基于“当前”统计模型的ADS-B航迹滤波与处理

针对ADS-B航迹处理的精度问题,提出了一种ADS-B航迹滤波与处理的方法。首先,介绍了ADS-B航迹处理的流程;其次,针对在ADS-B航迹处理时出现的精度问题,引入“当前”统计模型进行研究;然后基于“当前”统计模型,利用自适应滤波算法进行航迹预测,实现航迹平滑;最后,通过对比仿真实验对自适应滤波算法的航迹滤波与处理性能进行分析,对比卡尔曼滤波算法与自适应滤波算法对航迹的处理效果,以及两种算法的误差均值。结果表明:基于“当前”统计模型的自适应滤波算法对航迹的处理有较好的效果,能够有效实现航迹的平滑与预测。

基于STF的“当前”统计模型及自适应跟踪算法

在“当前”统计模型(CS)的基础上,提出了一种新的机动目标自适应跟踪算法STF-CS.该算法通过引入强跟踪滤波器(STF)的渐消因子,实时调节滤波器增益,增强了系统对突发机动的自适应跟踪能力,同时保留了“当前”统计模型跟踪算法对一般机动目标跟踪精度高的特点.仿真结果表明,在跟踪一般机动目标时,其误差和“当前”统计模型算法相当;在跟踪突发机动目标时,本文算法的误差明显小于“当前”统计模型及自适应算法.

基于“当前”统计模型的卡尔曼滤波在北斗单向授时中的应用

为了提高北斗单向授时的授时精度,提出了一种基于“当前”统计模型的卡尔曼滤波单向授时方法。将“当前”统计模型应用于接收机时钟频率漂移的建模以建立状态方程,使用经过卡尔曼滤波后的钟差和钟速对本地时钟进行修正。实验结果表明,在选取合适的机动频率和最大频率漂移的情况下,相比于未滤波修正,温补晶振时钟的峰峰值最多可以减小36.7%,标准差最多可以减小42.5%;恒温晶振时钟的峰峰值最多可以减小71.8%,标准差最多可以减小67.0%。基于“当前”统计模型的卡尔曼滤波单向授时方法,可以有效地降低观测量的误差与噪声对于接收机钟差与钟速的影响,从而提高授时精度。

基于当前统计模型的机动目标自适应跟踪算法

当前统计模型及其自适应卡尔曼滤波算法对强机动目标具有很好的跟踪效果,但当机动目标为弱机动和非机动时算法跟踪性能较差。针对这一问题,提出了采用铃形函数作为模糊隶属函数对模型中加速度极值进行修正的自适应滤波算法,调整加速度稳定时的系统过程噪声方差,提高算法的跟踪精度。同时,借鉴强跟踪滤波算法的渐消自适应滤波因子思想,针对加速度突变的情况引入渐消因子对修正的加速度极值进行调节,提高算法在加速度突变情况下的跟踪速度。仿真实验结果表明,算法对弱机动目标和非机动目标的跟踪具有良好的效果。

基于当前统计模型的机动目标自适应强跟踪算法

在当前统计模型卡尔曼滤波算法的基础上,结合升半正态形模糊分布函数特性,提出了一种加速度方差两段函数自适应调整方法,该方法能自适应逼近目标真实机动并进行准确跟踪。给出了最大加速度自调整方法,克服了模型对目标最大加速度的依赖。引入强跟踪滤波算法,增强了模型对突发机动自适应跟踪的能力。理论分析和仿真结果表明,该算法提高了机动模型和系统模式的匹配程度,增强了系统对强机动目标的跟踪能力,并保持对弱机动和非机动目标良好的跟踪性能,且具有运算量小、跟踪精度高、易于工程化实现等优点。

基于当前统计模型的自适应强跟踪算法

由于模型参数不能自适应调整和卡尔曼滤波器固有的特点,传统的当前统计模型算法跟踪突发强机动目标时性能显著下降。本文通过采用机动检测方法并借鉴强跟踪滤波器的思想,提出了一种改进的自适应强跟踪算法。利用量测残差的统计距离将目标机动划分为不同的状态,相应调整模型参数和滤波器增益,提高机动模型和系统模式的匹配程度,增强了系统对强机动目标的跟踪能力并保持对一般机动目标良好的跟踪性能。

基于改进“当前”统计模型的非线性机动目标跟踪算法

"当前"统计模型算法对目标加速度极限值及机动频率的依赖性这一缺点,导致该算法在跟踪弱机动目标及高机动目标时,跟踪性能会明显恶化.本文在当前统计(CS)模型的基础上,通过加权一个以残差方差的迹为参数的活化函数,对加速度方差和机动频率进行自适应处理,实现了对"当前"统计模型的改进;同时,采用UKF(unscented Kalman filter)对非线性目标进行跟踪滤波,构造出基于改进"当前"统计模型的非线性机动目标跟踪算法,仿真结果表明,改进的"当前"统计模型不仅保留了"当前"统计模型跟踪算法对一般机动目标跟踪精度高的特点,而且对弱机动目标跟踪也具有更优越的性能,大大扩大了机动跟踪范围.

非线性“当前”统计模型及自适应跟踪算法

针对"当前"统计模型中人为设定时间常数的倒数α值的不合理性,对机动参数α进行建模,并基于粒子滤波的思想,结合UKF滤波算法给出适用于强机动目标跟踪的CS-UKF算法。整个算法能够实时估计参数α,并从这里出发估计目标状态。仿真结果表明在目标强机动时CS-UKF算法比经典CS-KALMAN算法收敛速度更快,状态估计更精确。

一种高度机动目标的“当前”统计Jerk模型

讨论了KishoreMehrotra等提出的高度机动目标模型———Jerk模型 ,应用古典控制论方法分析了该模型的局限性 ;提出了一种新的“当前”统计Jerk模型 ,即CS Jerk模型 ,该模型假设目标的机动加速度变化率为非零均值指数相关的随机过程 ;仿真结果表明CS

基于“当前”统计模型的模糊自适应跟踪算法

基本的机动目标"当前"统计模型及其自适应卡尔曼滤波算法虽能对强机动目标进行很好的跟踪,但是在跟踪弱机动目标时却存在较大的误差。针对这一问题,新算法中引入一种非线性模糊隶属度函数来自适应地调整目标加速度上下限,并从理论上分析了新算法对于弱机动目标跟踪的有效性。通过计算机仿真验证了新算法相对于基本"当前"统计模型及其自适应跟踪算法的明显优势。

基于当前统计模型的机动目标被动跟踪

介绍了极坐标系下的被动跟踪算法及存在的问题 ,并分析了其原因 .为了解决机动目标的被动跟踪问题 ,选取当前统计模型对加速度进行建模 ,并建立双机目标测量模型 ,推导了被动式机动目标自适应跟踪算法 .Monte- Carlo仿真表明 。

基于改进当前统计模型的模糊自适应车辆定位算法

分析比较了"当前"统计模型和Singer模型各自的特点,提出了基于改进的"当前"统计模型的模糊自适应车辆定位算法(MCS-FAEKF),实时动态选择机动模型和调整系统噪声协方差矩阵。相对于传统的"当前"统计模型卡尔曼滤波算法(CS-EKF)和Singer-EKF算法,MCS-FAEKF算法对车辆目标的定位精度和可靠性等都得到了较大提高,计算机仿真结果验证了算法的有效性和可行性。

一种新的更好的基于“当前”统计模型的自适应滤波算法

提出一种新的基于"当前"统计模型的自适应滤波算法,针对"当前"统计模型自适应滤波算法中加速度极限值需要预设的不合理性,通过新息量和滤波值对加速度极限值进行估计,从而实现加速度极限值的自适应。通过对机动目标进行Monte Carlo仿真,结果表明了新算法的有效性和合理性。

基于“当前”统计模型的交互式多模型算法

提出了一种基于"当前"统计模型的交互式多模型算法。在交互式多模型算法框架内,计算"当前"统计模型的概率,自适应地调整"当前"统计模型中目标加速度,使其能够反映目标的机动特性,充分发挥了"当前"统计模型和交互式多模型算法的优点,扩大了"当前"统计模型的应用范围,提高了"当前"统计模型的自适应性。Monte Carlo仿真结果表明了该算法的有效性。

改进的交互式当前统计模型算法

交互式多模型(IMM)算法是一种有效的机动目标跟踪算法,但其性能与模型的选择、个数以及参数有关,而当前统计模型(CSM)是一种模型自适应的方法。因此,利用CSM为IMM提供模型,提出一种改进的交互式当前统计模型算法。仿真结果表明,该算法能有效地提高机动目标跟踪精度。

机动目标当前统计模型模糊自适应算法

针对当前统计模型常规算法跟踪机动目标的缺陷,提出了当前统计模型模糊自适应算法。该算法根据规范化的量测新息及其变化率并通过模糊推理实时选取机动频率,给出了加速度方差的新息幂函数调整方法,采用加速度估计值和预测值的偏差在线更新当前加速度均值。在此基础上,结合高斯隶属函数和强跟踪算法对其权值予以修正。当前统计模型模糊自适应算法不受机动频率人为给定和最大加速度极值设置的限制,适用于不同范围和程度的机动。利用当前统计模型模糊自适应算法对阶跃机动、圆周机动、Jerk机动3种典型机动场景进行了计算机仿真,并与当前统计模型常规跟踪算法和Jerk模型自适应算法进行了比较。仿真结果表明,该算法扩大了跟踪范围,具有较好的稳态特性和瞬态特性,其跟踪精度和收敛速度优于其他两种算法。

基于“当前”统计模型的模糊自适应航迹预测算法

基本的"当前"统计模型由于其机动加速度极限值固定不变,只能描述机动加速度较大的机动目标。因而基本的"当前"统计模型及其自适应滤波算法(CSAF)对机动性较强目标的预测性能较好,而对机动性较弱目标的预测误差较大。针对这个问题,新算法中设计了一种新的模糊隶属度函数,利用机动目标的"当前"加速度来自适应地调整机动加速度极限值,使"当前"统计模型可以描述具有任意加速度的机动目标。最后,运用该算法和CSAF算法对机动目标进行了航迹预测仿真实验,仿真实验结果表明,无论对于机动性较强的目标还是机动性较弱的目标,新算法的预测性能均优于CSAF算法。

高度机动目标的“当前”统计Jerk模型

讨论了KishoreMehrotra等人提出的高度机动目标模型———Jerk模型 ,得出了该模型在跟踪阶跃Jerk信号时存在确定性稳态误差的结论。提出了一种新的“当前”统计Jerk(currentstatisticJerk ,CS -Jerk)模型 ,该模型假设目标的机动加速度变化率为非零均值指数相关的随机过程。仿真结果表明 ,CS -Jerk模型及其滤波算法在跟踪高度机动目标时性能优于Jerk模型。

基于改进“当前”统计模型的ADS-B目标跟踪方法

在分析ADS-B技术原理及其消息基本类型的基础上,提出了ADS-B消息接收处理流程。给出了ADS-B数据转换为便于目标跟踪的直角坐标系及极坐标系下数据格式的方法。针对"当前"统计模型及其自适应卡尔曼滤波算法对民航飞机的弱机动存在较大跟踪误差的问题,提出一种最大加速度自调整和机动频率自适应调节的新算法;理论分析和仿真结果表明,新算法较传统算法不仅保持了对机动性较强目标的良好跟踪效果,也提高了对弱机动目标的跟踪精度。

最大加速度未知的“当前”统计模型机动目标跟踪

分析了“当前”统计模型机动目标跟踪算法的性能对目标机动加速度最大值的依赖性,但是由于在实际中目标机动加速度的最大值往往是未知或不能准确已知的,所以为了克服“当前”统计模型的这一不足之处,采用协方差匹配和多级白噪声自适应滤波算法的思想,提出了一种“当前”统计模型在最大加速度未知情况下的机动目标跟踪新算法。对三种典型的机动目标运动形式进行了Monte-Carlo仿真研究,结果表明新算法对于解决机动目标跟踪问题非常有效。