本文關(guān)鍵詞：基于多模型的再入彈道目標(biāo)跟蹤算法　出處：《空軍預(yù)警學(xué)院學(xué)報》2015年06期 　論文類型：期刊論文

  更多相關(guān)文章： 再入彈道目標(biāo)跟蹤 彈道系數(shù)估計 交互多模型 不敏濾波

【摘要】：再入彈道導(dǎo)彈目標(biāo)的跟蹤和識別是反導(dǎo)防御體系中最關(guān)鍵的問題.針對傳統(tǒng)的跟蹤方法不能適用于不同類型的再入彈道目標(biāo)的跟蹤和真假彈頭的識別問題,提出一種基于多模型的再入段彈道目標(biāo)跟蹤算法.該算法采用多模型的結(jié)構(gòu),適用于跟蹤不同類型的再入彈道目標(biāo),可有效地提高跟蹤精度;同時對于彈道系數(shù)的估計具有很快的收斂速度和較好的估計精度.仿真結(jié)果表明,與傳統(tǒng)的EKF算法相比較,本文算法大幅提高了目標(biāo)跟蹤的精度,特別在彈道系數(shù)估計上精度較高,具有一定的識別真假彈頭的能力和魯棒的跟蹤性能.
[Abstract]:The tracking and recognition of reentry ballistic missile targets is the most important problem in the anti-missile defense system. The traditional tracking methods can not be applied to the different types of reentry ballistic targets tracking and the identification of real and false warheads. A multi-model based reentry trajectory target tracking algorithm is proposed. The algorithm adopts multi-model structure and is suitable for tracking different types of reentry ballistic targets, which can effectively improve the tracking accuracy. At the same time, the estimation of trajectory coefficient has a fast convergence rate and better estimation accuracy. The simulation results show that compared with the traditional EKF algorithm, the algorithm greatly improves the accuracy of target tracking. Especially in the estimation of trajectory coefficient, it has a high accuracy and has a certain ability to identify true and false warheads and robust tracking performance.
【作者單位】： 中國電子科技集團(tuán)公司第38研究所;數(shù)字陣列技術(shù)重點實驗室;智能情報處理重點實驗室;
【分類號】：TN953
【正文快照】： 3.智能情報處理重點實驗室,合肥230088)再入彈道目標(biāo)的跟蹤是一個典型的非線性濾波問題.傳統(tǒng)的非線性濾波方法有:1一階、二階擴(kuò)展卡爾曼濾波算法(EKF)[1];2采用確定采樣的非線性濾波方法,不敏濾波算法[2-4];3針對非線性非高斯環(huán)境的序貫蒙特卡羅方法(粒子濾波)[5].綜合考慮濾

【相似文獻(xiàn)】

相關(guān)期刊論文 前2條

1 安景新;徐林;劉忠;張國棟;;一種基于彈道系數(shù)的外彈道擬合方法[J];艦船電子工程;2012年01期

2 ;[J];;年期

相關(guān)會議論文 前1條

1 王寶全;李世義;谷宏強;尹洪東;;一維彈道修正引信最佳阻尼彈道系數(shù)的選取與仿真[A];'2002系統(tǒng)仿真技術(shù)及其應(yīng)用學(xué)術(shù)論文集（第四卷）[C];2002年

相關(guān)碩士學(xué)位論文 前1條

1 張泓;再入目標(biāo)彈道系數(shù)的估計、辨識、建模及其數(shù)學(xué)仿真研究[D];國防科學(xué)技術(shù)大學(xué);2006年

，

本文編號：1417500