强跟踪滤波原理

合集下载

跟踪滤波器

跟踪滤波器的原理：跟踪滤波就是使被跟踪滤波的信号在通过滤波器时，是增益和相移保持恒定，同时自动跟踪滤波的方法很多，有频控RC常数等
Fs被测信号
信号通道
MF10
输出整形
信频器
跟踪滤波器的原理框图
•
MF10是一个具有独立的、极易使用的有源滤波器，它是跟踪滤波器的主要部分，它必须具备滤波器器的一切性能，且其中心截止频率（或中心频率）能随着被测信号的变化而变化，且在通带内的增益不会因此而改变。
•
通常在非电量测试中，信号不可避免的受到各种原因产生的高频低频干扰，我为了检测被测量，常常用到不同的滤波器。而在某些变化范围较大的测量中，被测的信号基频变化的范围可能达到几个数量级，普通的高低频滤波器难以胜任。
• 为了得到不同时刻不同频率的被测信号，滤波器中心频率能跟踪被测信号频率变化而变化。
• 二阶滤波网络：
• 传递函数：

一种强跟踪滤波器及其在人手跟踪中的应用

ｋｎｍａｉｍｏｅｓｏｈｒｃｅａｄａｅａｓｉｃｓｅｉｅｔｄｌｆｔｅｔａｋｄｈｎｒｌｄｓｕｓｄ．Ａｔａｔｅｅａｘｅｉｎｓｖｌａｅｔｅｐｏｏｅｃｏｓ．ｓｖｒｌｐｒｌｅｍｅｔａｉｔｈｒｐｓｄｄ
Ｊ人手跟踪中的应用
孟祥旭
济南济南２００）５１０２０２）５０２
冯志全
。山东大学计算机科学与技术学院（（南大学信息科学与工程学院济
（ｚｗｗｗ＠２３．ｅ）ｆｑ６ｎｔ
Ａｂｔａｔｓｒｃ
Ｂｏｔｏｌｇｉｄｐｎｅｔｙｅｃｏｏｅｔｆｔｅｅｒｒｃｖｒｎｅｍａｒｘ，ａｎｗｔｏｇｙｃｎｒｌｎｎｅｅｄｎｌａｈｃｍｐｎｎｓｏｈｒｏｏａｉｃｔｉｉａｅｓｒｎ
ｔａｋｎｘｅｄｄＫａｎｆｔｒＳＥ）ｉｐｔｆｒｒｉａｆｃｉｅａｋｔｅａｒｐｌｈｎｉｇｒｃｉｇｅｔｎｅｌｌ（ＴＫＦｓｕｏｗａｄｗｈｃｃｎｅｅｔｌｔｃｈｂｕｔｃａｇｍａｉｅｈｆｖｙｒｙｎ
ｓａｅｆａｍｏｉｇｈｕｎｈａｔｉｇｌａｒｔｔｓｏｖｎｍａｎｄｗｉｈａｓｎｅｃｍｅａ．Ｂｅｉｅ，ｔｅｄｓｇＤｈｓｏｏｃｌｍｏｅｓａｓｄｓｈｅｉｎｏｆ３ｐｙｉｌｇｉａｄｌｎｄ
到和谐的人机交流目的，以确切、接、难直自然地表

强跟踪SRCKF及其在船舶动力定位中的应用

ｇｒａｄｅｓ，ｅｖｅｎｆａｌｌｓｉｎｔｏｄｉｖｅｒｇｅｎｃｅｗｈｅｎｖｅｓｓｅｌｄｙｎａｍｉｃｐｏｓｉｔｉｏｎｉｎｇｓｓｔｅｍｍｏｄｅｌｈａｓｕｎｃｅｒｔａｉｎｔｙ，ａＳＲＣＫＦａｌｇｏｉｒｔｈｍ
第３４卷第６期２０１３年６月
仪器仪表学报
ＣｈｉｎｅｓｅＪｏｕｒｎａｌｏｆＳｃｉｅｎｔｉｆｉｃＩｎｓｔｒｕｍｅｎｔ
Ｖｏ１．３４Ｎｏ．６
Ｊｕｎ．２０１３
强跟踪ＳＲＣＫＦ及其在船舶动力定位中的应用
徐树生，林孝工，赵大威，谢业海
（哈尔滨工程大学自动化学院哈尔滨１５０００１）
摘
要：针对平方根容积卡尔曼滤波器（ＳＲＣＫＦ）在定位系统船舶模型不确定时存在滤波精度下降甚至发散的问题，提出了一
关键词：强跟踪滤波器；平方根容积卡尔曼滤波；渐消因子；鲁棒性；收敛性中图分类号：Ｕ６６６．１２文献标识码：Ａ国家标准学科分类代码：５１０．４０
ＳｔｒｏｎｇｔｒａｃｋｉｎｇＳＲＣＫＦａｎｄｉｔｓａｐｐｌｉｃａｔｉｏｎｉｎｖｅｓｓｅｌｄｙｎａｍｉｃｐｏｓｉｔｉｏｎｉｎｇ
种具有强跟踪性能的ＳＲＣＫＦ算法。基于强跟踪滤波器（ＳＴＦ）的理论框架，采用三阶球面径向容积规则代替ＳＴＦ中的雅克比矩阵计算，结合渐消因子的等价表述，构建强跟踪ＳＲＣＫＦ。基于滤波收敛判据和渐消记忆滤波思想，分析了强跟踪ＳＲＣＫＦ的收敛性。强跟踪ＳＲＣＫＦ兼具ＳＴＦ鲁棒性强、ＳＲＣＫＦ滤波精度高和实现简单的优点，有效克服了ＳＴＦ的理论局限性及ＳＲＣＫＦ在系统模型不确定时滤波性能下降的缺点。利用船舶陆上仿真系统进行试验，证明了强跟踪ＳＲＣＫＦ的有效性。

基于多渐消因子强跟踪SRUKF的故障参数辨识

基于多渐消因子强跟踪SRUKF的故障参数辨识贾小刚【摘要】To solve the problem of nonlinear system fault parameter estimation,the multiple fading factors strong tracking square root unscented Kalman filter(MST⁃SRUKF)algorithm is proposed. The multiple fading factors are introduced into covari⁃ance matrix square root by means of MST⁃SRUKF. Then the fading factor computational formula suitable for square root unscent⁃ed Kalman filter(SRUKF)is deduced to adjust the gain matrix in SRUKF in real time to ensure filter accuracy when the model has big error or changes abruptly. The experiment result shows that,compared with SRUKF and strong tracking unscented Kal⁃manfilter(STUKF),the MST⁃SRUKF has higher estimation accuracy of fault parameter.%为了解决非线性系统中故障参数估计问题，提出多重渐消因子强跟踪平方根无迹卡尔曼滤波（MST⁃SRUKF）算法。

MST⁃SRUKF将多重渐消因子引入到协方差矩阵平方根中，推导适用于平方根无迹卡尔曼滤波（SRUKF）的渐消因子计算公式，从而实时调整SRUKF中的增益矩阵，保证其对模型存在较大误差或者突变情况下的滤波精度。

基于强跟踪下的卡尔曼滤波算法道路坡度估计分析

ï
−
îP k = ( I − K k H ) P K
（17）
式中，λ k 为渐消因子，λ k≥1，可通过下式计算：
时间更新方程为：
{
ing Extended Kalman Filter，STEKF）算法［8］。
根据强跟踪滤波理论，将渐消因子引入状态预测协
（14）
式中，H 为测量矩阵。
x̂ −k = f ( x̂ k − 1 )
a.E［（x k + 1-x̂ k + 1）T］=min
b.E［k k + 1 k Tk + 1］=0，k=0，1，…
式中，E［·］为求协方差符号；k k + 1 为实际输出残差序列。
条件 a 是 EKF 算法状态预测步骤中的预测误差协方差
矩阵的定义，为了保证状态变量的估计方差最小；条件 b
是强跟踪滤波的理论基础，是不同时刻的残差向量两两
M K + 1 = H k + 1 J k + 1|K P k J kT + 1|K H kT+ 1
（20）
（21）
式中，λ 0 为待定因子；tr（·）为求迹函数，V k + 1 为残差序
测量更新方程为：
−
T
−
T
−1
ìK k = P k H (HP K H + R k )
ï
−
−
íx̂ k = x̂ k + K k ( z k − Hx̂ k )
时间更新方程是利用前一刻的状态，对下一刻的状态进
结果和所设计的原始坡度值进行比较。本文不考虑行
行预测，对误差进行估计；测量更新方程是用现在的观
驶弯道的情况，整车参数如表 1 所示。

强跟踪滤波器(STF)进行信号处理及信号参数估计

%% 强跟踪滤波器function test3_STFclose all;clc;tic; %计时%模型：y=A0+A1*cos(omega*t+phy1)%离散化：y(k)=A0(k)+A1(k)*cos(omega(k)*k*Ts+phy1(k))%状态变量：x1(k)=A0(k),x2(k)=omega(k),x3(k)=A1(k)*cos(omega(k)*k*Ts+phy1(k) ),x4(k)=A1(k)*sin(omega(k)*k*Ts+phy1(k))%下一时刻状态变量为(假设状态不突变)：A0(k+1)=A0(k),A1(k+1)=A1(k),omega(k+1)=omega(k),phy1(k+1)=phy1 (k);%则对应状态为：x1(k+1)=x1(k),x2(k+1)=x2(k),x3(k+1)=x3(k)*cos(x2(k)*Ts)-x4(k)*sin(x(2)*Ts),x4(k+1)=x3(k)*sin(x2(k)*Ts)+x4(k)*cos(x(2)*Ts);%状态空间描述：X(k+1)=f(X(k))+W(k);y(k)=H*X(k)+v(k)%f(X(k))=[x1(k);x2(k);x3(k)*cos(x2(k)*Ts)-x4(k)*sin(x(2)*Ts);x3(k)*sin(x2(k)*Ts)+x4(k)*cos(x(2)*Ts)]%偏导(只求了三个)：f`(X(k))=[1,0,0;0,1,0;0,-x3(k)*Ts*sin(x2(k)*Ts)-x4(k)*Ts*cos(x2(k)*Ts),cos(x2(k)*Ts);0,x3(k)*Ts*cos(x2(k)*Ts)-x4(k)*Ts*sin(x2(k)*Ts),sin(x2(k)*Ts)]t=(0:3000)/6400;%y=2+0.5*cos(2*pi*10*t+pi/3).*(t<=0.5)+0.5*cos(2*pi*10.5*t+pi/4).*(t> 0.5);y=2+0.5*cos(2*pi*100*t+pi/3);% y=cos(2*pi*50*t).*((t<0.18)|(t>0.22))+0.5*cos(2*pi*50*t-pi/6).*((t>=0.18)&(t<=0.22));% y=0.5*cos(2*pi*50*t)+exp(-4*log(2)*(t-t(ceil(length(t)/4))).^2/0.005^2).*sin(2*pi*500*t)+exp(-4*log(2)*(t-t(ceil(length(t)/4*3))).^2/0.005^2).*sin(2*pi*500*t);% y=0.001*cos(2*pi*50*t)+exp(-4*log(2)*(t-t(ceil(length(t)/4))).^2/0.005^2)+exp(-4*log(2)*(t-t(ceil(length(t)/4*3))).^2/0.005^2);N1=ceil(length(t)/4);N2=ceil(length(t)/4*3);N2-N1% p1=1*exp(-4*log(2)*(t-0.5).^2/0.005^2);y1=y+0.05*randn(size(y));% y1=y;% y1=y1+p1;Ts=diff(t(1:2));% 状态空间描述：X(k+1)=f(X(k))+W(k);y(k)=H*X(k)+v(k);X=zeros(4,N); %状态变量赋予内存% X1=X;X(:,1)=[0,98*2*pi,0,0]; %初始化状态变量Q=1e-8*eye(4);R=0.01;P=1e5*eye(4);lambda=zeros(size(y)); %次优渐消因子beta=2; %弱化因子rho=0.95; %遗忘因子H=[1,0,1,0]; %输出向量lambda(1)=y1(1)-H*X(:,1);V=lambda*lambda'; %残差序列协方差阵for j=2:NX1=[X(1,j-1);X(2,j-1);X(3,j-1)*cos(X(2,j-1)*Ts)-X(4,j-1)*sin(X(2,j-1)*Ts);X(3,j-1)*sin(X(2,j-1)*Ts)+X(4,j-1)*cos(X(2,j-1)*Ts)];F=[1,0,0,00,1,0,00,-X(3,j-1)*Ts*sin(X(2,j-1)*Ts)-X(4,j-1)*Ts*cos(X(2,j-1)*Ts),cos(X(2,j-1)*Ts),-sin(X(2,j-1)*Ts)0,X(3,j-1)*Ts*cos(X(2,j-1)*Ts)-X(4,j-1)*Ts*sin(X(2,j-1)*Ts),sin(X(2,j-1)*Ts),cos(X(2,j-1)*Ts)];epsilon=y1(j)-(H*X1+R);V=(rho*V+epsilon*epsilon')/(1+rho);N=V-H*Q*H'-beta*R;M=H*F*P*F'*H';lambda0=trace(N)/trace(M);if lambda0>=1lambda(j)=lambda0;elselambda(j)=1;endP1=lambda(j)*F*P*F'+Q;K=P1*H'/(H*P1*H'+R);X(:,j)=X1+K*(y1(j)-H*X1);P=(eye(4)-K*H)*P1;endy2=H*X;toc; %结束计时subplot(2,3,1)plot(t,y1)hold onplot(t,y2,'r-',t,y,'--')hold offsubplot(2,3,2)plot(t,X(1,:)) %直流偏移subplot(2,3,3)plot(t,X(2,:)/2/pi) %频率% ylim([5,15])subplot(2,3,4)% plot(t,y1-mean(y1)-y2)plot(t,sqrt(X(3,:).^2+X(4,:).^2)) %幅值subplot(2,3,5)% plot(t,atan(X(4,:)./X(3,:))) %相位plot(lambda)subplot(2,3,6)plot(t,y2-0.3*cos(2*pi*50*t)) %残差hold onplot(t,exp(-4*log(2)*(t-t(ceil(length(t)/4))).^2/0.005^2).*sin(2*pi*500*t)+exp(-4*log(2)*(t-t(ceil(length(t)/4*3))).^2/0.005^2).*sin(2*pi*500*t))hold off。

跟踪滤波器

跟踪滤波器的原理：跟踪滤波就是使被跟踪滤波的信号在通过滤波器时，是增益和相移保持恒定，同时自动跟踪滤波的方法很多，有频控RC常数等
Fs被测信号
信号通道
MF10
输出信号 f0
参考信号fr
参考信号整形
信频器
跟踪滤波器的原理框图
•

MF10是一个具有独立的、极易使用的有源滤波器，它是跟踪滤波器的主要部分，它必须具备滤波器器的一切性能，且其中心截止频率（或中心频率）能随着被测信号的变化而变化，且在通带内的增益不会因此而改变。
•
通常在非电量测试中，信号不可避免的受到各种原因产生的高频低频干扰，我为了检测被测量，常常用到不同的滤波器。而在某些变化范围较大的测量中，被测的信号基频变化的范围可能达到几个数量级，普通的高低频滤波器难以胜任。
• 为了得到不同时刻不同频率的被测信号，滤波器中心频率能跟踪被测信号频率变化而变化。
• 二阶滤波网络：
• 传递函数：

强跟踪滤波原理

强跟踪滤波原理强跟踪滤波是一种常用于目标跟踪的滤波方法，其原理是利用目标的状态和观测信息来估计目标的状态，并根据估计结果进行目标跟踪。

强跟踪滤波的最大特点是能够实现对目标的精确跟踪，同时具有较高的鲁棒性和抗干扰能力。

本文将对强跟踪滤波的原理、优势和应用进行介绍。

强跟踪滤波的原理强跟踪滤波是一种基于贝叶斯滤波理论的目标跟踪方法。

其基本思想是将目标物体的状态表示为一个概率分布，然后利用观测数据对概率分布进行修正，从而不断提高目标状态的估计精度。

具体来说，强跟踪滤波的原理可以概括如下：1.状态空间模型将目标物体的状态表示为一个向量，称之为状态向量。

状态向量包含了目标的位置、速度、加速度等信息。

根据物体运动学原理，状态向量可以通过上一时刻的状态和控制量（如加速度）进行预测。

状态向量的预测可以通过状态空间模型来实现。

2.观测模型目标的状态是无法直接观测到的，所以需要引入观测模型来描述观测数据和目标状态之间的关系。

观测模型是一个条件概率分布，表示在给定目标状态的情况下，观测数据出现的概率。

3.滤波器设计滤波器是用来估计目标状态的核心算法。

强跟踪滤波采用的是基于贝叶斯滤波理论的滤波器，具体来说是一种递归贝叶斯滤波器。

递归贝叶斯滤波器可以根据当前的观测数据和上一时刻的状态估计值，计算出当前时刻的状态估计值，并不断更新状态估计值。

强跟踪滤波的优势强跟踪滤波相比其他滤波方法具有以下优势：1.精度高：强跟踪滤波可以利用观测数据不断修正目标状态的估计值，从而实现更加精确的目标跟踪。

2.鲁棒性强：强跟踪滤波可以通过引入多种不同的观测模型和滤波算法，从而增强目标跟踪的鲁棒性和抗干扰能力。

3.适应性强：强跟踪滤波可以根据目标运动状态的变化自适应地调整滤波参数，从而实现更加准确的目标跟踪。

强跟踪滤波的应用强跟踪滤波在目标跟踪领域有着广泛的应用。

以下是一些典型的应用场景：1.目标跟踪：强跟踪滤波可以用于跟踪运动目标，如车辆、行人、航空器等。

kcf跟踪原理

kcf跟踪原理
KCF跟踪原理是指KernelizedCorrelationFilters（核相关滤波器）跟踪算法的工作原理。

该算法是从传统的视觉目标跟踪算法中发展而来的，并在精度和速度上都有很大的提升。

该算法的核心思想是在当前帧中，利用上一帧目标的位置和特征信息，通过核相关滤波器来进行目标的跟踪。

具体来说，首先需要在目标周围的区域中提取出一些特征，如颜色、纹理等，然后将这些特征进行加权和，生成一个特征向量。

接着，将该特征向量与上一帧目标的特征向量进行核相关运算，得到一个响应图，响应图上的峰值点就是当前帧中目标的位置。

在进行核相关滤波器的计算时，需要采用一些特殊的核函数，如高斯核、多项式核等，以提高算法的鲁棒性和精度。

同时，该算法还采用了一些优化策略，如快速傅里叶变换（FFT）加速、子采样等，以提高算法的速度和稳定性。

总的来说，KCF跟踪算法具有精度高、速度快、鲁棒性好等优点，在实际应用中有着广泛的应用前景。

- 1 -。

8-3.2.9-强跟踪滤波基本理论

不起调节作用。此时的强跟踪滤波器就退化为通常的基于性能指标(3.2.9.21)的 EKF。
注释 3.2.9.1
此正交性原理的核心是式(3.2.9.22)
2)
{ } E γ (k + 1 + j)γ T (k + 1) = 0,k = 0,1,2,L; j = 1,2,L
(3.2.9.22)
当用其它的性能指标取代式(3.2.9.21)后，就可以得到另外一些变形的类似的正交性原
其所描述的非线性系统不能完全匹配，造成模型不确定性的主要原因有：
1) 模型简化。对于比较复杂的系统，若要精确描述其行为，通常需要较高维数的状态变量，甚至无穷维的变量。这对系统状态的重构造成了极大不便。因此，通常人们都要使用模型简化的办法，使用较少的状态变量来描述系统的主要特征，忽略掉实际系统某些较不重要的因素。也就是存在所谓的未建模动态。这些未建模动态在某些特殊条件下有可能被激发起来，造成模型与实际系统之间较大的不匹配[2-3]。
(3.2.9.2.13)—(3.2.9.2.17)式构成了一种带次优渐消因子的扩展卡尔曼滤波器，简记为： SFEKF(Suboptimal Fading Extended Kalman Filter), 参见[17,18]。我们之所以称其为次优渐消因子，是因为我们通常采用次优的算法来求取 λ(k + 1) , 以提高算法的实时性。
一个很遗憾的事实是，EKF关于模型不确定性的鲁棒性很差，造成EKF会出现状态估计不准，甚至发散等现象[2-3]。
此外，EKF 在系统达到平稳状态时，将丧失对突变状态的跟踪能力。这是 EKF
类滤波器(包括卡尔曼滤波器在内)的另一大缺陷。造成这种情况的主要原因是，当系
统达平稳状态时，EKF 的增益阵 K(k + 1) 将趋于极小值。这时，若系统状态发生突变，

目标跟踪系统中的滤波方法图文 (1)

第1章绪论
集中式结构下的融合算法较为简单，常见的有扩维融合和序贯融合两种方法。而分布式结构下，人们已经提出了多种融合算法。
凸组合航迹融合算法(Convex Combination track to track Fusion，CCF)[80]不考虑各传感器局部估计误差之间的相关性。当局部航迹都是传感器航迹并且不存在过程噪声，并且各传感器在初始时刻的估计误差也不相关时，简单凸组合算法是最优的。该算法只对各个局部传感器的估计及其协方差矩阵进行处理，需要传送到中心节点的信息量少，与其它航迹融合算法相比运算量小。
第3层——影响估计：战争各方的计划或者对其估计(或预测)的行为对态势影响的估计和预测，包括多个参战方行动计划的相互作用等。
第1章绪论
第4层——过程优化：自适应地获取和处理数据，以便支持战争目的。该处理涉及到计划和控制，不是估计。该层任务主要是根据各层结果进行判断，指定有利于我方的部署，并将任务分配给各种资源，最终达到目前态势和预测态势有利于我方的目的。
第1章绪论
信息融合领域的重要刊物包括《IEEE Transactions on Automatic Control》、《IEEE Transactions on Aerospace and Electronic Systems》、《IEEE Transactions on Signal Processing》和Elsevier出版集团的《Automatica》等。信息融合国际会议(International Conference on Information Fusion)是该领域的学术盛会。
第1章绪论
1.2.3 状态估计技术在目标跟踪过程中，传感器测量信息不仅包含所需信号，

跟踪滤波器的设计及其应用

跟踪滤波器的设计及其应用X陈照章(江苏理工大学　镇江　212013)摘要　在实际测量中,一般被测信号频率变化范围较大,采用常用的带通滤波器处理信号难以胜任。

为了有效地检测信号,应采用一种能跟踪信号频率的窄带通滤波技术,为此本文首先阐述了开关电容滤波器的基本原理,提出了使用开关电容滤波器组成跟踪滤波器的原理与实现方法。

作为应用例,具体设计了一个能压缩带宽的窄带通跟踪滤波器,实际应用于新型仪器非接触式车速仪中,有效地解决了车速变化快及变化范围大的车速信号检测问题。

关键词　开关电容　跟踪滤波器　带宽　车速仪Development of Follow-up Filter and Its ApplicationChen　Zhaozhang(J iangsu Univ.of Science and T echnology,Zhej iang　212013,China)Abstract　In practical measur em ent,the condition of a lar ge frequency change band of a tested sig nal is oftenmet.Band-pass filter used usually is no t suitable to the case.Narrow-band-pass filter technology w hich can fo llow up the signal frequency sho uld be ado pted for detecting the signal effectively.T hus the essential principle of sw itched-capacito r filter is introduced.T he principle and the realized m ethod of fo llow-up filter consisted of sw itched-capacitor filter is put forw ard in some detail.And the narro w-band-pass follo w-up filter is designed to co mpr ess band w idth,and used for a new ty pe no n-contact vehicle speedo meter practically.T he pro blem of detection of a vehicle speed sig nal w hich has a large change band and a fast chang e speed is so lved effectively. Key words　Sw itched-capacitor　Follow-up filter　Band w idth　Vehicle speedom eter1　引言通常在非电量电测中,信号不可避免的受到各种原因产生的高频低频干扰,为了检测被测量,常常用到不同的滤波器。

机动目标跟踪的新算法

文章编号:1671-637Ⅹ(2008)0920021204机动目标跟踪的新算法郭　龙,　刘洁瑜(第二炮兵工程学院,西安　710025)摘要:　机动目标通常不是做恒定的运动,其运动状态会随时间的变化而变化。

这就使描述系统运动的状态方程是非线性的,而且系统参数会不断变化。

传统的推广卡尔曼滤波适用于定系统定参数的情况,如果运用到机动目标跟踪上会导致误差增大甚至滤波发散。

基于此,将强跟踪滤波运用到机动目标跟踪上。

强跟踪滤波在卡尔曼滤波的基础上引入了多重渐消因子,使强跟踪滤波具有极强的跟踪能力和较好地鲁棒性,因此可以很好地解决变系统变参数的问题。

通过仿真,将强跟踪滤波与UT2BLUE滤波方法和EKF滤波方法进行比较,结果表明了该滤波方法的有效性和优越性。

关　键　词:　强跟踪滤波;　卡尔曼滤波;　目标跟踪;　机动目标中图分类号:　V271.4;　TN911.2 文献标识码:　AAnewalgorithmformaneuveringtargettrackingGUOLong,　LIUJie2yu(The Second Artillery EngineeringCollege,Xi’an710025,China)Abstract:　Themaneuveringtargetusuallychangesitsmotionstatedynamicallywiththetime.Thustheequations describingthemovingstatearenonlinearandtheparametersvaryconstantly.TraditionalExtendedKalmanFilter(EKF)issuitableforconstantparametersystem,itwillcausegreatererrororevenfilteringdivergenceifitisappliedinmaneuveringtargettracking.Therefore,itisproposedtouseStrongTrackingFilter(STF)inmaneuveringtargettracking.STFaddsmulti2fadingfactorsinEKF,thusithasstrongtracking capabilityandgood robustness,andcandealwithvariationparametersystemeffectively.Simulationwascarried outtocompareSTFwithUT2BLUEandEKF,theresultsindicatedthatthenewfilterismoreeffective.Keywords:　STF;　extendedKalmanfilter;　targettracking;　maneuveringtarget0　引言目标跟踪应用中,混合坐标系统下的跟踪滤波是流行的方法之一。

强跟踪修正SRCKF算法在单站无源跟踪中的应用

强跟踪修正SRCKF算法在单站无源跟踪中的应用张卓然;叶广强;赵晓林【摘要】为提升平方根容积卡尔曼滤波(SRCKF)算法在单站无源跟踪中对机动目标的跟踪性能,提出一种强跟踪修正SRCKF算法.利用标准卡尔曼滤波对状态变量及误差协方差矩阵平方根进行预测,替代原有的容积点加权和的近似计算方法.使用一次状态估计值构造新的测量方程,并结合标准卡尔曼滤波进行二次滤波估计,从而提高滤波精度.借鉴强跟踪滤波器思想,将时变渐消因子引入状态预测误差协方差阵的平方根中,实时调整增益矩阵,从而使算法具有自适应跟踪目标能力,增强其应对突变机动的鲁棒性.仿真结果表明,与SRCKF算法相比,该算法在常规机动以及突变机动下都具有更高的跟踪精度.【期刊名称】《计算机工程》【年(卷),期】2016(042)007【总页数】7页(P315-321)【关键词】单站无源跟踪;强跟踪滤波器;平方根容积卡尔曼滤波;状态估计;渐消因子【作者】张卓然;叶广强;赵晓林【作者单位】空军工程大学航空航天工程学院,西安710038;空军工程大学航空航天工程学院,西安710038;空军工程大学航空航天工程学院,西安710038【正文语种】中文【中图分类】TN971中文引用格式:张卓然，叶广强，赵晓林.强跟踪修正SRCKF算法在单站无源跟踪中的应用［J］.计算机工程，2016，42(7):315-321.英文引用格式:Zhang Zhuoran，Ye Guangqiang，Zhao Xiaolin.Application of Strong Tracking Modified SRCKF A lgorithm in Single Observer Passive Tracking［J］.Computer Engineering，2016，42(7):315-321.单站无源跟踪技术无需考虑多站跟踪中时间同步以及信息融合等复杂问题，具有机动性强、隐蔽性好的优势［1］，成为现代电子战的研究热点。

基于强跟踪滤波的传感器目标跟踪算法

基于强跟踪滤波的传感器目标跟踪算法曾明【摘要】In order to improve the tracking precision, a novel wireless sensor networks tracking algorithm based on strong tracking filtering algorithm is proposed in this paper. Firstly, the messages which are collected by wireless sensor nodes are sent to the fusion centre, and then, cholesky factorization technology is used to establish the state equation, and strong tracking filtering technique is introduced to estimate target tracking, finally the simulation experiments are carried out to test the performance. The results show that the proposed algorithm has higher estimation precision and the robustness compared with other algorithms.%为了提高运动目标的跟踪精度,提出一种基于强跟踪滤波的传感器目标跟踪算法.首先通过传感器节点测量目标的状态值,并通过融合中心对信息进行融合,然后利用Cholesky分解技术变换成噪声独立的量化融合系统,并采用强跟踪滤波算法对目标状态进行估计,最后与其它目标跟踪算法进行对比实验.结果表明,本文算法不仅提高了目标跟踪的精度,而且具有更好的鲁棒性.【期刊名称】《电子测试》【年(卷),期】2017(000)004【总页数】5页(P31-34,37)【关键词】目标跟踪;无线传感器网络;强跟踪滤波算法;信息融合【作者】曾明【作者单位】湖南现代物流职业技术学院,湖南长沙,410131【正文语种】中文目标跟踪是计算机研究领域一个重要问题，其在军事、交通、监控、工程控制等领域有巨大的应用价值，引起了人们的广泛关注[1]。