一种改进的粒子滤波算法

在粒子滤波中,防止粒子退化的两个关键因素是选择适当的采样建议分布和重采样算法.针对建议分布的选择条件,提出了一种改进的粒子滤波算法,该算法采用强跟踪扩展卡尔曼滤波方法构建其建议分布.强跟踪扩展卡尔曼滤波可在线调节参数,从而使得系统具有更好的自适应性和鲁棒性,对高机动目标具有更强的跟踪效果.仿真结果表明,该算法的性能优于其它几种非线性滤波算法.     

粒子滤波的目标跟踪算法研究与实现

通过已经获得的运动目标的先验特征点,以及基于这些特征点在各种噪声的干扰下多呈现非线性和非高斯的特点,我们可以利用粒子滤波的方法进行运动估计和跟踪。由于粒子滤波具有对非线性和非高斯的有效逼近的性质,获得粒子的后验概率分布,估计目标状态,实现目标的有效跟踪。为了有效避免粒子退化问题,采用累加权值、聚类算法并且引入高斯分布函数进行采样,保证粒子的多样性。经过程序测试,结果很有效。     

采样滤波算法在单站无源定位中的应用

讨论了用采样的方法近似非线性分布来解决无源定位中的非线性问题，提出了一种简单的正则粒子滤波，克服了标准粒子滤波用于单站无源定位中出现的粒子贫乏现象，将粒子滤波成功应用到无源定位中，计算机仿真表明该算法的定位精度较Unscented卡尔曼滤波（UKF）有一定的提高。     

基于时间序列聚类的多雷达数据融合

针对多雷达数据融合问题,提出了基于时间序列的聚类算法,用于实现航迹相关,即以时间序列为基础把聚类模型转化为基于特征匹配的聚类算法。进一步考虑到多目标密集时,部分来自不同目标的数据可能比来自同一目标的数据更接近,易导致关联错误,为此提出了基于时间序列的模糊聚类算法。对上述两种算法的聚类结果,应用卡尔曼滤波器实现滤波跟踪,在不同的情况下仿真后发现,在跟踪目标较少且相互位置较远的情况下,两种算法均有效,在跟踪目标较多且相互位置靠近的情况下,基于时间序列的模糊聚类算法更有效。     

一种基于预测值量测转换的卡尔曼滤波跟踪算法

在雷达目标跟踪中，系统量测信息通常在球坐标系下获得。为了采用经典卡尔曼滤波算法实现有效目标跟踪，通常采用量测转换方法将非线性量测信息转换到直角坐标系中。针对传统量测转换方法基于量测值计算转换误差统计特性而导致的估计结果有偏问题，提出了一种基于预测值的量测转换方法，并将其与卡尔曼滤波算法相结合，获得了一种基于预测值量测转换的卡尔曼滤波跟踪算法。仿真结果表明，与现有的基于量测转换的卡尔曼滤波算法相比，该算法能在不提高运算量的情况下有效改善目标跟踪效果，跟踪精度提升约20%。     

应用K-means聚类的分布式多传感器航迹关联算法

针对分布式多传感器航迹关联的特点,考虑采用K-means聚类的航迹关联算法。将来自各传感器的局部航迹与系统航迹进行关联,并将系统航迹作为初始聚类中心,避免了K-means算法本身依赖初始值的缺陷;提出将系统航迹与局部航迹的欧式距离以及其状态向量在1范数下的距离之和作为相似度测度;设定距离门限值,减少了极端数据对聚类结果的影响,并增加多义性处理。蒙特卡洛仿真实验表明,该算法在目标密集并且目标有交叉的情况下能以较小的代价得到较高的平均正确关联率。同时,该算法克服了最近邻域法的局部最优特性和关联正确率高度依赖特征阈值等局限性。     

一种利用运动补偿的改进JPDA-UKF算法

在恒虚警条件下,针对传统的航海雷达模拟器目标跟踪采用的基于不敏卡尔曼滤波的联合概率数据互联算法(JPDA-UKF)发散、复杂度高和实时性差的问题,提出了一种利用运动补偿的笛卡尔坐标下改进的JPDA-UKF滤波方法。该算法引入相邻周期回波间运动补偿提取的目标量测可信度矩阵,限制进入跟踪门相交区域中的虚假量测数量,并将软跟踪门技术应用于滑窗逻辑法实现航迹管理。仿真结果表明,所提方法径向速度误差比传统的JPDA-UKF算法与自适应的α-β滤波算法分别降低10%和20%,目标获得稳定航迹后径向速度归一化均方根误差(RMSE)比上述两种方法分别具有约10 dB和15 dB的性能优势,算法的复杂度符合真实雷达的边扫描边跟踪的实时处理。     

一种改进重采样的粒子滤波算法

粒子滤波算法中重采样是解决粒子退化的一种重要方法,但重采样会导致粒子多样 性的损失。针对这一问题,对基本重采样算法进行了改进。改进算法首先按基本重采样思想 找到权值大的粒子进行复制,然后借鉴遗传算法进行交叉和变异操作,其中变异由变异尺 度因子和粒子集的均值来实现。利用改进重采样的粒子滤波算法对经典纯方位目标跟踪问题 进行了仿真,仿真结果表明,改进算法具有更好的跟踪精度。     

大批量目标航迹关联加速算法

针对分布式航迹关联耗时较多的问题，提出了一种加快处理速度的新算法。该方法首先将平面等分割成很多矩形网格；其次，根据关联门限计算关联的矩形网格集合；最后，根据关联网格集合选定待关联目标，从而减少关联次数，提高处理速度。仿真试验表明，当目标数为1 600以上、传感器数为2以上时,航迹关联加速算法比一般航迹关联算法的处理速度高出30倍以上。     

基于卡尔曼滤波的三星时差运动目标定位技术

针对三星时差无源定位体制的特点,研究空中运动目标辐射源定位技术。在匀 速直线运动目标模型下,通过改变地球方程参数,利用牛顿迭代算法给出目标的瞬时初始定 位点,并在此基础上利用不敏卡尔曼滤波对运动目标进行跟踪定位。仿真验证表明 ,利用三星时差测量体制和相关滤波算法,可以有效实现空中运动目标的跟踪定位,精度优 于5 km;同时在精确初始值的引导下,滤波算法收敛速度更快,定位精度更高,航迹更 为连续。     

一种量测转换的移动外辐射源多站协同跟踪算法

针对移动外辐射源跟踪问题,提出一种融合到达角(Angle of Arrival,AOA)与到达时间差(Time Difference of Arrival,TDOA)观测量的量测转换Kalman滤波(Converted Measurement Kalman Filter,CMKF)算法。首先,采用了一种考虑了传感器位置偏差影响的无源定位算法作为转换非线性的AOA与TDOA观测量至笛卡尔坐标系下观测量的方法,并证明了当AOA与TDOA的测量噪声以及传感器位置偏差都服从高斯分布且噪声强度不大时,该量测转换方法的位置转换误差能达到克拉美罗(Cramér-Rao Lower Bound,CRLB)界;其次,在量测转换的基础上构建了关于移动外辐射源的线性状态空间模型,将非线性的目标跟踪问题转化为线性滤波问题,并最终使用标准Kalman滤波器实时跟踪移动外辐射源位置。仿真结果不仅验证了量测转换精度与理论分析结论吻合,还表明了所提CMKF算法的跟踪精度同时优于扩展Kalman滤波器、无迹滤波器以及粒子滤波器。     

强跟踪Unscented滤波器及其在无源跟踪中的应用

本文研究用递推算法实现只测量到达角和多普勒频移的无源双基地雷达的目标运动分析。基于Unscented卡尔曼滤波器和强跟踪滤波器,提出了一种新的强跟踪Unscented滤波器算法。新算法在无源双基地雷达目标跟踪的仿真实验中显示了高精度鲁棒滤波的性能。     

带多普勒量测的序贯SCKF雷达目标跟踪算法

为提高非线性观测条件下雷达目标的跟踪性能,将序贯处理方法引入均方根容积卡尔曼滤波（SCKF）,提出一种带多普勒量测的序贯均方根容积卡尔曼滤波（SSCKF-D）雷达目标跟踪算法,该算法通过建立伪量测去除径向距离和径向速度量测误差方差之间的相关性。基于SCKF算法,按照量测精确度的高低顺序对方位角、俯仰角、径向距离和伪量测序贯处理。Monte Carlo仿真表明,与SCKF和带多普勒量测的均方根容积卡尔曼滤波（SCKF-D）算法相比,SSCKF-D算法跟踪精度更高,较后者提高20%以上,收敛速度更快,更适用于空间目标跟踪。     

改进的“当前”统计模型变采样率目标跟踪算法

为满足实际雷达系统对高精度和高实时性的要求,提出了一种改进的“当前”统计模型变采样率机动目标跟踪算法。该算法针对“当前”统计模型必须预设加速度极值和机动频率的问题,提出一种加速度方差和机动频率在线同步自适应方法,建立改进的“当前”统计模型机动目标跟踪算法;针对在线自适应方法计算量大的问题,结合采样周期的大小与目标机动特性的关系,引入变采样率方法。仿真结果表明,与传统“当前”统计模型相比,改进的“当前”统计模型机动目标跟踪算法能显著提高对不同机动强度目标的跟踪精度;变采样率方法通过减少采样点数,节省了系统资源,提高了跟踪实时性;所提算法将两者结合,用传统的“当前”统计模型1.5～2倍的平均采样周期得到了更小的位置均方根误差,实现了用单模型方法同时改善跟踪精度和实时性的目的。     

采用目标假设的三被动式传感器数据关联算法

被动式传感器目标跟踪是多传感器多目标跟踪领域的一个重要研究方向。针对三被动式传感器多目标定位系统全局最优数据关联的三维分配问题，在允许传感器漏检和虚警的情况下，通过分析拉格朗日松弛算法，提出一种假定真实目标的快速收敛算法。该算法通过粗关联假定真实目标并重新修改代价矩阵，然后进行细关联，使得拉格朗日松弛算法在保证关联精度的前提下有效地提高了收敛速度。理论分析和实验结果表明，该算法提高了数据关联的速度,并在一定程度上提高了关联准确率。     

修正Kalman滤波多带UWB信道估计改进方法

针对多带超宽带(UWB)系统中修正Kalman滤波算法复杂度高的缺陷,提出一种低复杂度的修正Kalman滤波改进方法。该方法中UWB信道采用自回归模型(AR)建模,利用导频跟踪时变信道衰减因子,通过Kalman滤波和频域分段最小均方误差(MMSE)算法同时跟踪信道的时域相关性和频域相关性,提高了系统性能,降低了计算复杂度。仿真结果表明,和修正的Kalman滤波方法相比,在估计精度损失很小的情况下,所提方法极大降低了计算复杂度,提高了系统整体的估计性能。