非高斯噪声下的机动目标跟踪

合集下载

闪烁噪声下的自适应无迹卡尔曼算法

闪烁噪声下的自适应无迹卡尔曼算法陈政;刘康【摘要】针对非高斯噪声环境下过程噪声统计特性未知时机动目标跟踪精度不高甚至发散的问题,提出了一种应用EM算法和无迹卡尔曼滤波(Unscented Kalman filter,UKF)相结合的方法.该方法借助EM算法估计出较准确的过程噪声参数,再使用无迹卡尔曼滤波算法获得高精度的目标运动状态.仿真实验结果表明,该方法可以有效抑制滤波发散并显著提高跟踪精度.【期刊名称】《软件》【年(卷),期】2018(039)001【总页数】5页(P70-74)【关键词】EM算法;无迹卡尔曼;跟踪精度【作者】陈政;刘康【作者单位】昆明理工大学信息工程与自动化学院,云南昆明 650500;昆明理工大学信息工程与自动化学院,云南昆明 650500【正文语种】中文【中图分类】TP8010 引言卡尔曼最初提出的滤波基本理论只适用于线性系统，并且要求量测也必须是线性的[1]。

卡尔曼算法可以看成是一种贝叶斯方法，贝叶斯方法通过对模型引入先验分布，并利用似然函数求解后验分布的方法来对模型中的不确定性进行建模[2]。

在线性估计算法的发展历程中，卡尔曼滤波扮演了重要的角色，但该算法实现的前提是系统模型已知，与实际工业中的状态估计问题不相符[3]；同时，真实环境中卫星雷达受到的非高斯闪烁噪声进一步加重了后验概率密度的非高斯特性[4]，于是，传统的卡尔曼滤波已经不再适用[5][6]。

由此带来了改变后的使用到非线性系统观测中的滤波理论，如无迹卡尔曼滤波器（UKF），可用于导航、目标状态估计、飞行器轨道确定等领域并获得了良好效果，但噪声统计特性未知时，UKF滤波精度下降[7]。

全球卫星导航系统在许多领域都发挥出了重要的作用，并且仍然在不断地改进与创新[8]。

近年来，随着我国空间技术的发展，在轨运行的卫星越来越多[9]。

卫星侦察范围广，可对目标进行长时间、大范围的连续侦察和监视，获取情报的时效性强，是现代侦察中不可或缺的重要手段[10]。

基于UKF的闪烁噪声机动目标跟踪

ＫＹＷＯＤＳＧｉｏｓ；ＵｓｅｔｄＫｍａｌｒＵＦ；ＭａｅｖｒａｇｔｒｋｇＥＲ：ｌｔｉｎｎｅｎｃｎｅａｎｆｔ（Ｋ）ｌｉｅｎｕｅｒｅｔｃｉｔａｎ
ＡＢＳＲＡＣＴ：ｒｄｔｎｌＫａｍａｉｅａｏｕｒｔｅｔａｋｎｒｃｓｏｆｍａｅｖｒｔｒｅｎｅｌｔｎｉｅｂ — ＴＴａｉｏａｌｎＦｌｒＣｎｔｇａａｅｒｃｉｇｐｅｉｉｎｏｎｕｅａｇｔｕｄｒｉｏｓｅｉｔｎｎｇｎ
仿真实验中采用 “ 协同转弯模型” 作为机动目标的运动模型，雷达的量测方程也是非线性的，分别应用ＵＦ和ＥＦ跟踪闪烁噪ＫＫ声下的机动目标。结果表明，ＫＵＦ能够较好地解决闪烁噪声下跟踪机动目标的难题，其跟踪精度要远远高于ＥＦ。Ｋ关键词：闪烁噪声；味卡尔曼滤波器；无机动目标跟踪
ｒｃｉｇｕｅｌｎｏｉｅｉｐｏｏｅｉｈｉｐｒ，ｆｔｒｅｔｍａｉｎｓｃｒｉｄｕｔａｔｒｕｃｎｅｔｎｆｒｏｔａｋｎｎｄｒｇｉｔｎｓｓｒｐｓｄｎｔｓｐａｅｉｌｅｎｇｓｉｔｏｉａｒｅｏｆｅｎｓｅｔｄｒａｓｏｆｉｍｓａｅｅａｉｎｏａｇｔｓｓｅ，ＳｈａｒｃｉｇｅｒｒｉｅｒａｅｔｔｑｕｔｏｆｔｒｅｙｔｍＯｔｔｔａｋｎｒｏｓｄｃｅｓｄ．Ｗｉｕｅｆｄｒｖｔｏｔｔｎｅｄｏｅａｉｎ，ＵＫＦｃｌａｐｒｘｉｔｈｏｉａｌｐｏｍａｅ

粒子滤波在目标跟踪算法中的应用研究

摘
要：针对非高斯、强噪声背景下的高机动目标实施跟踪时，卡尔曼滤波、扩展卡尔曼滤波
等算法将出现滤波精度下降甚至发散现象。粒子滤波方法作为一种基于贝叶斯估计的非线性滤
波算法，在处理非高斯非线性时变系统的参数估计和状态滤波问题方面有独到的优势。以目标跟踪问题为背景，将粒子滤波与卡尔曼滤波算法进行了对比研究。关键词：目标跟踪；粒子滤波；卡尔曼滤波
（ｉｅｅｓｏｃｓａｅ，ｈｎｚｏ５０２Ｃｉ￣ＡｒＤｆｎｅＦｒｅｄｍｙＺｅｇｈｕ４０５，ｈｌ）Ａｃｌｔ
Ａｓａｔｂｔｃ：Ｗｈｎｔｅｏｊｃｒｅｂｃｇｕｄｏｉｈｒｎｕｅｎ，ｕｔｍｏｅ，ｏ — ａｓｉ，ｒｅｂｅｔａｅｉｔａｋｒｎｆｇｅｅｖｒｇｍｌ— ｄｌｎｎＧｕｓｎｈｓｎｈｏｈｍａｉｉａ
踪性能优劣的关键步骤。专家提出了目标运动模型包括：多项式模型、阶时间相关模型、阶时间相一二关模型、半马尔可夫模型、ｏａ统计模型、Ｎｖｌ机动目标 “ 当前 ” 统计模型等，中多项式模型占有重要地其位，的两种特殊形式匀速（Ｖ）型和匀加速它Ｃ模（Ａ模型因其简单有效，Ｃ）有着广泛的应用。然而，
Ｋａｍａｌｅ．ｌｎｆｔｒｉ
Ｋｅｏｄ：ｏｊｃｔｃｉｇｐｒｃｌｒＫｌａｌｒｙｗｒｓｂｅｔａｋ；ａｉｅｆｔ；ａｎｆｔｒｎｔｌｉｅｍｉｅ

高斯白噪声背景下机动目标未来运动状态的一步实时预报与滤波

高斯白噪声背景下机动目标未来运动状态的一步实时预报与滤
波
赵文成;林峰;郭虹;曹阳;李香娥;张军;蔡曦
【期刊名称】《系统仿真学报》
【年(卷),期】2001()z1
【摘要】对高斯白噪声背景下机动目标的运动共性进行了研究,绕过了建立系统加速度模型的麻烦,得到了未来运动趋势的一步实时预报模型,并具有很好的实时性。

文章中还给出了算例与仿真计算结果。

【总页数】3页(P168-170)
【关键词】机动目标;高斯白噪声;多步状态预报;滤波
【作者】赵文成;林峰;郭虹;曹阳;李香娥;张军;蔡曦
【作者单位】沈阳航空工业学院自动化系
【正文语种】中文
【中图分类】O;211.64
【相关文献】
1.机动目标未来运动趋势的多步实时预报 [J], 赵文成;林峰
2.非高斯噪声下的机动目标跟踪 [J], 宋小全;孙仲康
3.基于高斯混合带势概率假设密度滤波器的未知杂波下多机动目标跟踪算法 [J], 胡子军;张林让;张鹏;王纯
4.非高斯噪声情况下多平台机动目标被动跟踪新方法 [J], 闫常浩;张坤;罗强
5.闪烁噪声环境下机动目标跟踪的改进的高斯-厄米特粒子滤波 [J], 崔彦凯;梁晓庚因版权原因，仅展示原文概要，查看原文内容请购买。

非高斯环境下基于GPF算法的目标跟踪

中图分类号：Ｎ５Ｔ９３文献标识码：Ａ
ＡｐｌｃｔｏｆＧＰＦｇｒｔｍｎＴａｇｔＴｒｃｉｇｐｉａｉｎｏＡｌｏｉｈｏｒｅａｋｎｉｎＧａｓｉｎＥｎｉｏｍｅｔｎＮｏ．ｕｓａｖｒｎｎ
（Ｋ）ｅｐｃａｙｗｅｏｔｖｌｎｎｉａｉｅｒｐｅｅｔＩｈａｒｔｌｒｈｓａｓｄｏＥＦ，ｓｅｉｌｈｎｎｎｉｉｏｌｅｒｉａｅｒｎ．ｎｔｉｐｐｅａｏｔｍｒｕｅｎｌｒａｎｔｓｓｓｅｈｇｉｅｏｊｃｔｃｉｎｎｎＧｕｓｎｉｎｅｔＴｅＭｏｔＣｒｉｕｔｎｒｕ￣ｓｏｈｔｈｂｔｒｋｇｉｏ— ａｓｉＥｖｏｍｎ．ｈｎａｏｓｌｉｓｌｈｗｔａｅｅａｎｎａｒｅｌｍａｏＦ算法的目标跟踪Ｐ
刘炜，张冰
（江苏科技大学，江苏镇江２２０）１０３
摘要：介绍了高斯粒子滤波器（Ｐ）ＧＦ的基本思想和具体算法的实现步骤，并讨论了此算法在机动目标转弯模型跟踪中的应用，闪烁噪声下比较了高斯粒子滤波器、子滤波器在粒（Ｆ和扩展卡尔曼滤波器（Ｋ）Ｐ）ＥＦ的跟踪性能差异。仿真结果表明，ＰＧＦ有效地改善了目标跟踪的效果，比Ｐ相Ｆ在精度和计算复杂度方面均有了明显改善。关键词：目标跟踪；高斯噪声；卡尔曼滤波器

杂波环境下强机动目标自适应关联波门选择

第３７卷第８期计算机应用与软件Ｖｏｌ３７Ｎｏ．８２０２０年８月ＣｏｍｐｕｔｅｒＡｐｐｌｉｃａｔｉｏｎｓａｎｄＳｏｆｔｗａｒｅＡｕｇ．２０２０杂波环境下强机动目标自适应关联波门选择赵　菡　诸葛晶晶　林家骏（华东理工大学信息科学与工程学院　上海２００２３７）收稿日期：２０１９－０６－３０。

赵菡，副教授，主研领域：机动目标跟踪，航迹融合。

诸葛晶晶，硕士。

林家骏，教授。

摘　要杂波环境下强机动目标的跟踪容易出现失跟和精度不高等问题，关联波门对量测信息进行有效处理，是提高跟踪精度的重要环节。

提出一种自适应关联波门选择算法，在分析目标跟踪不确定度的基础上估计目标的机动状态，作为关联波门的选择依据。

该算法不但考虑了波门形状与目标机动状态的匹配度，也考虑了对门限参数的动态调整。

仿真实验结果表明，该算法相比固定关联波门及传统关联波门自适应算法，对杂波环境下强机动目标跟踪具有更低的失跟率与更高的跟踪精度。

关键词机动目标跟踪　自适应关联波门　概率数据关联中图分类号　ＴＰ３９１文献标志码　ＡＤＯＩ：１０．３９６９／ｊ．ｉｓｓｎ．１０００３８６ｘ．２０２０．０８．０１７ＡＤＡＰＡＴＩＶＥＣＯＲＲＥＬＡＴＩＯＮＧＡＴＥＳＥＬＥＣＴＩＯＮＡＬＧＯＲＩＴＨＭＦＯＲＳＴＲＯＮＧＭＡＮＥＵＶＥＲＩＮＧＴＡＲＧＥＴＩＮＣＬＵＴＴＥＲＥＮＶＩＲＯＮＭＥＮＴＺｈａｏＨａｎ　ＺｈｕｇｅＪｉｎｇｊｉｎｇ　ＬｉｎＪｉａｊｕｎ（ＳｃｈｏｏｌｏｆＩｎｆｏｒｍａｔｉｏｎＳｃｉｅｎｃｅａｎｄＥｎｇｉｎｅｅｒｉｎｇ，ＥａｓｔＣｈｉｎａＵｎｉｖｅｒｓｉｔｙｏｆＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙ，Ｓｈａｎｇｈａｉ２００２３７，Ｃｈｉｎａ）ＡｂｓｔｒａｃｔＴｒａｃｋｉｎｇｌｏｓｔａｎｄｌｏｗａｃｃｕｒａｃｙｏｆｔｅｎｏｃｃｕｒｉｎｓｔｒｏｎｇｍａｎｅｕｖｅｒｉｎｇｔａｒｇｅｔｔｒａｃｋｉｎｇｉｎｃｌｕｔｔｅｒｅｎｖｉｒｏｎｍｅｎｔ．Ｉｔｉｓａｎｉｍｐｏｒｔａｎｔｌｉｎｋｔｏｉｍｐｒｏｖｅｔｈｅｔｒａｃｋｉｎｇａｃｃｕｒａｃｙｔｏｐｒｏｃｅｓｓｔｈｅｍｅａｓｕｒｅｍｅｎｔｉｎｆｏｒｍａｔｉｏｎｅｆｆｅｃｔｉｖｅｌｙｂｙｔｈｅｃｏｒｒｅｌａｔｉｏｎｗａｖｅｇａｔｅ．Ｔｈｉｓｐａｐｅｒｐｒｏｐｏｓｅｓａｎａｄａｐｔｉｖｅｃｏｒｒｅｌａｔｉｏｎｇａｔｅｓｅｌｅｃｔｉｏｎａｌｇｏｒｉｔｈｍ．Ｔｈｅｔａｒｇｅｔｍａｎｅｕｖｅｒｉｎｇｓｔａｔｅｃｏｕｌｄｂｅｐｒｅｄｉｃｔｅｄｂａｓｅｄｏｎｔｈｅａｎａｌｙｓｉｓｏｆｕｎｃｅｒｔａｉｎｔｙｏｆｔａｒｇｅｔｔｒａｃｋｉｎｇ，ｗｈｉｃｈｗａｓｔｈｅｂａｓｉｓｆｏｒｔｈｅｓｅｌｅｃｔｉｏｎｏｆｔｈｅｃｏｒｒｅｌａｔｉｏｎｗａｖｅｇａｔｅ．Ｉｔｎｏｔｏｎｌｙｃｏｎｓｉｄｅｒｅｄｔｈｅｍａｔｃｈｉｎｇｄｅｇｒｅｅｂｅｔｗｅｅｎｔｈｅｗａｖｅｇａｔｅｓｈａｐｅａｎｄｔｈｅｔａｒｇｅｔｍａｎｅｕｖｅｒｉｎｇｓｔａｔｅ，ｂｕｔａｌｓｏｔｏｏｋｔｈｅｄｙｎａｍｉｃａｄｊｕｓｔｍｅｎｔｏｆｇａｔｅｐａｒａｍｅｔｅｒｓｉｎｔｏａｃｃｏｕｎｔ．Ｔｈｅｓｉｍｕｌａｔｉｏｎｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｃｏｍｐａｒｅｄｗｉｔｈｔｈｅｆｉｘｅｄｃｏｒｒｅｌａｔｉｏｎｇａｔｅａｎｄｔｒａｄｉｔｉｏｎａｌｃｏｒｒｅｌａｔｉｏｎａｄａｐｔｉｖｅａｄｊｕｓｔｍｅｎｔａｌｇｏｒｉｔｈｍ，ｏｕｒａｌｇｏｒｉｔｈｍｈａｓａｌｏｗｅｒｔｒａｃｋｉｎｇｌｏｓｓｒａｔｅａｎｄｈｉｇｈｅｒｔｒａｃｋｉｎｇａｃｃｕｒａｃｙｆｏｒｔｈｅｓｔｒｏｎｇｍａｎｅｕｖｅｒｉｎｇｔａｒｇｅｔｔｒａｃｋｉｎｇｉｎｔｈｅｃｌｕｔｔｅｒｅｎｖｉｒｏｎｍｅｎｔ．ＫｅｙｗｏｒｄｓＭａｎｅｕｖｅｒｉｎｇｔａｒｇｅｔｔｒａｃｋｉｎｇ　Ａｄａｐｔｉｖｅｃｏｒｒｅｌａｔｉｏｎｇａｔｅ　Ｐｒｏｂａｂｉｌｉｓｔｉｃｄａｔａａｓｓｏｃｉａｔｉｏｎ０　引　言关联波门的有效设定可以减少数据关联算法的运算量、提高关联精度，是数据关联算法的必要条件［１－２］，通过设置波门中心为目标预测位置，实现对量测回波的筛选。

非线性滤波算法在雷达信号处理中的应用

非线性滤波算法在雷达信号处理中的应用雷达技术是一种基于电磁波的无线通信技术，广泛应用于民用和军用领域，例如飞机控制、车辆导航和卫星通信等多个领域。

在雷达系统中，信号处理是一个重要的环节，它可以消除噪声、增加信噪比和提高雷达系统的灵敏度。

现代雷达系统中，非线性滤波算法是一种有效的信号处理技术，得到了广泛的应用。

非线性滤波算法与线性滤波算法不同之处在于，非线性滤波算法可以处理非平稳信号、非线性信号和非高斯噪声等不符合线性统计学假设的信号模型。

以常见的经典卡尔曼滤波算法为例，其假设系统和观测噪声均为高斯分布。

此时，若系统和观测噪声不满足高斯分布假设，则卡尔曼滤波算法将无法正确估计状态量。

而非线性滤波算法克服了这一问题，可以适用于更广泛的信号模型。

在雷达信号处理中，非线性滤波算法主要应用于雷达目标探测和跟踪。

常见的非线性滤波算法包括粒子滤波、扩展卡尔曼滤波、无迹卡尔曼滤波和波束滤波等。

下面将分别介绍这些算法的原理和应用。

粒子滤波是一种随机采样技术，通过估计目标状态的概率密度函数来估计其状态。

该算法通过随机采样来生成一组粒子，每个粒子表示一种可能的目标状态，然后利用重要性采样来更新粒子权重。

最后使用加权平均方法通过所有粒子得到目标状态的估计值。

粒子滤波算法适用于非线性非高斯信号和噪声情况下的目标跟踪，并且该算法可以处理非线性非高斯状态转移模型。

扩展卡尔曼滤波是一种基于卡尔曼滤波的非线性滤波算法，它通过泰勒级数将非线性函数近似为一阶导数矩阵。

其主要思想是在非线性函数中使用线性逼近来代替非线性函数，以使得状态转移矩阵保持线性。

然而，扩展卡尔曼滤波仍具有高斯分布假设的缺陷，这使得算法在处理非高斯噪声等情况下效果较差。

无迹卡尔曼滤波是一种基于无迹变换的非线性滤波算法，其主要优点在于可以自适应地选择变换点，避免了扩展卡尔曼滤波中需要对先验和后验信噪比进行人工调整的缺点。

该算法通过变换非线性转移函数，将非线性模型转换为线性模型，并通过卡尔曼滤波来进行状态估计。

基于无味粒子滤波和交互多模型算法的多机动目标跟踪

ａｇｒｔｍａｂｉｕｌｎａｃｒｃｎｅｉｉｎｌｏｈｃｎｏｖｏｓｙｅｈｎｅｔａｋｉｇｐｒｃｓｏ．ｉ
Ｋｅｒｓ：ｍｕｔ—ａｇｔｔａｋｎｙｗｏｄｌｉｔｒｅｒｃｉｇ；ｐｒｉｌｉｅ；ＩａｔｃｅｆｌｒＭＭｌｏｔｍ；ｇｉｔｎｉｅｔａｇｒｈｉｌｏｓｎ
ｔｌＭｏｅ）ｉｅｄｌ算法的基础上将非线性非高斯系统滤波算法——粒子滤波与Ｉ算法相结合，ｐｓＭＭ采用无味粒子滤波ＵＦＰ（ｎｃｎｅａｔｌＦｌｒ代替ＩＵｓｅｔＰｒｃｅｉｅ）ｄｉｔＭＭ算法中各模型的卡尔曼滤波，出了一种ＵＦＩ提Ｐ —ＭＭ算法，并应用该算法代替传统
Ｍｕｔ－ａｇｔｔａｋｉｓｄｏｕｓｅｔｄａｔｃｅｆｌｅｎｌｉｔｒｅｒｃｎｇｂａｅｎｎｃｎｅｐｒｉｌｔｒａｄｉ
ｉｔｒｃｉｕｔｐｅｍｏｌｌｏｉｈｎｅａｔｎｇｍｌｉｌｄｅｓａｇｒｔｍ
ｇａｅｉＭＭａｏｉｍ．ＵｓｅｔｄＰＵＦｓａｐｉｏｔｋｈｌｅｏＫｌｎｆｔＭＭａｏｒｔｗｔＩｌｒｈｄｈｇｔｎｃｎｅＦ（Ｐ）ｉｐｌｄｔａｅｔｅｐａｆａｅｃｍａｌｒｉＩｌ — ｉｅｎｇ
ｒｔｍ．Ｆｒｈｒｒｉｈｕｅｍｏｅ，ＵＰＩＭｓｕｅｏｔｋｈｌｃｆＩＭｎｔａｉｉｎｌｄｔｓｏｉｔｏｌｏｉｈＩＭｔＦＭｉｓｄｔａｅｔｅｐａｅｏＭｉｒｄｔａａａａｓｃａｉｎａｇｒｔｍＭｏ

研究生数学建模竞赛机动目标的跟踪与反跟踪

参赛密码（由组委会填写）第十一届华为杯全国研究生数学建模竞赛学校参赛队号队员姓名1. 2. 3.参赛密码（由组委会填写）第十一届华为杯全国研究生数学建模竞赛题目机动目标的跟踪与反跟踪摘要：目标跟踪理论在军事、民用领域都有重要的应用价值。

本文对机动目标的跟踪与反跟踪相关问题进行了研究，取得了以下几方面的成果。

1.建立了对机动目标的跟踪模型通过对原始数据进行处理，观察到目标运动模式大致为机动与非机动的混合模式，于是决定先采用基于卡尔曼滤波的多模滤波VD算法来建立跟踪模型。

当目标处于机动状态时采用普通卡尔曼滤波进行处理，机动模式采用非线性卡尔曼滤波处理。

滤波出来的航迹图和拟合出来的航迹匹配很好。

然后利用Matlab的拟合工具cftool对目标的各个轴向的运动进行了拟合，分析出了目标的运动方式，大致估计出了目标的航迹。

对建立的航迹方程进行预测，成功的估计出了目标的着落点。

2.实现了转换坐标卡尔曼滤波器实际情况下目标的状态往往是在极坐标或者球坐标情况下描述的。

状态方程和量测方程不可能同时为线性方程，本文把极坐标系下的测量值经坐标转换到直角坐标系中，用统计方法求出转换后的测量值误差的均值和方差，然后利用标准卡尔曼滤波器进行滤波，精度较高。

3.完成了多目标的数据关联，区分出了相应的轨迹4.以最近邻法原理为基础，采用线性预估与距离比较的方法制定出了相应的区分规则，成功的将原始数据的两个目标轨迹区分出来。

5.分析各个目标的机动变化规律并成功识别了机动发生的时间利用得到的目标运动轨迹，对位置信息进行二次求导得出了目标的加速度变化曲线，分析三个平面上的加速度变化趋势得到了目标在空间的机动情况，当位置与速度变化剧烈的时候也是机动发生的时候，于是通过对加速度随时间变化的分析，合理的设定加速度变化率的门限，当加速度变化率超过门限即认为目标处于机动状态并通过程序算法对机动点进行标记，结果和对目标的经验判断相符合。

在整个过程中对各个时间点目标的加速度大小和方向进行了统计并输出到txt文档中。

移动目标跟踪的算法研究及其应用

移动目标跟踪的算法研究及其应用第一部分：前言随着技术的发展和智能化的进步，移动目标跟踪的应用越来越广泛。

移动目标跟踪的核心是找到目标并跟踪它，因而算法的优劣直接决定着跟踪结果的好坏。

在本文中，我们将探讨一些常见的移动目标跟踪算法，以及它们在实际应用中的情况。

第二部分：常见的移动目标跟踪算法1. 卡尔曼滤波器算法卡尔曼滤波器是一种线性滤波器，可以用来估计系统的状态。

在移动目标跟踪中，卡尔曼滤波器的应用主要是用来估计目标的轨迹和速度等状态参数。

卡尔曼滤波器算法具有简单、实用、鲁棒性强的特点，在很多应用中得到了广泛的应用。

2. 粒子滤波器算法粒子滤波器算法是一种非参数滤波器，与卡尔曼滤波器相比具有更好的适应性和精度。

在移动目标跟踪中，粒子滤波器算法用来估计目标的状态，可以有效地解决一些卡尔曼滤波器无法解决的问题，如非线性系统和非高斯噪声。

3. CAMShift算法CAMShift算法是一种基于颜色直方图的目标跟踪算法，它的核心思想是通过更新目标直方图的方式来实现目标跟踪。

CAMShift算法具有实时性好、可靠性高、鲁棒性强等特点，在很多应用场景中得到了广泛的应用。

第三部分：移动目标跟踪算法的应用1. 智能监控移动目标跟踪算法在智能监控领域有广泛的应用。

通过对监控视频中的移动目标进行跟踪，可以实现对物品的自动识别、实时监控、监控报警等功能，提高监控系统的安全性和智能化程度。

2. 交通管控移动目标跟踪算法在交通管控领域同样有着广泛的应用。

通过对交通视频中的车辆进行跟踪，可以实现对交通流量、拥堵等情况的实时统计，帮助交通部门进行交通治理，提高道路的通行效率和安全性。

3. 智能机器人移动目标跟踪算法在智能机器人领域也有很大的应用潜力。

通过对机器人视觉信息的处理，可以实现机器人的导航、目标抓取、环境识别等功能，为机器人的智能化发展打下基础。

第四部分：总结总的来说，移动目标跟踪算法是计算机视觉领域中的重要研究方向之一，也是实际应用中必不可少的一种算法。

闪烁噪声下轨道机动目标自适应鲁棒跟踪算法

滤波（ＲＵ）ＡＫＦ，再利用ＡＲＵＫＦ产生粒子滤波的重要性密度函数，从而得到一种自适应鲁棒无迹粒子滤波（ＲＵＰ）ＡＦ算法。将ＡＲＦ与瞬ＵＰ
态跟踪模型相结合，对空间机动目标进行自主跟踪。实验结果表明，该算法在跟踪精度和鲁棒性方面优于传统的跟踪算法。关键词：机动目标跟踪；自适应鲁棒滤波；无迹卡尔曼滤波；子滤波；闪烁噪声；瞬态模型粒
ＦｌｒｇＡＲＦａｇｒｍｉｐｏｏｅｉｐｐｒＡｄｐｉｅｂｓＵｓｅｔｄＫｌｎＦｌｒｇＡＲＵ）ｌｏｉｍｅｉｎｄｂｍｂｄｉｇｉｅｉ（ＵＰ）ｌｏｉｓｒｐｓｄｉｔｓａｅ．ａｔｕｔｎｃｎｅａｍａｉｅｉ（ｔｎｈｔｎｈｖＲｏｔｎＫＦａｇｒｈｓｔｉｄｓｅｙｅｅｄｎｇ
文献标识码：Ａ
中圈分类号ｌＴ３２Ｐ１
闪烁声下轨道机动目标自适应鲁棒跟踪算法噪
涂文斌。杨永胜，敬忠良
（上海交通大学航空航天学院，上海２０４）０２０
摘
要：针对闪烁噪声下存在未知机动的空间目标跟踪问题，将自适应鲁棒滤波技术嵌入到无迹卡尔曼滤波，设计自适应鲁棒无迹卡尔曼
第３卷第１期８８
Ｖｏ－８ｌ３
・
计
算
机
工
程
２１０２年９月
Ｓｐｅｅｅｔｍｂｒ２０１２
Ｎｏ１．８
ＣｏｐｕｅｍｔｒＥｎｇｎｅｉｉｅｒｎｇ
专栏・
文章编号：１０—３２（１）８０１４００４８０２１ —０ｌ２ —０

粒子滤波在机动目标自适应参数辨识算法中的应用

的结构可以覆盖机动目标可能的多种运动状态。
（一３＝１［（一２（一３］＝））一ｊ｝）。
１［（ｋ一２）一２。ｋ一３。ｋ一４］（）ｘ（）＋（）。６
上述参数估计模型对目标的多种运动模态的广
・
８２・
舰
船
科
学
技
术
第３４卷
方程的线性程度和状态的分布，克服了以往基于线性
高斯滤波的缺点，主要优点包括：其１）可以表示任意的概率密度函数；２）对状态空间的可能区域进行自适应的关注；３）可以处理非高斯的系统噪声；
Байду номын сангаас
ｃｎｅｇｎｅｖｌｃｔｗｈｃａｏｒｃｉａｉｎｆａｃｎｐｏｅｔｏｖｒｅｃｅｏｉｙ，ｉｈｈｓｓｍｅｐａｔｌｓｉｃｎｅｉｒｊｃ．ｃｇｉ
Ｋｅｒ：ｙｗｏｄｓｔｒｅｒｃｉｇ；ａｔｃｅｆｌｅ；ｈｒｃｅｄｎｉｃｔｏｌａｔｓａｅａｇｔｔａｋｎｐｒｉｌｔｒｃａａｔｒｉｅｔａｉｎ；ｅｓｑｕｒｉｉｆ
（ｏｔａｕｔＳｈｏ，ａａＵｉｅｓｙｏｎｉｅｒｇＷｕａ３０３Ｃｉ）ＰｓｒｄａｃｏｌＮｖｌｎｖｒｉｆｇｎｅｉ，ｈｎ４０３，ｈｎｇｅｔＥｎａ
ＡｂｓｒｃＡｉｎｔｔｒｂｌｍｆｔｅｃｒｅｔｍａｅｖｒｎａｇｔｒｃｉｇａｇｒｔｍａｎｔｔａｋｎｔａｔ：ｍｉｇａｈｅｐｏｅｏｈｕｒｎｎｕｅｉｇｔｒｅａｋｎｌｏｉｔｈｃｎｏｒｃｉｇｔｅａｔ— ｈｐｍｉｓｌｅｍｉａａｅｖｒｎｇｅｆｃｅｔｙ，ｈｒｃｅｄｅｔｆａｉｎｍｏｅｄｏｔｄｐｒｉｌｉｒｈｎｉｓｉｓｉｔｒｎｌｍｎｕｅｉｆｉｉｎｌａｃａａｔｒｉｎｉｃｔｄｌａｐｅａｔｃｅｆｈｅｅｉｏ

闪烁噪声环境下基于PF的机动多目标跟踪算法研究

ｔｏｏｃｌｕｌｔａｈｐｒｉｌｄａｉｌｅｏａｈｍｅｓｒｎａｕｅＳｓｔｃｕｉｅｆｎａｉｔｒｎｅｕｌ．ｉｎｔａｃａｅｅｃａｔｃｅｕｐｔｎｇｖａｕｆｅｃａｕｉｇｖｌＯａｏａｑｒｉｌｆｌｅｉｇｒｓｔＴｈｏｅＣａｌｉｕａｉｎｒｓｔｈｅＭｎｔｒｏｓｍｌｔｏｅｕｌｓｓｏｗｅｈａｈｅｅｔｄｍｅｈｏａｆｅｔｖｅｙｓｖｕｔ— ａｇｔｄｔｔｔｅｐｒｓｎｅｔｄｃｎｅｆｃｉｌｏｌｅｍｌｉｔｒｅ
Ａｂｔａｔｎｏｄｅｏｓｌｓｒｃ：Ｉｒｒｔｏｖｅｍｕｌｉｔｒｅｒｃｎｇｐｒｅｕｔ— ａｇｔｔａｋｉｏｂｌｍｎｄｅｏｎｉａｎｄｎ — ｕｓｉｎｅｉｏｍｅｔｒｎｌｎｅｒａｏｎＧａｓａｎｖｒｎｎ，
维普资讯
火炮发射与控制学报
第３期
ＪＯＵＲＮＡ１ＯＦＧＵＮＬＡＵＮＣＨ＆ＣＯＮＴＲＯＩ・２・９
闪烁噪声环境下基于ＰＦ的机动多目标跟踪算法研究
王敏。张冰，朱志字
Ｋｅｒｓ：ｉｆｒａｉｎｐｒｃｓｉｇｔｃｏｌｇｙ；ｍｕｌｉｔｒｔｔａｋｎｇ；ｐｒｉｌｉｔｒ（ｙｗｏｄｎｏｍｔｏｏｅｓｎｅｈｎｏｔ—ａｇｅｒｃｉａｔｃｅｆｌｅＰＦ）；ｄｔｓｏｉ－ａａａｓｃａ

一种新型杂波环境下突发机动目标跟踪算法

其（ Ⅲ ）一
Ｎ（＋１一ｏ愚＋１一Ｒ（＋１一Ｈ（十ｋ）（）愚）五
１基于强跟踪滤波器的ＡＣ模型Ａ
（ＴＦＡＣＡ）Ｓ
１ｒ（Ｑ（）Ｔ是）五）是 ’（）
（＋１是）
（＋１一日（＋１尼）五）
收稿日期：０００— ６２１—３１修回日期｛０００ —０２１ —５２
ＰＡ算法，得到了良好的效果［。但由于 “ Ｄ并５］当前 ”
＊基金项目ｌ国防预研基金资助项目（ＯＯ０ＯＯＯ）４１５１２１３作者简介；戴路（９６）男，东济南人，士，究１８一，山博研
Ｐ（＋１愚＝ａｋ１（）愚ｌ） ’ ）－是Ｑ忌）（＋）愚Ｐ（是７意＋／（）Ｉ（，
（愚）
一
）
（）４
种次优的加权因子的近似算法如下：
ｃ五（１ｃ是｛；５＋Ｉ１ｋ）志４≤ －１
ＤＡＩＬｕ，ＨＵＡＮＧｈａｇｈａＳｕｎ－ｕ（ｏｅｅｆＥｅｔｏｉＥｇｎｅｉｇ，ｖｌｉｅｓｙｏｎｉｅｒｇＷｕａ３０３ＣｉａＣｌｇｌｒｎｃｎｉｅｒｎＮａａｖｒｉＥｇｎｅｉ，ｈｎ４０３，ｈｎ）ｌｏｃＵｎｔｆｎ
一
种新型杂波环境下突发机动目标跟踪算法
戴路，黄双华

移动机器人基于改进粒子滤波的声源目标跟踪研究

决“ 粒子退化”问题，重采样的提出有效克服了
粒子退化，却引入了粒子枯竭现象。针对这一问题，本文提出了一种改进的粒子滤波算法。即粒子滤波马尔科夫链算法（ＰＦＭＣ），在重采样过程中采用马尔科夫链移动步骤，增加样本的多样性。改进算法进一步提高了跟踪精度和滤波效果。仿真实验表明，本文方法具有更好的跟踪效果更适合声源跟踪。
说话人或所处环境中其他声源的定位与跟踪。目１粒子滤波
前，目标跟踪中计算机视觉跟踪是比较成熟的跟踪方法，但这类方法有以下缺点：易受到光照条件、遮挡等因素的影响，且跟踪范围受摄像机视粒子滤波是一种序贯蒙特卡罗滤波算法
Ｄｏｉ：１０．３９６９／Ｊ．ｉｓｓｎ．１００９－０１３４．２０１３．１１（上）．０７
０引言
随着智能机器人的发展，机器听觉定位跟踪已经成为了移动机器人研究的一个重要领域。麦克风阵列的声源定位与跟踪技术广泛用于人机交互、电视电话会议和机器人导航等领域。例如，在电视电话会议系统中，说话人跟踪可为摄像机转向控制与基于麦克风阵列的语音拾取提供方向信息；在移动机器人上安装上麦克风阵列，实现对

非高斯杂波下雷达目标跟踪算法改进研究

Ｋｅｒｓｒｄｒｔｒｅｒｃｉｇ；ｎｎＧａｓｉｎｃｕｔｒｙｗｏｄ：ａａａｇｔｔａｋｎｏ — ｕｓａｌｔｅ；Ｋａｍａｉｅ；ａｐａｓａｌｉｔｉｕｉｎｒｃｌｎｆｔｒｌｈｔｂｅｄｓｒｔ；ｆａ — ｌｂｏ
ｔｏｎ．ＡｃｏｄｎＯｔａｔｔｔｏｙａｄｔｃｉｃｒｉｇｔｈｅｌｓｅｓｈｅｒｎｅｈｎｏｌｇｙｏｔｔｓｉｉｎａｏｅｓｎｇ，户ｏｒｅｒｃｉａｓｏｉｔｏｆｓａｉｔｃｓｇｌｐｒｃｓｉｄｒｆａｔｏｎｌａｓｃａ —
第４期
２１０２年８月
雷达科学与技术
ＲａｄａｒＳｃｉｅቤተ መጻሕፍቲ ባይዱｃｅａｎｄｅｃｈｎｏ１Ｔ０ｇｙ
Ｖｏ１１Ｏ４．０Ｎ．Ａｕｓｇｕｔ２０１２
非高斯杂波下雷达目标跟踪算法改进研究
石一鸣。陈凤友，来春姜
（１５９５０部队，辽宁大连１６２）１０３
摘要：针对杂波干扰环境中的非高斯特性，现海杂波噪声、烁噪声等具有显著尖峰的非高斯噪发闪
声可以采用口稳定分布来描述，ａ稳定分布可以建立更符合实际的噪声模型。根据统计信号处理最新理用
论和技术，用Ｐ阶分数相关和分数低阶协方差替代传统相关和协方差来改进Ｋｌｎ滤波器，化获得改利ａｍａ优

目标跟踪算法综述

目标跟踪算法综述目标跟踪算法综述目标跟踪是计算机视觉中一项重要的任务，它旨在识别并跟踪视频序列中的特定目标。

随着计算机视觉和图像处理技术的不断发展，目标跟踪算法也得到了巨大的改进和突破。

本文将综述当前常见的目标跟踪算法，包括传统的基于特征的目标跟踪算法和基于深度学习的目标跟踪算法。

一、传统的基于特征的目标跟踪算法传统的目标跟踪算法主要基于目标的外观特征进行跟踪，常用的特征包括颜色、纹理和形状等。

其中，最经典的算法是卡尔曼滤波器（Kalman Filter）算法和粒子滤波器（Particle Filter）算法。

卡尔曼滤波器是一种基于状态空间模型的滤波器，通过预测目标的位置和速度，并根据观测数据进行修正，从而实现目标的跟踪。

它的优势在于对于线性系统能够得到最优估计，并且具有较低的计算复杂度。

但是，卡尔曼滤波器对于非线性系统和非高斯噪声的处理能力较差，容易导致跟踪误差的累积。

粒子滤波器是一种基于蒙特卡洛采样的目标跟踪算法，通过生成一组粒子来表示目标的可能位置，并根据观测数据和权重对粒子进行更新和重采样。

粒子滤波器具有较好的鲁棒性和适应性，能够有效处理非线性系统和非高斯噪声。

但是，由于需要采样大量的粒子，并且对粒子进行权重更新和重采样操作，使得粒子滤波器的计算复杂度较高，难以实时应用于大规模目标跟踪。

二、基于深度学习的目标跟踪算法随着深度学习技术的飞速发展和广泛应用，基于深度学习的目标跟踪算法也取得了显著的进展。

深度学习算法通过在大规模标注数据上进行训练，能够学习到更具有区分性的特征表示，并且具有较好的泛化能力和鲁棒性。

目前，基于深度学习的目标跟踪算法主要分为两类：基于孪生网络的在线学习方法和基于卷积神经网络的离线训练方法。

基于孪生网络的在线学习方法通过将目标的当前帧与模板帧进行比较，计算相似度分数，并根据分数进行目标位置的预测和更新。

该方法具有较好的实时性和鲁棒性，但是需要大量的在线训练数据，对于目标的变化和遮挡情况较为敏感。

kcf目标跟踪

kcf目标跟踪目标跟踪（Target tracking）是指通过使用传感器和数据处理技术，对运动目标进行实时监测和追踪的过程。

在目标跟踪中，数学算法被用于从图像或视频序列中提取目标的位置、速度和加速度等相关信息，从而实现对目标的跟踪。

常用的目标跟踪方法之一是基于卡尔曼滤波器（Kalman filter）的目标跟踪方法。

卡尔曼滤波器是一种递归算法，能够根据目标的运动模型和传感器观测值，对目标的位置和速度等状态变量进行估计和预测。

其核心思想是通过将当前时刻的状态变量估计值与传感器观测值进行融合，推导出目标的最优状态估计值。

卡尔曼滤波器可以分为预测步骤和更新步骤两个阶段。

在预测步骤中，根据目标的运动模型对目标状态进行预测；在更新步骤中，将预测结果与传感器观测值进行融合，得到目标的最优状态估计值。

具体而言，预测步骤利用线性状态转移矩阵将前一时刻的状态估计值递推到当前时刻，同时根据运动模型估计目标的过程噪声。

更新步骤则利用观测模型和观测矩阵将预测结果与传感器观测值进行融合，得到目标的最优状态估计值。

卡尔曼滤波器在目标跟踪中具有许多优点。

首先，它能够对目标的位置和速度等状态变量进行精确估计，适用于对运动目标进行实时跟踪和预测。

其次，卡尔曼滤波器可以对传感器观测值进行有效的降噪处理，提高目标跟踪的准确性和稳定性。

此外，卡尔曼滤波器还具有良好的计算效率和较小的存储空间需求，适用于资源有限的嵌入式系统。

然而，卡尔曼滤波器也存在一些限制和挑战。

首先，卡尔曼滤波器假设目标运动模型是线性的且服从高斯分布，对非线性系统和非高斯噪声的处理效果有限。

其次，卡尔曼滤波器对初始状态估计值和模型参数的选择敏感，不当的选择可能导致跟踪结果的不准确。

此外，卡尔曼滤波器对目标遮挡和外部干扰等因素的鲁棒性较差。

为了克服卡尔曼滤波器的限制，研究人员还开发了许多其他目标跟踪方法，如粒子滤波器（Particle filter）、最大后验概率（Maximum a posteriori, MAP）估计和支持向量机（Support Vector Machine, SVM）等。

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

（一）的方差．（一）当ｄ．可，Ｅ分别为１，３，０．２时其形状如图２．可见其尾部较高斯分布长下面介绍利用动态规划的方法进行目标跟踪的原理．
Ｓ（），ｕ（），Ｗ（ｋ）］
此处， ≠Ｊ ≠ｆ，且，，ｆ ∈［１，２．３］表示距离、方
Ｋｅｙｗｏｒｄｓ：Ｔｒａｃｋｉｇ，ｎＤｙｎａｍｌｃｐｒｏｇｒａｍｍｉｎｇ，Ｋａｌｍａｎ－ｉｆｌｔｅｒ，Ｇ１ｉｎｔ－ｎｏｉｓｅ
一
、
引
言
算法进行机动目标跟踪的方法，此跟踪方案不要求任何模型线性化．从而避免了因线性化带来的状态
（２）
＾（）：（１一Ｅ）（）＋（）
（５）
其中，（一），（－），（一）分别代表闲烁噪声，高斯．
拉普拉斯分布也可以用其他的非高斯分布来替代拉普拉斯分布，如均匀分布等．高斯分布和拉普拉斯分布的定义如下：
ＰＬ（＾）Ｐ２（（）
ｚ（＋１）＝ｚ（ｋ）Ｐｌ（＾）Ｐ２（ “ （）＋＂：（））Ｐｌ－（＝１一ｅ ‘ ），Ｐ２三（Ｔ一１＋ｅ ‘ ）
＼／ ≤ ／ …
（ｋ））（ｋ））
式中ｇｌ为已知的非线性函数，ｊ、为方位、俯仰分
量上的具有已知统计特性的干扰向量和观测噪声
另外假设韧始状态向量和干扰、扰动、观测噪声等的全部采样都是相互独立的如果不存在人为干扰，则观测量仅受观测噪声
使用Ｋａｌｍａｎ滤嫂对机动目标进行跟踪的问题在很多文献中进行了讨论由于雷达或红外传感器的观测模型适合在球坐标中描述，即观测模型在球
估计误差本文则将文献［５］的估计方法应用到非高
斯观测噪声条件下利用被动传感器进行机动目标跟
位角、俯仰角状态分量，Ｓ是状态向量关于时间的导数，＾是球坐标中第ｆ个状态分量的模型，是非线性函数．此函数的具体形式可见附录１本文假设状态分量的观测模型是该分量以及影响这个观测量的干
扰和观测噪声的非线性函数，由下式给出｝
其中为阻尼系数，ｕ＝（， “ ，）表示已知的飞
行控制指令．ｗ＝（，眦，：）表示零均值白高斯
扰动噪声矢量．将式（１）离散化，得到：
（＋１）＝（Ｙ（＋１）；Ｙ（
Ｐｌｋ（ｋ）Ｐ２（ “ （
存在随机干扰情况下．观测量包括观测噪声和
任意随机干扰．此干扰可以是人为的随机干扰，也可
能是脒观测噪声以外的任何其他能影响观测值的随机现象．如果没有干扰．那么每个状态分量的观测模型应该是选个分量和观测噪声的线性函数．但当存在干扰时，则每个状态分量的观测模型就可能是干扰的非线性函数．例如ｚ（）：（膏）＋，（（））（），其中，（）是非线性函数，（膏）为干扰，（为高斯噪声如将观测方程最后一项看作观测噪声，剐Ｋａｌｍａｎ滤嫂的高斯噪声假设不成立．
规划算法进行多假设检验，从而估计目标的状态仿真试验表明本文方法能有效地处理非高斯噪
声情况下的目标跟踪问题，而基于Ｋａｌｍａｎ滤波的跟踪方法比如ＥＫＦ则效果较差
，
关键词：跟踪，垫查型，卡尔曼滤波，塑堡堕主
根据以上方程和直角坐标与球坐标间的转换关系，可以推出球坐标下的目标运动模型，
（
ｅ印（一）
ｓｌ（＋１）＝
。（），（），（）．
胁）＝ｅ砷（）
（３）
Ｅ则表示一个小于１的小正数＾（・）的方差太于
维普资讯
第
９期
宋小全等：非高斯噪声下的机动目标跟踪
４１
图１．而标准的Ｋａｌｍａｎ滤波要求观测噪声是高斯分
际中通常较难宴现为此文献８］利用自适应的方法
将代价函数展开井略去高阶项，得到了较满意的结果，但这种近似方法仍需要一些复杂的运算，尤其是它不仅需要噪声的密度函数还需要已知分布的矩生成函数，而这有时难以得到闭合解．本文利用动态规划的方法，可以方便地处理闪烁观测噪声以及干扰条件下的状态估计
维普资讯
第９期１９９８年９月
电
子
学
报
Ｖｏ］２６Ｎｏ９１９９８
ＡＣＴＡＥｔ正ｍ
ＯＮ１ＣＡｓ１Ｎ１ＣＡ
非高斯噪声下的机动目标跟踪
ＭａｎｅｕｖｅｒｉｎｇＴａｒｇｅｔＴｒａｃｋｉｎｇｗｉｔｈＮｏｎ－ＧａｕｓｓｉａｎＮｏｉｓｅ
毛，ｌ【ｔ）
布的文献［６］中将闪烁噪声看作高斯噪声和某种包
络之和，然后利用一种稳健估计器处理雷达数据
Ｍａｓｒｅｌｉｅｚ在文献［７］中提出了一种改进的滤波算法
来解决非高斯噪声的问题．他引进了非线性的代价函数来修正状态，一般能得到近似的最优估计．但此方法在计算代价函数时要完成卷积等操作，这在实
ｍｅｔｈｏｄ，
ｒｅｄｕｃｅｔｈｅｅｓｔｉｍａｔｉｎｇｐｒｏｂｌｅｍｔｏａｍｕｌｔｉｐｌｅｈｙｐｏｔｈｅｓｉｓ－ｔｅｓｔｉｎｇｐｒｏｂｌｅｍ．ａｎｄｔｈｅｎ
¨ ｓ。ｎｇＸｉａｏｑｕａｎ，Ｓｕｎ丑州ｋａｒＩｇ（ＮａｏＵｎｉｖｅｒｓｉｔｙｏｆＤｅｆｅｎｓｅＴｅｃｈｎｏｌｏｇｙ，Ｃｈａｎｇｓｈａ４１００７３）
（ｒ）＝一（）＋“ （）＋（ｒ）
（ｒ）＝一；（ｒ）＋“ （ｔ）ｗ：（ｔ）
（１）
的影响．由于目标的散射，观测噪声可能为闪烁噪声，其分布与高斯分布的主要差别在于尾部较长，而在中心区域则类似高斯形状【．闪烁噪声的密度函数可以用高斯和拉普拉斯分布之和来建摸，如：
Ａｌｂｓｔｒａｃｔ！Ｔｈｉｓｐａｐｅｒｃ￣ｎｓｉｄｅｆｓｔｈｅｐｒｏｂｌｅｍｏｆｔｒａｃｋｉｇｎ
稿
ｔｈｅｄｙ－
Ｇａｕ￣ｉａｎｎｏｉｓｅｅｎｖｉ￣ｅＪｍｅｎｔ．Ｔｈｅｍｅ￣ｕｒｅｍｅｎｔｓｐｃｅ￣ｓｌｂｌｙｉｎｃｌｕｄｅｒａｎｄｏｍｉｎｔｅｄｅｒｅｎｃｅａｎｄＧｌｉｎｔｉｌｏｉｓｅ．ＴｈｅｍｅｔｈｏｄｏｆｔａｒｇｅｔｓｔａｔｅｅｓｔｉｍａｉｔｏｎｉｎｔｈｉｓｐａｐｅｒｉｓａｄｙｎａｍｉｃｐＪｘ￣ｇｒａｍｍｉｎｇａｐｐｒｏａｃｈＵｎｌｉｋｅｔｈｅｔｒａｄｉｔｉｏｎａｌ
ｎａｍｉｃｐｒｏｇｒａｍｍｉｎｇａｌｇｏｒｉｔｈｍｔｏｓｏｌｖｅｔｈｅｐｒｏｂｌｅｍｏｆｔｒａｃｋｉｇｎｗｉｔｈｒ Ⅱ 卜（ｕｓｓｉａｎｎｏｉｓｅＴｈｅｓｉｍｕｌａｔｉｏｎｒ￣ｕｌｔｓｓｈｏｗｔｈｅｓｕｐｅｒｉｏｒｉｔｙｏｆｎｍｅｔｈｏｄ．
另一方面，在霞进接蝗垂笙中，由于目标的散射
特性，即使不存在干扰，观测噪声也可能呈现非高斯性质．称为田烁噪声，一个典型的闪烁噪声的记录如
高斯噪声的问题．文献［５］提出了一种利用动态规划
・１９９７年１月收到．１９９７年６月修改定藕
踪Hale Waihona Puke 的问题坐标中是线性的；而目标的运动模型则适合在直角
坐标中描述．因此，在同一坐标下必然有一个模型是非线性的．在利用Ｋａｌｍａｎ滤嫂器时需要进行模型转换，将非线性模型线性化通常是利用Ｔａｙｌｏｒ式展开，得到近似的线性模型，这不可避免地引入了线性化误差．在某些情况下会导致跟踪发散另一方面，Ｋａｌｍａｎ滤嫂器要求观测模型必须是可加高新噪声的线性函数此条件满足时在非线性观测模型下ＥＫＦ能给出线性最优估计．假如噪声不是加性高新的，那么扩展Ｋａｌｍａｎ滤波器就不能得到目标状态的最佳估计为此很多修正方法被提出，如伪线性方法，ＭＧＥＫＦ等，这些方法在避免线性化误差影响方面比ＥＫＦ有很大提高，但仍不能解决非可加性