰 Szczyrk 召开的 X 射线探测聚合物结构会议上发表的14篇论文,内容涉及小角X射线散射研究聚合物和液晶,宽角 X 射线散射和 X射线衍射探测聚合物,X 射线探测微晶聚合物塑性形变。