CN107728138B - 一种基于当前统计模型的机动目标跟踪方法 - Google Patents
一种基于当前统计模型的机动目标跟踪方法 Download PDFInfo
- Publication number
- CN107728138B CN107728138B CN201710832102.3A CN201710832102A CN107728138B CN 107728138 B CN107728138 B CN 107728138B CN 201710832102 A CN201710832102 A CN 201710832102A CN 107728138 B CN107728138 B CN 107728138B
- Authority
- CN
- China
- Prior art keywords
- target
- moment
- state
- representing
- maneuvering
- 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
- 238000013179 statistical model Methods 0.000 title claims abstract description 32
- 238000000034 method Methods 0.000 title claims abstract description 27
- 230000001133 acceleration Effects 0.000 claims abstract description 60
- 238000005562 fading Methods 0.000 claims abstract description 10
- 239000011159 matrix material Substances 0.000 claims description 44
- 238000001914 filtration Methods 0.000 claims description 14
- 238000005259 measurement Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000005284 excitation Effects 0.000 claims description 4
- 230000007704 transition Effects 0.000 claims description 3
- 239000013598 vector Substances 0.000 claims description 3
- 230000003313 weakening effect Effects 0.000 claims description 3
- 230000008033 biological extinction Effects 0.000 claims description 2
- 238000012545 processing Methods 0.000 abstract description 2
- 238000005070 sampling Methods 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 102000003712 Complement factor B Human genes 0.000 description 1
- 108090000056 Complement factor B Proteins 0.000 description 1
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005309 stochastic process Methods 0.000 description 1
Images
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)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于当前统计模型的机动目标跟踪方法,属于雷达信号处理领域,主要解决当前统计模型对弱机动以及非机动目标跟踪精度较低的问题。本发明首先进行运动状态初始化和参数预设,建立针对机动目标的当前统计模型;然后通过一种反正切函数调整当前加速度极值进而调整加速度方差;进一步地确定渐消因子来调整预测协方差;最后完成目标的状态更新。本发明在保持当前统计模型对强机动目标良好跟踪性能的同时,提高了对弱机动和非机动目标的跟踪性能,可用于对机动目标的跟踪。
Description
技术领域
本发明属于信号处理技术,特别涉及一种对机动目标的跟踪方法。本发明可用于实现对机动目标的跟踪,提高对弱机动目标的跟踪性能。
背景技术
机动目标跟踪一直是跟踪领域研究的热点,在国防和民用各领域具有重要价值,一直以来很多学者致力于研究目标跟踪算法。但由于现代飞行器的机动性不断增强,对目标进行可靠并准确的跟踪已经成为一大难题。实现目标跟踪主要包含两大功能模块:建立目标运动模型和实现自适应滤波。
最早提出的机动目标运动模型是Singer模型,它将机动控制项作为有色噪声建模,它实质上是一个加速度具有指数自相关的零均值随机过程。但由于Singer模型对加速度的分布假设不合理,导致其跟踪精度较低。因此,当前统计模型被提出了,该模型假设目标下一时刻的加速度服从修正的瑞利分布,均值为当前加速度的预测值,它实质上是一个加速度具有自适应非零均值的Singer模型。当前统计模型在估计目标状态的同时还可以辨识出机动加速度均值,从而实时地修正加速度分布,并且反馈到下一时刻的滤波增益中去。
虽然当前统计模型比singer模型的设置更为合理,但还存在以下缺陷:1)当前统计模型固定机动频率γ不符合实际情况;2)固定的加速度极值amax难以适应加速度突变的情况;3)修正瑞利分布的局限性导致对弱机动及非机动目标的跟踪性能较差。
发明内容
本发明的目的在于提出一种基于当前统计模型的机动目标跟踪方法,提高对机动目标的跟踪性能。
实现本发明的基本思路是:利用一种反正切函数根据加速度估计值来调整当前时刻加速度极值,以提高对弱机动目标的跟踪性能,并设置渐消因子合理调整预测协方差,以提高对强机动目标的跟踪性能。
本发明技术方案为一种基于当前统计模型的机动目标跟踪方法,该方法包括:
步骤1:运动状态的初始化和预设参数
1a)预设目标最大加速度极值amax、目标最小加速度极值amin和机动频率γ;
1b)利用雷达量测的前三个量测值确定机动目标的初始状态和初始协方差;
步骤2:建立针对机动目标的当前统计模型
2a)用下式对机动目标建立运动状态方程:
其中,Xk和Xk-1分别表示机动目标k和k-1时刻的状态向量,xk表示目标k时刻位置,表示目标k时刻速度,表示目标k时刻加速度;Fk-1为状态转移矩阵;Gk-1表示机动目标k-1时刻的控制矩阵;为机动目标加速度均值;Vk-1是k-1时刻离散时间白噪声序列;
2b)用下式建立目标的量测方程:
Zk=HkXk+Wk
其中,Zk表示k时刻雷达的量测值;Hk为k时刻量测矩阵;Wk为k时刻量测噪声,其均值为0,方差为Rk;
步骤3:确定当前加速度方差:
3b)用反正切函数来调整当前加速度极值α'max;
3c)用下式确定加速度方差:
步骤4:目标状态预测
4a)由步骤2建立的当前统计模型和上一时刻状态更新值完成目标状态的一步预测:
4b)目标状态协方差矩阵的一步预测由下式决定
其中,Pk|k-1表示k-1时刻预测k时刻的状态协方差;Pk-1|k-1表示k-1时刻状态协方差更新值;γ为机动频率;q为机动激励协方差矩阵;
4c)由状态预测值按下式确定目标在k-1时刻量测值的预测:
步骤5:确定渐消因子
5a)用下式确定滤波新息:
其中,vk为k时刻的滤波新息;
5b)按照下式确定预测误差的协方差矩阵:
5c)利用滤波新息和预测误差协方差矩阵确定机动目标k时刻的渐消因子λk,
步骤6:利用渐消因子对预测协方差进行调整:
P'k|k-1=λkPk|k-1
其中,P'k|k-1为调整之后k-1时刻预测目标在k时刻的预测协方差;
步骤7:目标状态更新
7a)由预测误差的协方差矩阵按照下式确定滤波器增益:
其中,Kk为k时刻的滤波器增益;[·]-1表示矩阵的逆;
7b)按照下式完成对目标状态的更新:
7c)按照下式完成目标状态协方差的更新:
进一步的,步骤3中加速度极值α'max的求解方法为:
其中,amax表示最大加速度极值;amin表示最小加速度极值;B表示比例调整因子;amid表示该反正切函数对称中心。
与传统的当前统计模型相比,由于利用了反正切函数来调整加速度极值和过程噪声协方差,进而弥补了当前统计模型自身缺陷,实现了对弱机动及非机动目标更好的跟踪性能。
进一步的,步骤5中机动目标k时刻渐消因子λk计算方式如下:
其中,λ0的值可由预测误差协方差矩阵和滤波残差求得,具体求解方法如下:
其中,
进一步的,所述5中ρ=0.95,β=5。
由于,通过在滤波过程中引入渐消因子,来调整预测协方差,因此能够防止状态方程的发散,而且能够使目标在发生机动时能够较快地调整增益,提高跟踪的及时性。
本发明一种基于当前统计模型的机动目标跟踪方法利用反正切函数根据加速度估计值来调整当前时刻加速度极值,以提高对弱机动目标的跟踪性能,并设置渐消因子合理调整预测协方差,以提高对强机动目标的跟踪性能。
附图说明
图1为本发明的流程示意图;
图2为本发明与传统的当前统计模型仿真误差对比图。
具体实施方式
下面结合图1,本发明实现步骤如下:
步骤1,运动状态的初始化和预设参数
本发明实施例中将最大加速度极值设为amax=100m/s2,并将机动频率设为γ=0.01;
利用雷达量测的前三个量测值Z1,Z2,Z3,通过差分法由下式确定机动目标的初始状态和初始协方差;
步骤2,建立针对机动目标的当前统计模型
以周期T采样,用下式对机动目标建立运动状态方程:
Gk-1为控制矩阵,表达式如下:
qij(i=1,2,3;j=1,2,3)为机动激励协方差矩阵q的元素,其表达式如下:
用下式建立目标的量测方程:
Zk=HkXk+Wk
其中,Zk表示k时刻雷达的量测值;Hk为量测矩阵,表达式如下:
Hk=[1 0 0]
Wk为量测噪声,其均值为0,方差为Rk,并与过程噪声Vk-1相互独立;
步骤3,确定当前加速度极值,
按照根据加速度均值,利用一种反正切函数来调整当前加速度极值:
其中,设最小加速度极值amin=20m/s2;比例调整因子B=15;该反正切函数对称中心amid=5m/s2;
按照下式确定加速度方差:
步骤4,目标状态预测
由建立的模型和上一时刻状态更新值完成目标状态的一步预测:
目标状态协方差矩阵的一步预测由下式决定
其中,Pk|k-1表示k-1时刻预测k时刻的状态协方差;Pk-1|k-1表示k-1时刻状态协方差更新值;Qk为过程噪声协方差;γ为机动频率;为加速度方差;q为机动激励协方差矩阵;[·]T表示矩阵的转置;
由状态预测值按下式确定目标在k-1时刻量测值的预测:
步骤5,确定渐消因子
利用下式确定滤波新息(残差):
其中,vk为k时刻的滤波新息,Zk为量测值;
按照下式确定预测误差的协方差矩阵:
利用残差和预测误差协方差矩阵确定渐消因子,其计算方式如下:
其中,λk为k时刻的渐消因子;λ0的值可由下式确定:
其中,
利用渐消因子对预测协方差进行调整:
P'k|k-1=λkPk|k-1
其中,P'k|k-1为调整之后k-1时刻预测目标在k时刻的预测协方差,Pk|k-1为调整之前的预测协方差;
步骤6,目标状态更新
由预测误差的协方差矩阵按照下式确定滤波器增益:
其中,Kk为k时刻的滤波器增益;P'k|k-1表示调整之后k-1时刻预测目标在k时刻的状态协方差;[·]-1表示矩阵的逆;
按照下式完成对目标状态的更新:
按照下式完成目标状态协方差的更新:
下面结合附图2对本发明的效果做进一步说明。
1.仿真条件
设目标的真实航迹的起始状态为[10000m,100m/s,0m/s2],对目标进行100s的采样观测,目标的具体运动如下:
在1~50s内,目标做匀速直线运动,在51~70s内加速度增加至30m/s2,在71-80s时,加速度保持为10m/s2,在81s时刻加速度降为0,直到采样结束。
在笛卡尔坐标系下,采用2000次蒙特卡洛实验,设雷达采样间隔T=1s,雷达的量测位置方差R=2500m2。
仿真的评价指标为均方根误差,即RMSE,其计算公式为:
2.仿真内容
采用本发明方法和当前统计模型分别对目标的位置、速度和加速度进行跟踪估计,并比较跟踪效果。
3.仿真分析
图2(a)是本发明和当前统计模型对一维目标进行跟踪时位置均方根误差,实线表示本发明的跟踪误差曲线,虚线表示当前统计模型的跟踪误差曲线。从图中可以看出,在目标进行非机动或弱机动时,本发明方法能够有效降低跟踪误差,其跟踪精度提高了10%-15%;当目标发生强机动时,本发明方法也可以有效控制跟踪误差。
图2(b)是本发明和当前统计模型对一维目标进行跟踪时速度均方根误差,从图中可以看出,本发明降低了非机动和弱机动目标的速度跟踪误差,其跟踪精度相比于当前统计模型提高了30%-35%;本发明也能够有效控制强机动发生时的误差。
图2(c)是本发明和当前统计模型对一维目标进行跟踪时加速度均方根误差,从图中可以看出,在弱机动和非机动情况下,相比于当前统计模型,本发明将跟踪精度提高了45%-50%,并且本发明对强机动目标的适应也较快。因此,本发明的整体性能要优于当前统计模型。
Claims (3)
1.一种基于当前统计模型的机动目标跟踪方法,该方法包括:
步骤1:运动状态的初始化和预设参数
1a)预设目标最大加速度极值amax、目标最小加速度极值amin和机动频率γ;
1b)利用雷达量测的前三个量测值确定机动目标的初始状态和初始协方差;
步骤2:建立针对机动目标的当前统计模型
2a)用下式对机动目标建立运动状态方程:
其中,Xk和Xk-1分别表示机动目标k和k-1时刻的状态向量,xk表示目标k时刻位置,表示目标k时刻速度,表示目标k时刻加速度;Fk-1为状态转移矩阵;Gk-1表示机动目标k-1时刻的控制矩阵;为机动目标加速度均值;Vk-1是k-1时刻离散时间白噪声序列;
2b)用下式建立目标的量测方程:
Zk=HkXk+Wk
其中,Zk表示k时刻雷达的量测值;Hk为k时刻量测矩阵;Wk为k时刻量测噪声,其均值为0,方差为Rk;
步骤3:确定当前加速度方差:
3b)用反正切函数来调整当前加速度极值α′max;
所述加速度极值α′max的求解方法为:
其中,amax表示最大加速度极值;amin表示最小加速度极值;B表示比例调整因子;amid表示该反正切函数对称中心;
3c)用下式确定加速度方差:
步骤4:目标状态预测
4a)由步骤2建立的当前统计模型和上一时刻状态更新值完成目标状态的一步预测:
4b)目标状态协方差矩阵的一步预测由下式决定
其中,Pk|k-1表示k-1时刻预测k时刻的状态协方差;Pk-1|k-1表示k-1时刻状态协方差更新值;γ为机动频率;q为机动激励协方差矩阵;
4c)由状态预测值按下式确定目标在k-1时刻量测值的预测:
步骤5:确定渐消因子
5a)用下式确定滤波新息:
其中,vk为k时刻的滤波新息;
5b)按照下式确定预测误差的协方差矩阵:
5c)利用滤波新息和预测误差协方差矩阵确定机动目标k时刻的渐消因子λk,
步骤6:利用渐消因子对预测协方差进行调整:
P′k|k-1=λkPk|k-1
其中,P′k|k-1为调整之后k-1时刻预测目标在k时刻的预测协方差;
步骤7:目标状态更新
7a)由预测误差的协方差矩阵按照下式确定滤波器增益:
其中,Kk为k时刻的滤波器增益;[·]-1表示矩阵的逆;
7b)按照下式完成对目标状态的更新:
7c)按照下式完成目标状态协方差的更新:
3.如权利要求2所述的一种基于当前统计模型的机动目标跟踪方法,其特征在于所述步骤5中ρ=0.95,β=5。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710832102.3A CN107728138B (zh) | 2017-09-15 | 2017-09-15 | 一种基于当前统计模型的机动目标跟踪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710832102.3A CN107728138B (zh) | 2017-09-15 | 2017-09-15 | 一种基于当前统计模型的机动目标跟踪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107728138A CN107728138A (zh) | 2018-02-23 |
CN107728138B true CN107728138B (zh) | 2020-11-17 |
Family
ID=61206285
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710832102.3A Active CN107728138B (zh) | 2017-09-15 | 2017-09-15 | 一种基于当前统计模型的机动目标跟踪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107728138B (zh) |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108710124A (zh) * | 2018-04-02 | 2018-10-26 | 西北工业大学 | 一种飞机类强机动目标跟踪敏感性评估方法 |
CN110378169B (zh) * | 2018-04-12 | 2021-06-18 | 中移(杭州)信息技术有限公司 | 手势区间的检测方法及装置 |
CN108646237A (zh) * | 2018-05-09 | 2018-10-12 | 西安电子科技大学 | 基于当前统计模型的雷达机动目标跟踪优化方法 |
CN109031269B (zh) * | 2018-06-08 | 2020-07-07 | 上海西井信息科技有限公司 | 基于毫米波雷达的定位方法、***、设备及存储介质 |
CN109242881B (zh) * | 2018-08-13 | 2021-06-11 | 上海机电工程研究所 | 数据的目标机动识别方法、***及计算机可读存储介质 |
CN108984974A (zh) * | 2018-08-24 | 2018-12-11 | 重庆电子工程职业学院 | 卷积自编码器的设计方法和*** |
CN110297221B (zh) * | 2019-06-19 | 2021-04-06 | 西安电子科技大学 | 一种基于高斯混合模型的数据关联方法 |
CN110927727B (zh) * | 2019-11-25 | 2021-09-03 | 深圳市智慧海洋科技有限公司 | 目标定位跟踪方法和装置 |
CN111291312A (zh) * | 2020-02-28 | 2020-06-16 | 大连海事大学 | 一种基于当前统计模型的模糊自适应算法的机动目标跟踪方法 |
CN112162283B (zh) * | 2020-08-18 | 2024-07-02 | 重庆睿行电子科技有限公司 | 一种全路段组网交通雷达多目标探测*** |
CN112880699B (zh) * | 2021-01-19 | 2023-03-10 | 中国人民解放军空军工程大学 | 一种基于脑选择性注意机制的车辆协作定位方法 |
CN112985389B (zh) * | 2021-02-18 | 2023-05-02 | 三峡大学 | 基于无人机运动状态的激光充电跟踪方法 |
CN115964603B (zh) * | 2023-02-10 | 2023-05-30 | 成都理工大学 | 一种基于改进Kalman滤波的机动目标跟踪方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB1516937A (en) * | 1977-03-28 | 1978-07-05 | Decca Ltd | Airborne doppler navigation equipment |
CN101045449A (zh) * | 2007-03-12 | 2007-10-03 | 北京航空航天大学 | 一种车辆防侧翻惯性测量及控制方法 |
CN101621493A (zh) * | 2009-07-23 | 2010-01-06 | 中国科学院微电子研究所 | Ofdm的频率偏移估计的判决方法 |
CN101972153A (zh) * | 2010-11-10 | 2011-02-16 | 中国医学科学院生物医学工程研究所 | 彩色超声多普勒血流速度估算反正切优化算法 |
CN102288154A (zh) * | 2011-06-20 | 2011-12-21 | 中国人民解放军第二炮兵工程学院 | 一种基于正弦波磁光调制的失调角测量方法 |
CN103308896A (zh) * | 2013-05-07 | 2013-09-18 | 北京工商大学 | 一种适于非引擎机动目标的高精度跟踪方法 |
CN104408744A (zh) * | 2014-11-17 | 2015-03-11 | 电子科技大学 | 一种用于目标跟踪的强跟踪容积卡尔曼滤波方法 |
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 |
CN106199580A (zh) * | 2016-07-01 | 2016-12-07 | 中国人民解放军海军航空工程学院 | 一种基于模糊推理***的Singer模型改进算法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10539669B2 (en) * | 2014-10-08 | 2020-01-21 | Texas Instruments Incorporated | Three dimensional (3D) tracking of objects in a radar system |
-
2017
- 2017-09-15 CN CN201710832102.3A patent/CN107728138B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB1516937A (en) * | 1977-03-28 | 1978-07-05 | Decca Ltd | Airborne doppler navigation equipment |
CN101045449A (zh) * | 2007-03-12 | 2007-10-03 | 北京航空航天大学 | 一种车辆防侧翻惯性测量及控制方法 |
CN101621493A (zh) * | 2009-07-23 | 2010-01-06 | 中国科学院微电子研究所 | Ofdm的频率偏移估计的判决方法 |
CN101972153A (zh) * | 2010-11-10 | 2011-02-16 | 中国医学科学院生物医学工程研究所 | 彩色超声多普勒血流速度估算反正切优化算法 |
CN102288154A (zh) * | 2011-06-20 | 2011-12-21 | 中国人民解放军第二炮兵工程学院 | 一种基于正弦波磁光调制的失调角测量方法 |
CN103308896A (zh) * | 2013-05-07 | 2013-09-18 | 北京工商大学 | 一种适于非引擎机动目标的高精度跟踪方法 |
CN104408744A (zh) * | 2014-11-17 | 2015-03-11 | 电子科技大学 | 一种用于目标跟踪的强跟踪容积卡尔曼滤波方法 |
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 |
CN106199580A (zh) * | 2016-07-01 | 2016-12-07 | 中国人民解放军海军航空工程学院 | 一种基于模糊推理***的Singer模型改进算法 |
Non-Patent Citations (5)
Title |
---|
A new parameters adaptively adjusting method of current statistical model;Yongjian Yang;《Proceeding of the 2015 IEEE International Conference on Information and Automation Lijiang, China, August 2015》;20150831;1738-1742 * |
NURBS Interpolator with Confined Chord Error and Tangential and Centripetal Acceleration Control;Alessandro Bardine;《International Congress on Ultra Modern Telecommunications and Control Systems》;20101230;489-496 * |
反反正正切切形形式式跟跟踪踪微微分分器器设设计计及及相相平平面面分分析析;董小萌;《控制理论与应用》;20100430;第27卷(第4期);533-537 * |
基于改进sigmoid函数的非线性跟踪微分器;邵星灵;《控制理论与应用》;20140830;第31卷(第8期);1116-1122 * |
机动目标跟踪与多目标互联算法研究;赵梦;《中国优秀硕士学位论文全文数据库 信息科技辑》;20160315;7-10、17-20 * |
Also Published As
Publication number | Publication date |
---|---|
CN107728138A (zh) | 2018-02-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107728138B (zh) | 一种基于当前统计模型的机动目标跟踪方法 | |
CN107561503B (zh) | 一种基于多重渐消因子的自适应目标跟踪滤波方法 | |
CN106443661B (zh) | 基于无迹卡尔曼滤波的机动扩展目标跟踪方法 | |
CN110061716B (zh) | 一种基于最小二乘和多重渐消因子的改进kalman滤波方法 | |
CN110501696B (zh) | 一种基于多普勒量测自适应处理的雷达目标跟踪方法 | |
CN109543143B (zh) | 非线性带偏差***的多传感器融合估计方法 | |
CN102568004A (zh) | 一种高机动目标跟踪算法 | |
CN109186601A (zh) | 一种基于自适应无迹卡尔曼滤波的激光slam算法 | |
CN109977613B (zh) | 一种可预先设定调整时间的自适应滑模末制导律设计方法 | |
CN102721951A (zh) | 一种高机动目标跟踪方法 | |
CN104504728B (zh) | 多机动目标跟踪方法、***及其广义联合概率数据关联器 | |
CN110555398B (zh) | 一种基于滤波最优平滑确定故障首达时刻的故障诊断方法 | |
CN108710124A (zh) | 一种飞机类强机动目标跟踪敏感性评估方法 | |
CN103017771A (zh) | 一种静止传感器平台的多目标联合分配与跟踪方法 | |
CN112671373A (zh) | 一种基于误差控制的卡尔曼滤波自适应滤波算法 | |
CN103500455A (zh) | 一种基于无偏有限冲击响应滤波器(ufir)的改进机动目标跟踪方法 | |
CN110572139A (zh) | 用于车辆状态估计的融合滤波实现方法以及装置、存储介质、车辆 | |
CN109840517A (zh) | 一种mems陀螺噪声估计和滤波方法 | |
CN112986977B (zh) | 一种克服雷达扩展卡尔曼航迹滤波发散的方法 | |
CN104777465B (zh) | 基于b样条函数任意扩展目标形状及状态估计方法 | |
CN110677140A (zh) | 一种含未知输入和非高斯量测噪声的随机***滤波器 | |
CN107219519B (zh) | 连发火炮弹道曲线拟合方法 | |
CN104316905B (zh) | 处理飞行时间测距数据的自适应卡尔曼滤波的方法 | |
Wang et al. | An improved current statistical model for maneuvering target tracking | |
CN114637956A (zh) | 一种新型双卡尔曼滤波方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |