CN104793201B - 一种跟踪临近空间高超声速目标的修正变结构网格交互多模型滤波方法 - Google Patents
一种跟踪临近空间高超声速目标的修正变结构网格交互多模型滤波方法 Download PDFInfo
- Publication number
- CN104793201B CN104793201B CN201510220880.8A CN201510220880A CN104793201B CN 104793201 B CN104793201 B CN 104793201B CN 201510220880 A CN201510220880 A CN 201510220880A CN 104793201 B CN104793201 B CN 104793201B
- Authority
- CN
- China
- Prior art keywords
- model
- turning
- target
- moment
- time
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 230000002452 interceptive effect Effects 0.000 title claims abstract description 58
- 238000001914 filtration Methods 0.000 title claims abstract description 55
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 95
- 239000011159 matrix material Substances 0.000 claims abstract description 68
- 238000005259 measurement Methods 0.000 claims abstract description 37
- 238000013179 statistical model Methods 0.000 claims abstract description 24
- 230000004927 fusion Effects 0.000 claims abstract description 13
- 230000001133 acceleration Effects 0.000 claims description 64
- 230000007704 transition Effects 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 12
- 238000005070 sampling Methods 0.000 claims description 11
- 238000012546 transfer Methods 0.000 claims description 8
- 238000001514 detection method Methods 0.000 claims description 6
- 230000009191 jumping Effects 0.000 claims description 6
- 238000000926 separation method Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 4
- 230000003993 interaction Effects 0.000 claims description 3
- 238000011109 contamination Methods 0.000 claims description 2
- 238000005315 distribution function Methods 0.000 claims description 2
- 238000012886 linear function Methods 0.000 claims description 2
- 238000012423 maintenance Methods 0.000 claims description 2
- 230000017105 transposition Effects 0.000 claims description 2
- 241000135164 Timea Species 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 5
- 238000004088 simulation Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000012937 correction Methods 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000036461 convulsion Effects 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/66—Radar-tracking systems; Analogous systems
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Feedback Control In General (AREA)
Abstract
一种跟踪临近空间高超声速目标的修正变结构网格交互多模型滤波方法，本发明涉及修正变结构网格交互多模型滤波方法。本发明的目的是为了解决现有单模型滤波算法、固定结构交互式多模型算法以及传统变结构交互多模型算法无法实现高精度、快速跟踪临近空间高超声速机动目标的问题。通过以下技术方案实现：步骤一、建立惯性参考坐标系，并在惯性参考坐标系中建立目标机动运动的状态方程；步骤二、中心模型采用机动目标当前统计模型，左转弯模型和右转弯模型采用匀速转弯模型；步骤三、基于惯性参考坐标系确定目标跟踪系统测量模型；步骤四、进行状态估计和误差协方差矩阵融合。本发明应用于航行器领域。
Description
技术领域
本发明涉及修正变结构网格交互多模型滤波方法。
背景技术
临近空间高超声速滑翔弹头是一种能够在临近空间无动力滑翔数千至一万余公里，并具有较强的机动能力和突防性能，它能够携带核弹头或常规弹头实施远距离快速打击，具有较高的升阻比，可在大气层内长时间飞行，其运动轨迹往往呈现出“跳跃”特征。临近空间高超声速巡航导弹在临近空间巡航飞行时，其机动模式为侧向摆式机动，高度和速度基本保持不变。
从国内外目前机动目标跟踪问题的研究情况来看，多采用基于单模型，例如Singer模型和Jerk模型的跟踪滤波算法，以及固定结构交互式多模型算法或传统变结构交互多模型算法。单模型滤波算法难以覆盖目标可能采取的机动形式，跟踪误差大，固定结构交互式多模型算法存在模型需求量大、计算量大、模型之间转换过程计算效率低等问题，传统变结构交互多模型算法存在模型后验概率精确度较低且模型之间的切换需要一定时延的问题，导致单模型滤波算法、固定结构交互式多模型算法以及传统变结构交互多模型算法无法实现高精度、快速跟踪临近空间高超声速机动目标，因此基于单模型滤波算法、固定结构交互式多模型算法以及传统变结构交互多模型算法无法实现高精度、快速跟踪临近空间高超声速机动目标，需要提出一种新的跟踪滤波方法。
发明内容
本发明的目的是为了解决现有单模型滤波算法、固定结构交互式多模型算法以及传统变结构交互多模型算法无法实现高精度、快速跟踪临近空间高超声速机动目标的问题，而提出了一种跟踪临近空间高超声速目标的修正变结构网格交互多模型滤波方法。
上述的发明目的是通过以下技术方案实现的：
步骤一、建立惯性参考坐标系，并在惯性参考坐标系中建立目标机动运动的状态方程，即匀速转弯模型和机动目标当前统计模型，构成目标运动模型库；
步骤二、中心模型采用步骤一中的机动目标当前统计模型，左转弯模型和右转弯模型采用步骤一中的匀速转弯模型；
步骤三、基于步骤一中的惯性参考坐标系确定目标跟踪系统测量模型；
步骤四、将步骤二中的左转弯模型、中心模型和右转弯模型分别作为状态方程与步骤三中的目标跟踪系统测量模型相结合，采用离散型推广卡尔曼滤波进行计算，并根据计算结果对左转弯模型和右转弯模型的网格中心和网格距离重新调整，然后进行状态估计和误差协方差矩阵融合。
发明效果
采用本发明的一种跟踪临近空间高超声速目标的修正变结构网格交互多模型滤波方法，基于修正变结构网格算法，提供一种跟踪临近空间高超声速机动目标的交互多模型滤波方法，该方法采用机动目标当前统计模型，左右两边采用自适应转弯模型，从而得到基于修正变结构网格算法的临近空间机动目标交互多模型跟踪滤波方法。该方法采用推广卡尔曼滤波算法得到各状态变量估计，随后进行网格中心和网格距离重新调整，根据没有跳跃、向左跳变、向右跳变的转弯速率公式，得出状态估计和误差协方差矩阵融合计算结果。相比于传统变结构多模型方法，该方法对临近空间机动目标的跟踪精度更高。解决以往单模型滤波算法存在的难以覆盖目标可能机动形式，跟踪误差大等问题，固定结构交互式多模型算法存在的模型需求量大、计算量大、模型之间转换过程计算效率低的问题，以及传统变结构交互多模型算法存在模型后验概率精确度较低且模型之间的切换需要一定时延，导致单模型滤波算法、固定结构交互式多模型算法以及传统变结构交互多模型算法无法实现高精度、快速跟踪临近空间高超声速机动目标的问题。
在X-51A等高飞行时横向机动试验中，从表1可以看出，三个方向MVSIMM算法加速度估计误差均比其余两种滤波算法的误差要小，说明在该种机动模式下使用MVSIMM算法能够得到较高的跟踪滤波精度，可以实现较高精度跟踪临近空间目标飞行器。MVSIMM算法在X轴方向的加速度均方根误差比IMM-UKF算法少0.41，MVSIMM算法在X轴方向的加速度均方根误差比IMM-PF算法少1.21，MVSIMM算法在Y轴方向的加速度均方根误差比IMM-UKF算法少2.82，MVSIMM算法在Y轴方向的加速度均方根误差比IMM-PF算法少4.81，MVSIMM算法在Z轴方向的加速度均方根误差比IMM-UKF算法少1.84，，MVSIMM算法在Z轴方向的加速度均方根误差比IMM-PF算法少4.07，MVSIMM算法在Z轴方向的加速度均方根误差率比IMM-PF算法减少了29％。
附图说明
图1为本发明流程图；
图2为三维双站测量系统示意图，X为惯性参考坐标系x轴坐标，Y为惯性参考坐标系y轴坐标，Z为惯性参考坐标系z轴坐标，α为高低角，β为方位角，r为观测站到目标的距离，T为采样周期，VT为目标飞行速度，O为惯性参考坐标系中心；
图3为X-51A纵向等高飞行轨迹图；
图4为X-51A横侧向机动飞行轨迹图，横坐标为惯性参考坐标系x轴坐标，纵坐标为惯性参考坐标系z轴坐标。
图5为X-51A等高飞行且横向机动时x方向加速度估计图；
图6为X-51A等高飞行且横向机动时y方向加速度估计图；
图7为X-51A等高飞行且横向机动时z方向加速度估计图；
图8为HTV-2常值攻角和常值倾斜角飞行轨迹图；
图9为HTV-2常值攻角和常值倾斜角飞行时x方向加速度估计图；
图10为HTV-2常值攻角和常值倾斜角飞行时y方向加速度估计图；
图11为HTV-2常值攻角和常值倾斜角飞行时z方向加速度估计图；
图12为HTV-2最大升阻比和常值倾斜角飞行轨迹图；
图13为HTV-2最大升阻比和常值倾斜角飞行时x方向加速度估计图；
图14为HTV-2最大升阻比和常值倾斜角飞行时y方向加速度估计图；
图15为HTV-2最大升阻比和常值倾斜角飞行时z方向加速度估计图。
具体实施方式
具体实施方式一：结合图1说明本实施方式，一种跟踪临近空间高超声速目标的修正变结构网格交互多模型滤波方法，具体是按照以下步骤进行的：
步骤一、建立惯性参考坐标系，并在惯性参考坐标系中建立目标机动运动的状态方程，即匀速转弯模型和机动目标当前统计模型，构成目标运动模型库；
步骤二、中心模型采用步骤一中的机动目标当前统计模型，左转弯模型和右转弯模型采用步骤一中的匀速转弯模型，通过中心模型、左转弯模型和右转弯模型构成修正变结构滤波器；
步骤三、基于步骤一中的惯性参考坐标系确定目标跟踪系统测量模型；
步骤四、将步骤二中的左转弯模型、中心模型和右转弯模型分别作为状态方程与步骤三中的目标跟踪系统测量模型相结合，采用离散型推广卡尔曼滤波进行计算，并根据计算结果对左转弯模型和右转弯模型的网格中心和网格距离重新调整，然后进行状态估计和误差协方差矩阵融合。
具体实施方式二：本实施方式与具体实施方式一不同的是：所述步骤一中建立惯性参考坐标系，并在惯性参考坐标系中建立目标机动运动的状态方程，即匀速转弯模型和机动目标当前统计模型，构成目标运动模型库；具体过程为：
建立惯性参考坐标系中临近空间目标运动状态向量取为：
式中，
Xk为k时刻的临近空间目标运动状态向量,k取正整数；
xk为k时刻的目标位置在惯性参考坐标系x轴中的分量；
yk为k时刻的目标位置在惯性参考坐标系y轴中的分量；
zk为k时刻的目标位置在惯性参考坐标系z轴中的分量；
为k时刻的目标速度在惯性参考坐标系x轴中的分量；
为k时刻的目标速度在惯性参考坐标系y轴中的分量；
为k时刻的目标速度在惯性参考坐标系z轴中的分量；
为k时刻的目标加速度在惯性参考坐标系x轴中的分量；
为k时刻的目标加速度在惯性参考坐标系y轴中的分量；
为k时刻的目标加速度在惯性参考坐标系z轴中的分量；
匀速转弯模型(CT)的离散化动态方程为：
Xk＝FCTXk-1+Gwk-1 (2)
式中，
Xk为k时刻的临近空间目标运动状态向量，k取正整数；
ω为转弯速率，当向左转弯时取ω>0，向右转弯时取ω<0，ω＝0时模型以常值速度运动；
Δt为采样周期，一般取0.1s到0.5s；
wk-1为k-1时刻的状态噪声向量；
Xk-1为k-1时刻的临近空间目标运动状态向量，在前一步滤波算法中得到的；
G为状态噪声向量转移矩阵；
ACT为单通道匀速转弯模型状态转移矩阵；
FCT为匀速转弯模型状态向量转移矩阵；
03×3为3×3零矩阵；
其中，所述，k-1时刻的状态噪声向量为根据目标实际运动状态来设定，
wk-1＝diag(300m,20m/s,10m/s2,300m,20m/s,10m/s2,300m,20m/s,10m/s2)；
机动目标当前统计模型(CS)的离散化动态方程为：
式中，
Xk为k时刻的临近空间目标运动状态向量，k取正整数；
λ为机动时间常数的倒数，即机动频率，取值范围为：转弯机动λ＝1/60，逃避机动λ＝1/20，大气扰动λ＝1；
e为指数函数；
ACS为单通道当前统计模型状态转移矩阵；
Δt为采样周期，一般取0.1s到0.5s；
FCS为当前统计模型状态转移矩阵；
B为机动加速度当前均值转移矩阵；
wk-1为k-1时刻的状态噪声向量；
Xk-1为k-1时刻的临近空间目标运动状态向量，在前一步滤波算法中得到的；
为机动加速度“当前”均值，在每一个采样周期内设定为常数。
其它步骤及参数与具体实施方式一相同。
具体实施方式三：本实施方式与具体实施方式一或二不同的是：所述步骤二中的中心模型采用机动目标当前统计模型，左转弯模型和右转弯模型采用匀速转弯模型，通过中心模型、左转弯模型和右转弯模型构成修正变结构滤波器；具体过程为：
(1)中心模型采用机动目标当前统计模型(CS)，
解决目标直线运动中匀速运动和匀加速运动的跟踪，
一种方法是同时增加CV和CA模型，但这种增加模型个数的方法会导致模型集中和模型个数增多，造成模型之间竞争而使起决策作用的各个模型后验概率的值分散，从而造成模型切换滞后；CV为匀速运动；CA为匀加速运动；
另一种方法是采用机动目标当前统计模型：机动目标当前统计模型同时具有跟踪匀速运动和匀加速运动的能力，因此可以代替CV和CA模型来跟踪这两种运动，同时并不增加模型个数；
机动目标当前统计模型(CS)的跟踪精度与最大加速度参数±amax设置有关，为了在匀速运动和弱机动情况下有较高的跟踪精度，加速度误差小于2m/s2，最大加速度参数±amax设置为±40m/s2；在滤波过程中，中心模型保持不变；
(2)左转弯模型和右转弯模型采用匀速转弯模型(CT)
目标在机动结束时需要延时，即延时大于0.05s才能切回到由机动目标当前统计模型和左右匀速转弯模型构成的模型集中的正确模型上，在跟踪过程中，中心模型始终保持为机动目标当前统计模型；而目标机动较大的运动则通过左右模型与中心模型的间隔来控制；左右模型为左转弯模型和右转弯模型；
左转弯模型和右转弯模型采用匀速转弯模型(CT)，分别设为左转弯模型(CTL)和右转弯模型(CTR)，左转弯模型转弯速率为右转弯模型转弯速率为其中，且 的取值为-0.098rad/s，，的取值为0rad/s；且 的取值为0rad/s，的取值为0.098rad/s；
为了缩小模型间隔，提高跟踪精度，借鉴有向图转换多模型算法(SGIMM算法)，以右转弯模型为例，将区间离散为N段而滤波器中的转弯速率则在此区间进行自适应切换。为了保证模型间的独立性和良好的模型转换速度，离散化间隔(即模型间隔)应不小于0.025rad/s，且离散化个数不易过多。
其它步骤及参数与具体实施方式一或二相同。
具体实施方式四：本实施方式与具体实施方式一、二或三不同的是：所述步骤三中基于步骤一中的惯性参考坐标系确定目标跟踪系统测量模型；具体过程为：
设测量系统的站址就在惯性参考坐标系的原点，定义方位角为β，高低角为α，方位角会受到量测方位角噪声vβ的污染，高低角会受到量测高低角噪声vα的污染，vβ和vα均是零均值高斯白噪声，标准差分别为σβ和σα；
根据观察站以及目标S位置，得出相对位置关系如图2所示，由图2可见，方位角和高低角对于相对位置矢量的非线性函数为：
式中，
x为惯性参考坐标系x轴坐标；
z为惯性参考坐标系z轴坐标；
vα为量测高低角噪声；
vβ为量测方位角噪声；
r为观察站到目标S位置的距离，距离测量方程为：
式中，y为惯性参考坐标系y轴坐标；；
vr为距离测量噪声，是零均值高斯白噪声，标准差为σr；
则目标跟踪系统测量模型方程为：
式中，Zk为k时刻的测量向量；
αk为α在k时刻的值；
βk为β在k时刻的值；
rk为r在k时刻的值；
vα,k为vα在k时刻的值；
vβ,k为vβ在k时刻的值；
vr,k为vr在k时刻的值；
h(Xk)为测量函数在k时刻的值，
其它步骤及参数与具体实施方式一、二或三相同。
具体实施方式五：本实施方式与具体实施方式一、二、三或四不同的是：所述步骤四中将步骤二中的左转弯模型、中心模型和右转弯模型分别作为状态方程与步骤三中的目标跟踪系统测量模型相结合，采用离散型推广卡尔曼滤波进行计算，并根据计算结果对左转弯模型和右转弯模型的网格中心和网格距离重新调整，然后进行状态估计和误差协方差矩阵融合；具体过程为：
以作为k时刻的系统模型集，经过输入交互及预测估计，求得各模型的似然函数j＝L,C,R，有
其中，j＝L,C,R，为左转弯模型、中心模型和右转弯模型的新息；
为左转弯模型、中心模型和右转弯模型的状态一步预报估计；
为左转弯模型、中心模型和右转弯模型的测量函数一步预报值；
为左转弯模型、中心模型和右转弯模型的新息协方差矩阵；
Zk为k时刻的测量向量；
上标T为转置运算；
L为左转弯模型；
C为中心模型；
R为右转弯模型；
代表以为变量，均值为0，方差为的高斯分布函数；
k时刻的左转弯模型、中心模型和右转弯模型的交互式多模型后验概率μCTL,k、μCS,k和μCTR,k的计算公式为
式中，μCTL,k为k时刻的左转弯模型的交互式多模型后验概率，k取正整数；
μCS,k为k时刻的中心模型的交互式多模型后验概率；
μCTR,k为k时刻的右转弯模型的交互式多模型后验概率；
pij为从模型i向模型j转换的概率，i＝L,C,R，j＝L,C,R；i为模型i，j为模型j；
μCTL,k-1为k-1时刻的左转弯模型的交互式多模型后验概率；
μCS,k-1为k-1时刻的中心模型的交互式多模型后验概率；
μCTR,k-1为k-1时刻的右转弯模型的交互式多模型后验概率；
cCTL为左转弯模型的归一化常数；
cCS为中心模型的归一化常数；
cCTR为右转弯模型的归一化常数；
L为左转弯模型；
R为右转弯模型；
cCTL、cCS和cCTR分别定义为：
L为左转弯模型；
R为右转弯模型；
采用离散型推广卡尔曼滤波，离散型推广卡尔曼滤波算法中模型转换方法如下：
(a)若右转弯模型的后验概率μCTR>t2，其中的t2＝0.9为探测重要模式的阈值,则目标发生了向右的机动，将当前右转弯模型转弯速率向右扩大0.025rad/s，即其中，和分别代表k时刻和k-1时刻的右转弯模型的转弯速率；
若左转弯模型的后验概率μCTL>t2，则目标发生了向左的机动，将当前左转弯模型转弯速率向左扩大0.025rad/s,即其中，和分别代表k时刻和k-1时刻的左转弯模型的转弯速率；
(b)当左转弯模型和右转弯模型的后验概率都小于探测模式的阈值t1时，t1＝0.1，即μCTL<t1,μCTR<t1，则目标转弯速率下降，将当前左转弯模型转弯速率和右转弯模型转弯速率一共往中间靠拢一个单位，即
定义有向图Dk是由点与点之间的连线组成的一种数据结构，即
Dk＝(V(Dk),E(Dk))
式中，V(Dk)是非空的顶点集合，E(Dk)是不与V(Dk)相交的边集合，并具有方向性，在有向图Dk中，若从顶点U到顶点V之间有路径，则称U和V是连通的；
设目标机动转弯速率ω在连续范围[-ωmax,ωmax]内变化，针对时变支撑的有向图Dk的交互式多模型算法，网格值k＝0,1,…N,N为正整数，为机动目标当前统计中心模型的转弯速率，-ωmax的取值为-0.098rad/s，ωmax的取值为0.098rad/s，
模型集合即包含左转弯模型、机动目标当前统计中心模型、右转弯模型转弯速率集合；
状态集合
式中，为k时刻左转弯模型、中心模型、右转弯模型构成的的运动状态向量集合；
XL,k为左转弯模型估计出来的k时刻状态；
XC,k为中心模型估计出来的k时刻状态；
XR,k为右转弯模型估计出来的k时刻状态；
设定误差协方差矩阵集合为
式中，为k时刻左转弯模型、中心模型、右转弯模型的状态估计误差协方差矩阵构成的集合；
PL,k为左转弯模型k时刻状态误差协方差矩阵；
PR,k为右转弯模型k时刻状态误差协方差矩阵；
PC,k为中心模型k时刻状态误差协方差矩阵；
模式转换概率矩阵PLCR为：
式中，pLL为左转弯模型继续保持的概率；
pLC为由左转弯模型转化为中心模型的概率；
pLR为由左转弯模型转换为右转弯模型的概率；
pCL为由中心模型转化为左转弯模型的概率；
pCC为中心模型继续保持的概率；
pCR为由中心模型转化为右转弯模型的概率；
pRL为由右转弯模型转化为左转弯模型的概率；
pRC为由右转弯模型转化为中心模型的概率；
pRR为右转弯模型继续保持的概率；
修正变结构交互多模型滤波算法以粗网格：
式中，D0为初始时刻修正变结构交互多模型滤波算法左转弯模型、机动目标当前统计中心模型、右转弯模型的转弯速率集合；
为初始时刻修正变结构交互多模型滤波算法左转弯模型的转弯速率；
ωmax为初始时刻模型转弯速率最大值；
为初始时刻修正变结构交互多模型滤波算法机动目标当前统计中心模型的转弯速率；
为初始时刻修正变结构交互多模型滤波算法右转弯模型的转弯速率；
在每一个循环时间步(k→k+1)网格按照如下四步进行调整：
(1)左转弯模型、中心模型，以及右转弯模型，均采用离散型推广卡尔曼滤波：
式中，为从k-1时刻第k时刻的状态一步预报值；
F为子模型状态转移矩阵；
B为机动加速度均值转移矩阵；
为k-1时刻机动加速度均值，在每一个采样周期内设定为常数；
FT为子模型状态转移矩阵的转置矩阵；
h为系统量测函数；
上标T为转置矩阵符号；
Hk为根据测量方程计算出来的Jacobi矩阵；
为第k-1步的状态估计值；
Pk|k-1为的状态预报误差协方差矩阵；
Pk-1为的状态估计误差协方差矩阵；
Qk-1为状态噪声协方差矩阵；
为第k步的状态估计值；
Kk为卡尔曼滤波增益矩阵；
Zk为第k步的测量向量；
为根据测量方程计算出来的测量向量的一步预报值；
Pk为的状态估计误差协方差矩阵；
I为单位矩阵；
Rk为测量噪声协方差矩阵；
(2)对左转弯模型和右转弯模型的网格中心和网格距离重新调整：
网格中心调整按照下式计算：
式中，和分别为k时刻和k-1时刻的中心模型转弯速率；
μCTL,k为k时刻左转弯模型的后验概率；
μCS,k为k时刻中心模型的后验概率；
μCTR,k为k时刻右转弯模型的后验概率；
为k-1时刻左转弯模型转弯速率；
为k-1时刻右转弯模型转弯速率；
左转弯模型和右转弯模型网格距离重新调整分为三种情况：
(a)没有跳跃
k时刻中心模型的后验概率最大，即μCS,k＝max{μCTL,k,μCS,k,μCTR,k}，
式中，
t1＝0.1为探测模式的阈值；
δω为模型分离距离0.025rad/s；
为k时刻左转弯模型的转弯速率；
为k时刻右转弯模型的转弯速率；
为k时刻中心模型的转弯速率；
λL,k为k时刻左转弯模型分离距离最大值；
λR,k为k时刻右转弯模型分离距离最大值；
(b)向左跳变
k时刻左转弯模型的后验概率最大，即μCTL,k＝max{μCTL,k,μCS,k,μCTR,k}，
式中，t2＝0.9为探测重要模式的阈值；
(c)向右跳变
k时刻右转弯模型的后验概率最大，即μCTR,k＝max{μCTL,k,μCS,k,μCTR,k}，
(3)状态估计和误差协方差矩阵融合
状态向量Xk取作左转弯模型、中心模型，以及右转弯模型的运动状态的融合；
状态向量误差协方差矩阵Pk取作左转弯模型、中心模型，以及右转弯模型的状态的误差协方差矩阵PLk、PCk和PRk的融合；
式中，为第k时刻左转弯模型的转弯速率；
为第k时刻中心模型的转弯速率；
为第k时刻右转弯模型的转弯速率；
每一次循环对的子模型转移矩阵F需重新计算。
其它步骤及参数与具体实施方式一、二、三或四相同。
采用以下实施例验证本发明的有益效果：
实施例1
下面，通过数值仿真验证跟踪临近空间高超声速目标的修正变结构网格交互多模型滤波方法的效果。
假定地面雷达站采样周期为T＝0.1s，距离量测标准差为σr＝300m，角度测量标准差为σβ＝0.001rad和σα＝0.001rad。
设仿真初始时刻t0＝82s，仿真结束时刻为tf＝400s。为了进行对比分析，我们还利用Singer模型分别设计了交互式多模型无迹卡尔曼滤波算法和交互式多模型粒子滤波算法，用来与本专利提出的修正变结构交互式多模型算法进行对比仿真分析。
目标初始位置在发射点惯性坐标系中的分量为x0＝1176km,y0＝-76km,z0＝3578m，目标初始速度在发射点惯性坐标系中的分量为
目标跟踪滤波器的初始估计值取为
基于Singer模型的IMM-UKF算法和IMM-PF算法的参数设置如下：
Singer模型1：机动频率α1＝1，表示大气扰动，最大加速度a1,max＝0.1m/s2，最大加速度发生概率P1,max＝0.1，非机动概率P1,0＝0.9；
Singer模型2：机动频率α2＝1/60，表示慢速转弯，最大加速度a2,max＝20m/s2，最大加速度发生概率P2,max＝0.9，非机动概率P2,0＝0.1；
Singer模型3：机动频率α3＝1/20，表示逃避机动，最大加速度a3,max＝60m/s2，最大加速度发生概率P3,max＝0.9，非机动概率P3,0＝0.1；
IMM-UKF算法和IMM-PF算法：采用三种Singer模型，模型先验概率ui(0)＝1/3(i＝1,2,3),Markov模型转移概率矩阵：
初始状态误差协方差矩阵取为
下面重点讨论X-51A和HTV-2加速度的估计结果，使用三种滤波算法分别对两类飞行器可能存在的四种机动模式进行跟踪滤波，得到三轴方向加速度估计：
a)X-51A等高飞行时横向机动
该机动模式下的目标等高飞行、横侧向机动运动轨迹如图3和图4所示，三个方向加速度估计如图5-7所示。
计算目标跟踪加速度均方根误差公式如下：
根据上式计算得到加速度均方根误差如表1所示。
表1 三轴方向加速度均方根误差比较
从表1可以看出，三个方向MVSIMM算法加速度估计误差均比其余两种滤波算法的误差要小，说明在该种机动模式下使用MVSIMM算法能够得到较高的跟踪滤波精度，可以实现较高精度跟踪临近空间目标飞行器。
b)HTV-2常值攻角和常值倾斜角飞行
该机动模式下的目标飞行轨迹如图8所示。三个方向加速度估计如图9-11所示。
根据式(11)，得到加速度均方根误差如表2所示。从表2可以看出，三个方向MVSIMM算法加速度估计误差均比其余两种滤波算法的误差要小，说明在该种机动模式下MVSIMM算法跟踪滤波精度更高，跟踪效果更好。
表2 三轴方向加速度均方根误差比较
c)HTV-2最大升阻比和常值倾斜角飞行
该机动模式下的目标飞行轨迹如图12所示。三个方向加速度估计如图13-15所示。根据式(11)，计算得到加速度均方根误差如表4所示。从表4可以看出，三个方向MVSIMM算法加速度均方根误差均比其余两种滤波算法的误差要小，说明在该种机动模式下使用MVSIMM算法能够得到较高的跟踪滤波精度，具有一定的参考作用。
表4 三轴方向加速度均方根误差比较
综上所述，从四种机动模式的仿真结果来看，由于“等高飞行时进行横向机动”机动模式要求弹道倾角为0，目标的机动性相对较高，而交互式多模型无迹卡尔曼滤波算法主要是在非线性高斯情况下利用最小均方误差准则获得目标的动态估计，但是在用于强非线性、非高斯系统时会产生极大误差，因此该算法滤波得到的加速度均方根误差最大，跟踪滤波效果最差。交互式多模型粒子滤波算法计算量庞大，而且迭代后会产生退化现象。MVSIMM算法相比IMM-UKF算法和IMM-PF算法来说，该算法的适应环境最为广泛，更适合于复杂的非高斯环境。所以经过MVSIMM算法跟踪滤波后的加速度估计精度最好，跟踪滤波误差最小；当以“常值攻角和常值倾斜角”机动模式飞行时，由于该模式运动较为平缓，所以使用三种滤波算法均方根误差相差不多，没有出现加速度反向的情况，但是相比来说，MVSIMM算法的均方根误差最小；当以“等动压飞行，常值倾斜角”的机动模式飞行时，由于该模式相比其他模式机动性最强，会产生强非线性问题，因此使用交互式多模型无迹卡尔曼滤波算法时加速度均方根误差最大，相比而言，MVSIMM算法的加速度均方根误差最小，说明该算法在强机动性情况下仍然可以保持相对较好的估计精度；当以“最大升阻比飞行，常值倾斜角”的机动模式飞行时，该机动模式仍然保持较强的机动性，从y向加速度均方根误差较大可以看出，MVSIMM算法的加速度估计精度最好，说明该算法具有一定的工程实用价值。
使用本专利提出的修正变结构交互式多模型算法对X-51A和HTV-2等高超声速飞行器跟踪滤波时，跟踪误差较小，精度较高，误差在允许的范围之内，可见修正变结构交互式多模型算法相比固定结构交互式多模型算法在跟踪临近空间目标方面更具优势，具有工程实用价值。
Claims (1)
1.一种跟踪临近空间高超声速目标的修正变结构网格交互多模型滤波方法，其特征在于，一种跟踪临近空间高超声速目标的修正变结构网格交互多模型滤波方法，具体是按照以下步骤进行的：
步骤一、建立惯性参考坐标系，并在惯性参考坐标系中建立目标机动运动的状态方程，即匀速转弯模型和机动目标当前统计模型，构成目标运动模型库；
步骤二、中心模型采用步骤一中的机动目标当前统计模型，左转弯模型和右转弯模型采用步骤一中的匀速转弯模型；
步骤三、基于步骤一中的惯性参考坐标系确定目标跟踪系统测量模型；
步骤四、将步骤二中的左转弯模型、中心模型和右转弯模型分别作为状态方程与步骤三中的目标跟踪系统测量模型相结合，采用离散型推广卡尔曼滤波进行计算，并根据计算结果对左转弯模型和右转弯模型的网格中心和网格距离重新调整，然后进行状态估计和误差协方差矩阵融合；
所述步骤一中建立惯性参考坐标系，并在惯性参考坐标系中建立目标机动运动的状态方程，即匀速转弯模型和机动目标当前统计模型，构成目标运动模型库；具体过程为：
建立惯性参考坐标系中临近空间目标运动状态向量取为：
式中，
Xk为k时刻的临近空间目标运动状态向量,k为正整数；
xk为k时刻的目标位置在惯性参考坐标系x轴中的分量；
yk为k时刻的目标位置在惯性参考坐标系y轴中的分量；
zk为k时刻的目标位置在惯性参考坐标系z轴中的分量；
为k时刻的目标速度在惯性参考坐标系x轴中的分量；
为k时刻的目标速度在惯性参考坐标系y轴中的分量；
为k时刻的目标速度在惯性参考坐标系z轴中的分量；
为k时刻的目标加速度在惯性参考坐标系x轴中的分量；
为k时刻的目标加速度在惯性参考坐标系y轴中的分量；
为k时刻的目标加速度在惯性参考坐标系z轴中的分量；
匀速转弯模型的离散化动态方程为：
Xk＝FCTXk-1+Gwk-1 (2)
式中，
Xk为k时刻的临近空间目标运动状态向量,k为正整数；
ω为转弯速率，当向左转弯时取ω>0，向右转弯时取ω<0，ω＝0时模型以常值速度运动；
CT为匀速转弯模型；
△t为采样周期，取值范围为0.1s～0.5s；
wk-1为k-1时刻的状态噪声向量；
Xk-1为k-1时刻的临近空间目标运动状态向量；
G为状态噪声向量转移矩阵；
ACT为单通道匀速转弯模型状态转移矩阵；
FCT为匀速转弯模型状态向量转移矩阵；
03×3为3×3零矩阵；
机动目标当前统计模型的离散化动态方程为：
式中，
Xk为k时刻的临近空间目标运动状态向量,k为正整数；
λ为机动时间常数的倒数，即机动频率，取值范围为：转弯机动λ＝1/60，逃避机动 λ＝1/20，大气扰动λ＝1；
CS为机动目标当前统计模型；
e为指数函数；
ACS为单通道当前统计模型状态转移矩阵；
△t为采样周期，取值范围为0.1s～0.5s；
FCS为当前统计模型状态转移矩阵；
B为机动加速度当前均值转移矩阵；
wk-1为k-1时刻的状态噪声向量；
Xk-1为k-1时刻的临近空间目标运动状态向量；
为机动加速度“当前”均值，在每一个采样周期内设定为常数；
所述步骤二中的中心模型采用步骤一中的机动目标当前统计模型，左转弯模型和右转弯模型采用步骤一中的匀速转弯模型；具体过程为：
(1)机动目标当前统计模型速度误差小于2m/s2，最大加速度参数±amax设置为±40m/s2；
(2)左转弯模型和右转弯模型采用匀速转弯模型
左转弯模型和右转弯模型采用匀速转弯模型，左转弯模型转弯速率为右转弯模型转弯速率为其中，且 的取值为-0.098rad/s，的取值为0rad/s；且 的取值为0rad/s，的取值为0.098rad/s；为左转弯模型转弯速率的最小值；为左转弯模型转弯速率的最大值；为右转弯模型转弯速率的最小值；为右转弯模型转弯速率的最大值；
所述步骤三中基于步骤一中的惯性参考坐标系确定目标跟踪系统测量模型；具体过程为：
定义方位角为β，高低角为α，方位角会受到量测方位角噪声vβ的污染，高低角会受到量测高低角噪声vα的污染，vβ和vα均是零均值高斯白噪声，标准差分别为σβ和σα；
方位角和高低角对于相对位置矢量的非线性函数为：
式中，
x为惯性参考坐标系x轴坐标；
z为惯性参考坐标系z轴坐标；
vα为量测高低角噪声；
vβ为量测方位角噪声；
r为观察站到目标S位置的距离，距离测量方程为：
式中，y为惯性参考坐标系y轴坐标；
vr为距离测量噪声，是零均值高斯白噪声，标准差为σr；
则目标跟踪系统测量模型方程为：
式中，
Zk为k时刻的测量向量；
αk为α在k时刻的值；
βk为β在k时刻的值；
rk为r在k时刻的值；
vα,k为vα在k时刻的值；
vβ,k为vβ在k时刻的值；
vr,k为vr在k时刻的值；
h(Xk)为测量函数在k时刻的值，
所述步骤四中将步骤二中的左转弯模型、中心模型和右转弯模型分别作为状态方程与步骤三中的目标跟踪系统测量模型相结合，采用离散型推广卡尔曼滤波进行计算，并根据计算结果对左转弯模型和右转弯模型的网格中心和网格距离重新调整，然后进行状态估计和误差协方差矩阵融合；具体过程为：
以作为k时刻的系统模型集，经过输入交互及预测估计，求得各模型的似然函数j＝L,C,R，有
式中，
j＝L,C,R，为左转弯模型、中心模型和右转弯模型的新息；
为左转弯模型、中心模型和右转弯模型的状态一步预报估计；
为左转弯模型、中心模型和右转弯模型的测量函数一步预报值；
为左转弯模型、中心模型和右转弯模型的新息协方差矩阵；
Zk为k时刻的测量向量；
上标T为转置运算；
L为左转弯模型；
C为中心模型；
R为右转弯模型；
代表以为变量，均值为0，方差为的高斯分布函数；
k时刻的左转弯模型、中心模型和右转弯模型的交互式多模型后验概率μCTL,k、μCS,k和μCTR,k的计算公式为：
式中，μCTL,k为k时刻的左转弯模型的交互式多模型后验概率，k为正整数；
μCS,k为k时刻的中心模型的交互式多模型后验概率；
μCTR,k为k时刻的右转弯模型的交互式多模型后验概率；
pij为从模型i向模型j转换的概率，i＝L,C,R，j＝L,C,R；i为模型i，j为模型j；
μCTL,k-1为k-1时刻的左转弯模型的交互式多模型后验概率；
μCS,k-1为k-1时刻的中心模型的交互式多模型后验概率；
μCTR,k-1为k-1时刻的右转弯模型的交互式多模型后验概率；
cCTL为左转弯模型的归一化常数；
cCS为中心模型的归一化常数；
cCTR为右转弯模型的归一化常数；
L为左转弯模型；
C为中心模型；
cCTL、cCS和cCTR分别定义为：
L为左转弯模型；
C为中心模型；
采用离散型推广卡尔曼滤波，离散型推广卡尔曼滤波算法中模型转换方法如下：
(a)若右转弯模型的后验概率μCTR>t2，其中的t2＝0.9为探测重要模式的阈值,则目标发生了向右的机动，将当前右转弯模型转弯速率向右扩大0.025rad/s，即 其中，和分别代表k时刻和k-1时刻的右转弯模型的转弯速率；
若左转弯模型的后验概率μCTL>t2，则目标发生了向左的机动，将当前左转弯模型转弯速率向左扩大0.025rad/s,即其中，和分别代表k时刻和k-1时刻的左转弯模型的转弯速率；
(b)当左转弯模型和右转弯模型的后验概率都小于探测模式的阈值t1时，t1＝0.1，即μCTL<t1,μCTR<t1，则目标转弯速率下降，将当前左转弯模型转弯速率和右转弯模型转弯速率一共往中间靠拢一个单位，即
定义有向图Dk是由点与点之间的连线组成的一种数据结构，即
Dk＝(V(Dk),E(Dk))
式中，V(Dk)是非空的顶点集合，E(Dk)为不与V(Dk)相交的边集合，并具有方向性，在有向图Dk中，若从顶点U到顶点V之间有路径，则称U和V是连通的；
设目标机动转弯速率ω在连续范围[-ωmax,ωmax]内变化，针对时变支撑的有向图Dk的交互式多模型算法，网格值k＝0,1,…N,N为正整数，为机动目标当前统计中心模型的转弯速率，-ωmax的取值为-0.098rad/s，ωmax的取值为0.098rad/s，
模型集合即包含左转弯模型、机动目标当前统计中心模型、右转弯模型转弯速率集合；
状态集合
式中，为k时刻左转弯模型、中心模型、右转弯模型构成的的运动状态向量集合； XL,k为左转弯模型估计出来的k时刻状态，XC,k为中心模型估计出来的k时刻状态，XR,k为右转弯模型估计出来的k时刻状态；
设定误差协方差矩阵集合为
式中，为k时刻左转弯模型、中心模型、右转弯模型的状态估计误差协方差矩阵构成的集合，PL,k为左转弯模型k时刻状态误差协方差矩阵，PR,k为右转弯模型k时刻状态误差协方差矩阵，PC,k为中心模型k时刻状态误差协方差矩阵；
模式转换概率矩阵PLCR为：
式中，pLL为左转弯模型继续保持的概率；
pLC为由左转弯模型转化为中心模型的概率；
pLR为由左转弯模型转换为右转弯模型的概率；
pCL为由中心模型转化为左转弯模型的概率；
pCC为中心模型继续保持的概率；
pCR为由中心模型转化为右转弯模型的概率；
pRL为由右转弯模型转化为左转弯模型的概率；
pRC为由右转弯模型转化为中心模型的概率；
pRR为右转弯模型继续保持的概率；
修正变结构交互多模型滤波算法以粗网格：
式中，D0为初始时刻修正变结构交互多模型滤波算法左转弯模型、机动目标当前统计中心模型、右转弯模型的转弯速率集合；
为初始时刻修正变结构交互多模型滤波算法左转弯模型的转弯速率；
ωmax为初始时刻模型转弯速率最大值；
为初始时刻修正变结构交互多模型滤波算法机动目标当前统计中心模型的转弯速率；
为初始时刻修正变结构交互多模型滤波算法右转弯模型的转弯速率；
在每一个循环时间步(k→k+1)网格按照如下四步进行调整：
(1)左转弯模型、中心模型，以及右转弯模型，均采用离散型推广卡尔曼滤波：
式中，为从k-1时刻第k时刻的状态一步预报值；
F为子模型状态转移矩阵；
B为机动加速度均值转移矩阵；
为k-1时刻机动加速度均值，在每一个采样周期内设定为常数；
FT为子模型状态转移矩阵的转置矩阵；
h为系统量测函数；
上标T为转置矩阵符号；
Hk为根据测量方程计算出来的Jacobi矩阵的转置矩阵；
为第k-1步的状态估计值；
Pkk-1为的状态预报误差协方差矩阵；
Pk-1为的状态估计误差协方差矩阵；
Qk-1为状态噪声协方差矩阵；
为第k步的状态估计值；
Kk为卡尔曼滤波增益矩阵；
Zk为第k步的测量向量；
为根据测量方程计算出来的测量向量的一步预报值；
Pk为的状态估计误差协方差矩阵；
I为单位矩阵；
Rk为测量噪声协方差矩阵；
(2)对左转弯模型和右转弯模型的网格中心和网格距离重新调整：
网格中心调整按照下式计算：
式中，和分别为k时刻和k-1时刻的中心模型转弯速率；
μCTL,k为k时刻左转弯模型的后验概率；
μCS,k为k时刻中心模型的后验概率；
μCTR,k为k时刻右转弯模型的后验概率；
为k-1时刻左转弯模型转弯速率；
为k-1时刻右转弯模型转弯速率；
左转弯模型和右转弯模型网格距离重新调整分为三种情况：
(a)没有跳跃
k时刻中心模型的后验概率最大，即μCS,k＝max{μCTL,k,μCS,k,μCTR,k}，
式中，
t1＝0.1为探测模式的阈值；
δω为模型分离距离0.025rad/s；
为k时刻左转弯模型的转弯速率；
为k时刻右转弯模型的转弯速率；
为k时刻中心模型的转弯速率；
λL,k为k时刻左转弯模型分离距离最大值；
λR,k为k时刻右转弯模型分离距离最大值；
(b)向左跳变
k时刻左转弯模型的后验概率最大，即μCTL,k＝max{μCTL,k,μCS,k,μCTR,k}，
式中，t2＝0.9为探测重要模式的阈值；
(c)向右跳变
k时刻右转弯模型的后验概率最大，即μCTR,k＝max{μCTL,k,μCS,k,μCTR,k}，
(3)状态估计融合Xk和误差协方差矩阵融合Pk
状态估计融合Xk取作左转弯模型、中心模型，以及右转弯模型的运动状态的融合；
误差协方差矩阵Pk融合取作左转弯模型、中心模型，以及右转弯模型的状态的误差协方差矩阵PL,k、PC,k和PR,k的融合；
式中，为第k时刻左转弯模型的转弯速率；
为第k时刻中心模型的转弯速率；
为第k时刻右转弯模型的转弯速率；
每一次循环对的子模型转移矩阵F需重新计算。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510220880.8A CN104793201B (zh) | 2015-05-04 | 2015-05-04 | 一种跟踪临近空间高超声速目标的修正变结构网格交互多模型滤波方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510220880.8A CN104793201B (zh) | 2015-05-04 | 2015-05-04 | 一种跟踪临近空间高超声速目标的修正变结构网格交互多模型滤波方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN104793201A CN104793201A (zh) | 2015-07-22 |
| CN104793201B true CN104793201B (zh) | 2018-04-24 |
Family
ID=53558165
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510220880.8A Active CN104793201B (zh) | 2015-05-04 | 2015-05-04 | 一种跟踪临近空间高超声速目标的修正变结构网格交互多模型滤波方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104793201B (zh) |
Families Citing this family (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105353367A (zh) * | 2015-11-26 | 2016-02-24 | 中国人民解放军63921部队 | 一种双基地mimo雷达空间机动目标跟踪方法 |
| CN105372652A (zh) * | 2015-12-04 | 2016-03-02 | 中国人民解放军63921部队 | 基于接收线阵的mimo雷达空间机动目标跟踪方法 |
| CN106886788B (zh) * | 2015-12-11 | 2020-02-18 | 上海交通大学 | 基于多指标决策的单目标仿真航迹跟踪难度检测方法 |
| CN106019304A (zh) * | 2016-05-31 | 2016-10-12 | 张雅声 | 一种预警探测临近空间高超声速飞行器的系统及方法 |
| CN106772351B (zh) * | 2016-11-16 | 2019-04-23 | 西安电子科技大学 | 基于有限步记忆的卡尔曼滤波方法 |
| AT520557B1 (de) * | 2018-01-24 | 2019-05-15 | Anton Paar Gmbh | Verfahren zur Ermittlung eines korrigierten Werts für die viskositätsabhängige Schallgeschwindigkeit in einem zu untersuchenden Fluid |
| CN108303095B (zh) * | 2018-02-02 | 2019-04-19 | 哈尔滨工业大学 | 适用于非高斯系统的鲁棒容积目标协同定位方法 |
| CN111077518B (zh) * | 2019-12-20 | 2020-11-06 | 哈尔滨工业大学 | 一种基于距离-多普勒量测的跟踪滤波方法及装置 |
| CN111121770B (zh) * | 2019-12-31 | 2022-09-13 | 西北工业大学 | 一种交互式多弹多模型航迹融合方法 |
| CN111797478B (zh) * | 2020-07-27 | 2022-11-11 | 北京电子工程总体研究所 | 一种基于变结构多模型的强机动目标跟踪方法 |
| US12078716B2 (en) * | 2020-08-31 | 2024-09-03 | Raytheon Company | System and method of hypersonic object tracking |
| CN114580615B (zh) * | 2022-03-04 | 2022-09-23 | 哈尔滨工程大学 | 一种基于神经网络的分布式小平台水下纯方位定位方法 |
| CN114852083A (zh) * | 2022-03-28 | 2022-08-05 | 重庆长安汽车股份有限公司 | 一种基于交互式多模型的自动驾驶跟踪方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5325098A (en) * | 1993-06-01 | 1994-06-28 | The United States Of America As Represented By The Secretary Of The Navy | Interacting multiple bias model filter system for tracking maneuvering targets |
| CN102707278A (zh) * | 2012-02-27 | 2012-10-03 | 西北工业大学 | 奇异值分解的多目标跟踪方法 |
| CN104020466A (zh) * | 2014-06-17 | 2014-09-03 | 西安电子科技大学 | 基于变结构多模型的机动目标跟踪方法 |
-
2015
- 2015-05-04 CN CN201510220880.8A patent/CN104793201B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5325098A (en) * | 1993-06-01 | 1994-06-28 | The United States Of America As Represented By The Secretary Of The Navy | Interacting multiple bias model filter system for tracking maneuvering targets |
| CN102707278A (zh) * | 2012-02-27 | 2012-10-03 | 西北工业大学 | 奇异值分解的多目标跟踪方法 |
| CN104020466A (zh) * | 2014-06-17 | 2014-09-03 | 西安电子科技大学 | 基于变结构多模型的机动目标跟踪方法 |
Non-Patent Citations (3)
| Title |
|---|
| 一种修正的自适应网格交互多模型算法;刘德虎 等;《火力与指挥控制》;20150115;第39卷(第1期);第79-82页 * |
| 基于变结构多模型算法的高机动目标跟踪研究;刘德虎;《中国优秀硕士学位论文全文数据库 信息科技辑》;20131215(第12期);第I136-128页 * |
| 高机动目标自适应多模交互跟踪算法;贾杰 等;《南昌航空大学学报（自然科学版）》;20121215;第26卷(第4期);第8-13页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN104793201A (zh) | 2015-07-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104793201B (zh) | 一种跟踪临近空间高超声速目标的修正变结构网格交互多模型滤波方法 | |
| CN107743299B (zh) | 面向无人机机载移动传感器网络的一致性信息滤波算法 | |
| CN107544067A (zh) | 一种基于高斯混合近似的高超声速再入飞行器跟踪方法 | |
| CN104199022B (zh) | 一种基于目标模态估计的临近空间高超声速目标跟踪方法 | |
| CN108549785B (zh) | 一种基于三维飞行剖面的高超声速飞行器精准弹道快速预测方法 | |
| CN108717174B (zh) | 基于信息论的预测快速协方差交互融合无源协同定位方法 | |
| CN105372653B (zh) | 面向岸基空管雷达系统中一种高效转弯机动目标跟踪方法 | |
| CN105954743B (zh) | 一种改进权值的变结构多模型机动目标跟踪方法 | |
| CN103235306A (zh) | 一种适用于高速机动飞行器载sar成像的运动补偿方法 | |
| CN103247057A (zh) | 目标-回波-道路网三元数据关联的道路目标多假设跟踪算法 | |
| CN112881979A (zh) | 一种基于ekf滤波的初始状态自适应融合定位方法 | |
| CN115145295A (zh) | 一种动态环境下无人机在线自主航迹优化控制方法 | |
| Klein et al. | Moving target approach for wind-aware flight path generation | |
| CN104777465B (zh) | 基于b样条函数任意扩展目标形状及状态估计方法 | |
| CN111896946B (zh) | 一种基于航迹拟合的连续时间目标跟踪方法 | |
| CN108398883B (zh) | 一种rlv进场着陆轨迹快速推演及确定方法 | |
| CN107247250A (zh) | 一种基于粒子滤波的相干分布源波达方向跟踪方法 | |
| CN113761662B (zh) | 一种滑翔类目标的轨迹预测管道的生成方法 | |
| CN112507467B (zh) | 基于阻力和升阻比的滑翔弹道随速度变化降阶解计算方法 | |
| CN114966667A (zh) | 一种基于交互多模型的低空机动目标跟踪方法 | |
| CN114660587A (zh) | 基于Jerk模型的跳跃滑翔弹道目标跟踪方法及系统 | |
| CN113240065A (zh) | 基于改进粒子群优化算法的无源雷达布站方法 | |
| Taghizadeh et al. | Low-cost integrated INS/GNSS using adaptive H∞ Cubature Kalman Filter | |
| CN107590509B (zh) | 基于最大期望近似的切尔诺夫融合方法 | |
| CN111679270A (zh) | 一种反射点不确定场景下多路径融合目标检测算法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| EXSB | Decision made by sipo to initiate substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |