1、目標跟蹤問題是一個隨著跟蹤對象的變化、發(fā)展而不斷發(fā)展、深入研究的問題。通過目標跟蹤,實現(xiàn)對目標狀態(tài)的精確估計,從而為后續(xù)的很多信息處理,如目標威脅估計、指揮決策等提供穩(wěn)定的數(shù)據(jù)基礎。由于新型跟蹤目標的出現(xiàn)以及對目標跟蹤信息的不斷需求,機動目標跟蹤越來越成為當前研究熱點。論文結合863課題:“空天多源信息×××研究”,主要開展雷達機動目標的運動建模與濾波跟蹤算法方面的研究。論文的主要內(nèi)容包括:
　　首先介紹了論文的研究背景,并對機動

2、目標跟蹤中的兩大問題:目標運動模型、跟蹤算法的研究現(xiàn)狀進行了詳細論述,并介紹了本文的研究內(nèi)容。
　　以參數(shù)“α”和“η”為特征參量,建立了基于α-η參數(shù)的強機動目標運動模型。通過詳細分析Singer模型和Jerk模型的特征,分析了二者在表征目標運動特征方面的不足?；诖?以參數(shù)α和η為參數(shù)特征,建立了強機動目標的α-η參數(shù)運動模型。通過對α-η參數(shù)運動模型的離散化處理,推導出α-η參數(shù)運動模型的狀態(tài)-測量模型,并詳細分析了α-η參

3、數(shù)運動模型的特征。實驗表明該運動模型具有較強的目標機動模式表征能力。
　　提出了一種基于修正不敏卡爾曼濾波的目標跟蹤算法。在UKF算法中,濾波增益的計算主要由兩個協(xié)方差決定:狀態(tài)協(xié)方差、狀態(tài)與測量的協(xié)方差,當目標作機動時,濾波增益將滯后于目標的機動狀態(tài),從而使跟蹤誤差變大。因而,在跟蹤過程中,通過實時估計噪聲協(xié)方差的修正因子,然后利用修正因子實時修正預測狀態(tài)協(xié)方差,利用修正后的預測協(xié)方差更新狀態(tài)協(xié)方差,進而修正濾波增益。采用自適應

4、因子修正后的協(xié)方差來計算濾波增益,使得修正后的濾波增益與目標的運動相匹配,從而獲得較好的濾波跟蹤精度。實驗表明該算法具有比UKF更好的跟蹤性能。
　　融合UT變換和EKF各自優(yōu)點,在提高算法的跟蹤性能和較少運算時間方面,提出了兩種目標跟蹤算法。(1)不敏擴展卡爾曼濾波跟蹤算法。UKF在非線性跟蹤系統(tǒng)中具有比EKF更好的跟蹤性能,但是所需的計算時間大于EKF的計算時間。基于此原因,提出了一種融合不敏變換(UT)和擴展卡爾曼濾波的目標

5、跟蹤方法,該方法主要通過把UKF中狀態(tài)協(xié)方差以及狀態(tài)和測量值的互協(xié)方差的多項矢量相乘轉(zhuǎn)換成多個相加的計算,從而有效減少算法的運算時間。該算法融合UT變換的多樣性Sigma粒子的特點以及EKF的運算時間快的特點,既保留了較好的濾波跟蹤精度,又具有較少的運算時間。(2)自適應不敏擴展卡爾曼濾波跟蹤算法。在不敏擴展卡爾曼濾波過程中,利用殘差信息,采用指數(shù)衰減和遺忘因子的方式實時估計和修正兩個噪聲協(xié)方差,實現(xiàn)噪聲協(xié)方差的自適應估計。實驗表明這兩

6、種算法具有比UKF較好的跟蹤精度,又具有較少的運算時間。
　　在提高模型概率估計準確性方面,提出了一種基于模型概率修正的交互多模型算法。交互多模算法在計算濾波后的狀態(tài)信息時,加權因子(即模型概率)的計算主要利用兩類信息:新息和模型概率預測值,該方法沒有利用當前時刻狀態(tài)協(xié)方差的有效信息,造成對模型概率估計的不準確?；谶@個特性,把狀態(tài)協(xié)方差的信息融合得到另一個加權因子,利用該加權因子修正IMM算法中的模型概率估計值,即:加權因子的模