分析目标运动参数滤波算法在光电跟踪控制系统中的作用, 在交互式多模型算法的基础上, 提出了该算法在光电跟踪控制系统中的应用问题, 并建立了在光电跟踪控制系统中使用的仿真模型, 通过仿真环境下光电跟踪控制系统对不同目标跟踪的数据分析可知, 该算法可作为光电跟踪控制系统中复合控制前馈数据的获取算法使用, 光电跟踪控制系统采用交互式多模型算法比采用α-β-γ滤波算法更适合对机动目标的跟踪。
控制系统 交互式多模型算法 光电跟踪 复合控制 control system IMM photoelectric tracking combinational control 红外与激光工程
2016, 45(9): 0917003
1 中国科学院长春光学精密机械与物理研究所，吉林 长春 130033
2 中国科学院大学，北京 100049
分别分析了红外焦平面阵列(IRFPA)基于定标的非均匀性校正法(NUC)和基于场景的NUC算法各自的优势和问题，在此基础上提出了联合非均匀性校正方法。根据上电时刻焦平面衬底的温度值，从FLASH中提取事先存储的对应温度区间的增益和偏置校正参数，初步消除探测器的非均匀性。通过分析初步校正后图像残余非均匀性噪声的特性，提出了用具有保边缘特性的P-M滤波取代传统神经网络算法中的四邻域均值滤波来获得期望图像，从而减小了图像边缘误差。实验结果表明，该算法收敛速度快，校正精度高，有效避免了因红外焦平面响应特性漂移而引起的图像降质。
联合非均匀性校正 衬底温度 神经网络算法 P-M模型算法 IRFPA IRFPA combined nonuniformity correction substrate temperature neural network algorithm P&M model algorithm 红外与激光工程
2016, 45(3): 0304002
1 空军工程大学信息与导航学院, 西安 710077
2 空军哈尔滨飞行学院, 哈尔滨 150001
针对传统的交互式多模型(IMM)算法通常采用相同维数的模型进行滤波,存在较大的模型误差以及当前统计模型(CS)中的参数需要合理设定的问题,提出一种变维自适应交互式多模型(AIMM)跟踪算法.该算法首先利用维数变换,将不同维数的模型转换为统一的维数进行交互滤波,使之适用于一般的机动目标,减少模型跟踪误差;然后通过引入由残差信息定义的调整因子对CS模型中的参数自适应调整,提高模型与实际运动模式的匹配程度;最后将参数调整后的CS模型反馈到变维IMM算法中,来改善跟踪性能.仿真实验表明,与传统变维IMM算法相比,文中所提算法在有效跟踪机动目标的同时,提高了目标的跟踪精度.
机动目标跟踪 维数变换 交互式多模型算法 调整因子 maneuvering target tracking variable dimension interacting multiple model algorithm adjustment factor
为了提升地空导弹**系统体系抗干扰及隐蔽性作战能力，结合新装备主动雷达和基于时差法测量的被动雷达系统各自技术优势，提出了一种主动雷达辅助的被动雷达协同探测跟踪模式，并针对该模式研究设计了一种协同探测跟踪算法。通过引入模糊推理函数，利用新息方差实际值和量测误差协方差变化率值作为模糊输入控制量，实时控制主动雷达的开关机工作，不仅实现了对主动雷达的精确化和实时化控制，而且提高了系统跟踪精度。通过Monte Carlo仿真，进一步验证了协同模式的合理性以及改进算法的有效性和正确性。
时差定位 协同探测跟踪 交互式多模型算法 TDOA location synergistic detection and tracking interactive multi-model (IMM) algorithm
针对红外图像弱小目标检测的特点, 采用二维正态云模型算法。首先利用一维云的特性建立二维云模型, 由两个相互独立的一维云模型函数组成, 目标像素的分布点为一个云滴, 整个像素分布区域形成的云团反映了图像中目标的特性;接着依据目标判别条件函数来通过函数发生器产生正态云模型;最后在红外图像弱小目标检测误差函数下构造各云层的目标函数。实验仿真显示本文算法对红外图像弱小目标检测效果最好, 能检测率高, 虚警率低, 耗时少。
二维正态云 模型算法 红外图像 弱小目标检测 two-dimensional normal cloud model algorithm infrared image dim and small target detection
交互多模型算法(IMM)的子滤波器都是基于Kalman滤波的，它要求知道精确的噪声统计特性，然而在许多情况下噪声信号的统计特性是未知的，只能得到噪声信号的近似模型，这在一定程度上降低了IMM算法的跟踪精度。基于以上问题，将H∞滤波算法应用于IMM算法的滤波过程。H∞滤波对干扰信号的统计特性不作任何假设，与Kalman滤波相比，H∞滤波器对噪声形式的不确定性不太敏感，鲁棒性好。在跟踪过程中还引入了一种数值稳健的模型概率计算方法，能有效防止计算过程中出现数值溢出现象，提高了算法的可靠性。最后通过仿真实验，证明了算法的有效性。
机动目标跟踪 交互多模型算法 H∞滤波 maneuvering target tacking interacting multiple-model algorithm H∞ filtering
