基于交互式多模型粒子滤波的相控阵雷达自适应采样

为有效合理利用雷达资源和解决雷达测量值与运动状态间的非线性关系以及目标状态本身可能出现的非线性,提出了一种基于交互式多模型粒子滤波(IMMPF)的相控阵雷达自适应采样目标跟踪方法。将交互式多模型粒子滤波一步预测值的后验克拉美罗矩阵代替预测协方差矩阵,通过该矩阵的迹与某一门限值比较来更新采样周期以适应目标运动状态的变化。将该方法与基于量测转换的IMM自适应采样算法进行仿真实验,表明了该算法的有效性。

基于波形参数设计的认知雷达跟踪方法

针对传统雷达对机动目标进行跟踪时,跟踪误差大、不能充分利用环境信息等问题,提出了基于波形参数设计的认知雷达跟踪方法。该方法首先将目标的运动状态和发射波形参数相联合来构建目标的量测和状态方程,然后引入粒子群优化粒子滤波方法对目标状态进行实时估计,在此基础上推导了系统跟踪精度的后验克拉美罗界(PCRB),并以后验克拉美罗准则来认知设计雷达发射波形参数。仿真结果表明,与传统方法相比,所提方法能够更好地完成对运动目标的跟踪。

利用方向角信息辅助雷达目标跟踪

传统雷达仅能提供目标的方位和距离量测,由于可利用的信息相对较少,跟踪精度很难进一步提高。利用现代雷达的高分辨探测能力,提出了一种基于距离像识别信息辅助目标跟踪的模型,并结合求根不敏卡尔曼滤波技术得到了一种高性能跟踪算法。该算法根据距离像识别结果得到目标方向角的测量,进而通过增加观测量的维数来提高目标的跟踪能力。不同条件下的仿真结果表明,利用方向角信息辅助的跟踪算法收敛速度快,跟踪精度高,且复杂度与传统算法相当。

基于距离像长度特征辅助的雷达目标跟踪

传统雷达目标跟踪仅利用角度和距离数据,由于获取的测量信息较少,跟踪精度受限。本文利用现代雷达所具有的距离高分辨能力,提出了一种基于距离像长度特征辅助的跟踪模型,并结合先进的非线性滤波算法得到了一种高性能目标跟踪算法—FAT-UKF。该算法将目标的运动状态与距离像长度信息联系起来,通过增加观测量的维数来提高雷达的跟踪能力。对典型实例的计算机仿真结果表明,基于特征辅助的跟踪算法不仅收敛速度快,且能有效突破传统跟踪算法的理论误差下限,大大提高了雷达跟踪系统的整体性能。

POSTERIOR CRAMR-RAO BOUNDS ANALYSIS FOR PASSIVE TARGET TRACKING

For the problem of deterministic parameter estimate, the theoretical lower bound of esti- mate error is the Cramér-Rao bound; while for random parameter, the lower bound of estimate error is generally termed by Posterior Cramér-Rao Bound (PCRB). Under the background of passive tracking where the target's state can be seen as a time-varying random parameter, PCRB of the state estimate error is analyzed in this paper, and the relation between PCRB and varied condition is also fully in- vestigated using different simulation examples. The presented analytical method provides a theoretical base for performance assessment of all kinds of suboptimal estimate algorithms used in practice.