基于强跟踪滤波器的交互式多模型算法

计算机工程与应用 ›› 2013, Vol. 49 ›› Issue (7): 132-135.

基于强跟踪滤波器的交互式多模型算法

张莹，贺丰收，郑世友

中航工业雷达与电子设备研究院航空电子系统射频综合仿真航空科技重点实验室，江苏无锡 214063

出版日期:2013-04-01 发布日期:2013-04-15

Interacting multiple models algorithm using strong tracking filter

ZHANG Ying, HE Fengshou, ZHENG Shiyou

Aviation Key Laboratory of Science and Technology on AISSS, Radar and Avionics Institute of AVIC, Wuxi, Jiangsu 214063, China

Online:2013-04-01 Published:2013-04-15

摘要/Abstract

摘要： 针对传统的EKF-IMM算法鲁棒性较差等问题，提出了一种基于强跟踪滤波器（STF）的交互式多模型算法。该算法通过引入强跟踪滤波器（STF）的渐消因子，实现了对滤波器增益的实时调节，从而提高了系统对机动目标的自适应跟踪能力和跟踪精度。仿真结果表明，在目标不发生机动时，该算法和EKF-IMM算法的跟踪效果相近，在目标发生强机动时，该算法在径向速度和方位角的跟踪精度要优于EKF-IMM算法；提出的算法具有更优的机动目标跟踪性能。

关键词: 机动目标跟踪, 交互式多模型, 强跟踪滤波器, 渐消因子, 自适应&ldquo, 当前&rdquo, 统计模型

Abstract: Aiming at the problem of the robustness of EKF-IMM is below average, an interacting multiple models algorithm using Strong Tracking Filter（STF） is proposed. Through introducing a fading factor of strong tracking filter, this algorithm realizes the realtime adjusting the gain of the filters, and updating the adaptive tracking performance and tracking precision for maneuvering targets accordingly. The Monte Carlo simulation result shows that this algorithm has the same tracking effect for non-maneuvering target as EKF-IMM, and the tracking performance for maneuvering target is superior to EKF-IMM on radial velocity and azimuth. The simulation results verify that this algorithm has better performance than EKF-IMM in tracking maneuvering targets.

Key words: maneuvering target tracking, Interacting Mutiple Model（IMM）, Strong Tracking Filter（STF）, fading factor, ACS model

张莹，贺丰收，郑世友. 基于强跟踪滤波器的交互式多模型算法[J]. 计算机工程与应用, 2013, 49(7): 132-135.

ZHANG Ying, HE Fengshou, ZHENG Shiyou. Interacting multiple models algorithm using strong tracking filter[J]. Computer Engineering and Applications, 2013, 49(7): 132-135.

[1]	周非，罗晓勇，刘云萍. 基于概率模型的实时修正IMM目标跟踪算法[J]. 计算机工程与应用, 2020, 56(21): 85-92.
[2]	黄国荣，许明琪，卢航，魏翔，彭志颖. 自适应混合阶SSRCKF及其在组合导航中的应用[J]. 计算机工程与应用, 2019, 55(18): 229-235.
[3]	朱洪峰，熊伟，崔亚奇，吕亚飞. 新的自适应转弯模型的IMM算法研究[J]. 计算机工程与应用, 2019, 55(17): 252-258.
[4]	张维华1，2，孙启臣1，张丽静1. 新的分布交互式多模型广义概率数据关联算法[J]. 计算机工程与应用, 2018, 54(4): 44-49.
[5]	张卓然，叶广强，赵晓林. 基于改进当前统计模型的自适应无源跟踪算法[J]. 计算机工程与应用, 2017, 53(3): 124-130.
[6]	李淑娟，李茂青，高云波，林俊亭，江娜. 列车间多频段直接通信系统设计及性能分析[J]. 计算机工程与应用, 2017, 53(13): 104-112.
[7]	孙磊1，2，黄国勇1，2，李越1，2. 改进的强跟踪SVD-UKF算法在组合导航中的应用[J]. 计算机工程与应用, 2017, 53(10): 225-229.
[8]	崔彦凯1，梁晓庚1，2，王志刚3，贾晓洪2. 高速高机动目标自适应IMM跟踪算法[J]. 计算机工程与应用, 2014, 50(8): 198-201.
[9]	竹博，周游，仵国锋，胡捍英. AR预测模型的IMM跟踪算法[J]. 计算机工程与应用, 2014, 50(24): 222-226.
[10]	周彦，欧阳宁烽，盛权，胡岚. LOS/NLOS环境中融合TOA与RSSI的IMM目标跟踪[J]. 计算机工程与应用, 2013, 49(22): 55-58.
[11]	刘连宇，舒勤. “当前”半马尔科夫模型及自适应跟踪算法[J]. 计算机工程与应用, 2013, 49(1): 128-130.
[12]	石书生，曾芳玲. 一种双机动频率自适应算法研究[J]. 计算机工程与应用, 2012, 48(4): 152-154.
[13]	岳恒军1，2，吴健1，2，崔志明1，2. 一种新的车辆遮挡检测与分割方法[J]. 计算机工程与应用, 2012, 48(19): 179-182.
[14]	张剑飞，陈桂兰，岳新. 纤维板孔穴显微图像的检测方法[J]. 计算机工程与应用, 2011, 47(8): 170-171.
[15]	张杰，张建伟. 高转弯频率下机动目标跟踪算法研究[J]. 计算机工程与应用, 2011, 47(1): 217-219.