多站无源跟踪边缘化卡尔曼滤波算法

多站无源跟踪量测方程非线性强,对跟踪算法的稳定性及精度提出了更高的要求。为实现稳定高精度跟踪,提出了新的基于边缘化卡尔曼滤波(MKF)的多机无源跟踪算法。该算法将非线性的量测方程表示为p阶Hermite多项式的加权和,将加权矩阵的先验分布建模为高斯过程,求得其后验分布后对其进行积分来消除加权矩阵的影响,最终可得对状态及其协方差矩阵估计的闭式解。以只测角跟踪为例对所提算法性能进行验证,仿真结果表明,相对于扩展卡尔曼滤波(EKF)算法、不敏卡尔曼滤波(UKF)算法及容积卡尔曼滤波(CKF)算法,所提算法具有更好的跟踪性能。

基于边缘化高斯厄密特卡尔曼滤波的有偏量测下机动目标跟踪方法

针对传感器存在测量偏差情况下的机动目标跟踪问题,提出一种基于边缘化高斯厄密特卡尔曼滤波的有偏量测下机动目标跟踪方法。首先,通过相邻时刻的量测差分构建差分量测方程,从而消除测量偏差,将相邻时刻的目标状态扩维形成增广状态向量以匹配差分量测方程,实现实时滤波估计,同时对增广状态向量进行边缘化处理以降低高斯厄密特滤波的采样维度,减小滤波负担;然后,将交互式多模型方法融入边缘化高斯厄密特卡尔曼滤波以解决机动目标运动模型不确定的问题,在此基础上利用差分量测方程和增广状态向量推导出相应的滤波方程。实验结果表明,本方法能有效消除传感器测量偏差,目标跟踪精度远高于传统的交互式多模型高斯厄密特卡尔曼滤波方法。

机动目标无源跟踪IMM-MKF算法

为提高运动多站对机动目标的无源跟踪性能,提出了一种新的基于交互式多模型-边缘化卡尔曼滤波(IMM-MKF)的机动目标跟踪算法。该算法将交互式多模型(IMM)结构和边缘化卡尔曼滤波(MKF)结合,利用MKF算法对每个模型进行滤波,对滤波结果进行交互作用来得到跟踪结果。以只测角机动目标跟踪为例对所提算法进行仿真分析,仿真结果表明,相对于采用扩展卡尔曼滤波(EKF)、不敏卡尔曼滤波(UKF)及容积卡尔曼滤波(CKF)算法的典型交互式多模型算法,所提算法具有更好的跟踪性能。