本文選題：認(rèn)知雷達(dá) + 目標(biāo)跟蹤��； 參考：《計(jì)算機(jī)仿真》2014年12期

【摘要】：在認(rèn)知雷達(dá)目標(biāo)跟蹤過(guò)程中,由于存在初始跟蹤誤差及系統(tǒng)量測(cè)方程的非線性等原因,導(dǎo)致卡爾曼濾波算法性能較差。為解決上述問(wèn)題,將Gauss-Newton迭代方法與容積卡爾曼濾波算法相結(jié)合,建立迭代容積卡爾曼濾波算法。算法在迭代過(guò)程中利用最新的量測(cè)信息并更新迭代過(guò)程中產(chǎn)生的新息方差,降低了目標(biāo)初始狀態(tài)的估計(jì)誤差,并且減小了線性化量測(cè)方程引入的傳遞誤差。仿真結(jié)果表明,迭代容積卡爾曼濾波算法與傳統(tǒng)的擴(kuò)展卡爾曼濾波算法、無(wú)跡卡爾曼濾波算法、容積卡爾曼濾波算法相比,在認(rèn)知雷達(dá)中的跟蹤精度更高,穩(wěn)定性更好,對(duì)初始誤差的容錯(cuò)性更強(qiáng)。結(jié)果可為雷達(dá)目標(biāo)跟蹤優(yōu)化提供科學(xué)依據(jù)。
[Abstract]:In the process of cognitive radar target tracking, the performance of Kalman filtering algorithm is poor because of the initial tracking error and the nonlinearity of measurement equation.In order to solve the above problems, the Gauss-Newton iterative method and the volumetric Kalman filter algorithm are combined to establish the iterative volumetric Kalman filter algorithm.By using the latest measurement information and updating the innovation variance in the iterative process, the algorithm reduces the estimation error of the initial state of the target and the transfer error introduced by the linearized measurement equation.The simulation results show that the iterative volumetric Kalman filtering algorithm is more accurate and stable in cognitive radar than the traditional extended Kalman filtering algorithm, the unscented Kalman filter algorithm and the volumetric Kalman filter algorithm.Fault tolerance for initial errors is stronger.The results can provide scientific basis for radar target tracking optimization.
【作者單位】： 太原理工大學(xué)新型傳感器與智能控制教育部重點(diǎn)實(shí)驗(yàn)室;太原理工大學(xué)物理與光電工程學(xué)院;深圳大學(xué)光電子器件與系統(tǒng)(教育部/廣東省)重點(diǎn)實(shí)驗(yàn)室;
【基金】：國(guó)家青年基金資助課題(61108027) 山西省自然科學(xué)基金資助課題(2013011019-6) 山西省教育廳科技創(chuàng)新項(xiàng)目(2014112) 山西省科學(xué)技術(shù)發(fā)展計(jì)劃(工業(yè))項(xiàng)目(20140321003-02) 深圳大學(xué)光電子器件與系統(tǒng)(教育部/廣東省)重點(diǎn)實(shí)驗(yàn)室開(kāi)放基金資助課題(GD201305)
【分類號(hào)】：TN953

【參考文獻(xiàn)】

相關(guān)期刊論文 前8條

1 黎湘;范梅梅;;認(rèn)知雷達(dá)及其關(guān)鍵技術(shù)研究進(jìn)展[J];電子學(xué)報(bào);2012年09期

2 王敏;李言俊;張科;;基于多普勒信息的UKF目標(biāo)跟蹤算法[J];計(jì)算機(jī)仿真;2010年10期

3 李s，

本文編號(hào)：1753782