XiaoMi-AI文件搜索系统
World File Search System机动目标
跟踪与 3D 中高度机动目标相关的 Frenet-Serret 框架
在雷达应用中，轨道维护是该过程的一个重要组成部分。从数学上讲，它可以归结为一个滤波问题，即必须从嘈杂的位置测量中滤除飞机的当前位置、速度以及可能的高阶导数。我们将此问题简称为“目标跟踪”。当飞机机动时，由于运动的不可预测性，该问题很难解决。在过去的四十年中，这一领域一直是广泛研究的对象，参见 [1]。跟踪的主要自由度是 1- 描述目标运动的动力学模型，以及 2- 使用的（统计）滤波器。对于动力学模型，有很多可能性，但线性模型通常用于工业应用，最著名的是 Singer 模型 [2]。对于滤波器，一种简单的稳健解决方案是 Castella 的噪声过程自适应卡尔曼滤波器 [3]。更现代的方法包括粒子滤波器 [4] 和用于跟踪的参考滤波器，即交互多模型 (IMM) 滤波器，参见 [1]。后者滤波器基于各种模型并行运行 (扩展) 卡尔曼滤波器组，并通过评估测量输出的可能性来评估每个模型的权重。这可以适应单个雷达可能面临的各种类型的目标和机动性程度。学术界现在主要转向多目标跟踪的挑战，并在视频中进行联合应用，参见 [5]。如今，雷达防空行业面临着新的挑战，目标的机动性越来越强。一些目标的速度可以达到 7 马赫，加速度为 15 g。通过运动模型注入一些结构的方法
传感器 - 语义学者
摘要：网络化多传感器用于解决机动目标跟踪问题。为避免非线性动态函数的线性化，获得更准确的机动目标估计，提出了一种用于机动目标跟踪的自适应信息加权协同滤波器。利用无迹变换计算伪测量矩阵，以利用测量的信息形式，这是协同迭代所必需的。为提高机动目标跟踪精度并在整个网络的每个传感器节点中获得统一的估计，利用自适应当前统计模型来更新估计，并在各个动态模型的相邻节点之间应用信息加权协同协议。基于多个模型的后验概率，通过对模型条件估计的加权组合来获得每个传感器的最终估计。实验结果表明，所提算法在跟踪精度和全网估计一致性方面具有优异的性能。
传感器 - 语义学者
摘要：网络化多传感器用于解决机动目标跟踪问题。为了避免非线性动态函数的线性化，并获得更准确的机动目标估计，提出了一种用于机动目标跟踪的新型自适应信息加权共识滤波器。利用无味变换计算伪测量矩阵，以利用测量的信息形式，这是共识迭代所必需的。为了提高机动目标跟踪精度并在整个网络的每个传感器节点中获得统一的估计，利用自适应当前统计模型来更新估计，并在每个动态模型的相邻节点之间应用信息加权共识协议。基于多个模型的后验概率，通过模型条件估计的加权组合获得每个传感器的最终估计。实验结果表明，所提算法在跟踪精度和全网络估计一致性方面具有优异的性能。
传感器 - 语义学者
摘要：网络化多传感器用于解决机动目标跟踪问题。为避免非线性动态函数的线性化，获得更准确的机动目标估计，提出了一种用于机动目标跟踪的自适应信息加权协同滤波器。利用无迹变换计算伪测量矩阵，利用测量的信息形式，为协同迭代提供必要的信息。为提高机动目标跟踪精度，并在整个网络的每个传感器节点中获得统一的估计，利用自适应当前统计模型来更新估计，并在各个动态模型的相邻节点之间应用信息加权协同协议。基于多个模型的后验概率，通过模型条件估计的加权组合获得每个传感器的最终估计。实验结果表明，所提算法在跟踪精度和全网估计一致性方面具有优越的性能。
传感器 - 语义学者
摘要：网络化多传感器用于解决机动目标跟踪问题。为避免非线性动态函数的线性化，获得更准确的机动目标估计，提出了一种用于机动目标跟踪的自适应信息加权协同滤波器。利用无迹变换计算伪测量矩阵，以利用测量的信息形式，这是协同迭代所必需的。为提高机动目标跟踪精度并在整个网络的每个传感器节点中获得统一的估计，利用自适应当前统计模型来更新估计，并在各个动态模型的相邻节点之间应用信息加权协同协议。基于多个模型的后验概率，通过对模型条件估计的加权组合来获得每个传感器的最终估计。实验结果表明，所提算法在跟踪精度和全网估计一致性方面具有优异的性能。
传感器 - 语义学者
摘要：网络化多传感器用于解决机动目标跟踪问题。为避免非线性动态函数的线性化，获得更准确的机动目标估计，提出了一种用于机动目标跟踪的自适应信息加权协同滤波器。利用无迹变换计算伪测量矩阵，以利用测量的信息形式，这是协同迭代所必需的。为提高机动目标跟踪精度并在整个网络的每个传感器节点中获得统一的估计，利用自适应当前统计模型来更新估计，并在各个动态模型的相邻节点之间应用信息加权协同协议。基于多个模型的后验概率，通过对模型条件估计的加权组合来获得每个传感器的最终估计。实验结果表明，所提算法在跟踪精度和全网估计一致性方面具有优异的性能。
利用人工智能技术对 3D 运动物体进行目标估计滤波
1.研究目的：为了提高复杂运动目标的跟踪和平滑能力，需要提高地面设备的指挥控制和信息相关功能的性能。特别是需要提高与指挥控制设备配合使用的雷达的性能。作为雷达目标跟踪算法，已经提出了M3（多机动模型）滤波器、IMM（交互多模型）滤波器等。该类滤波器对高机动目标有较高的跟踪性能，有望作为未来指挥控制雷达的滤波器。然而，有许多参数必须提前设置，例如运动模型的转移概率。在本研究中，我们设计了一种融入人工智能技术的过滤器，旨在提高处理三维运动物体的能力。
使用多参数进行高机动目标跟踪...
目前，已提出了许多大机动目标跟踪算法[1～14]，其中Singer模型[15～18]是常见的机动目标跟踪模型，适用于多种情况和各种类型的机动，但强机动会引起较大的跟踪误差，由于目标机动性的不确定性和模糊性较强，特定的模型参数很难适应目标的强机动变化。模糊推理方法[19，20]属于基于模糊集理论和模糊数学的模糊控制方法。自从1965年Zadeh提出模糊集的概念以来，模糊系统的研究得到了迅速发展，模糊控制技术在工业生产控制中得到了广泛的应用。为了适应复杂多变的运动模式，提高Singer模型在强机动跟踪情况下的性能，在
动态管理超机动目标的跟踪资源
新一代雷达正面临着越来越危险的目标。这些雷达需要同时执行多项任务，包括监视和跟踪。为此，它们可以配备凝视天线，这样它们就可以克服天线旋转引起的限制。因此，必须升级雷达的跟踪功能，以应对跟踪高机动目标和管理资源以平衡任务间时间的双重问题。在此背景下，本论文研究了跟踪高机动目标的新方法。提出了一种基于固有坐标进行目标跟踪的新目标模型。这种新的目标模型在目标本身的框架中表示，并使用 Frenet-Serret 框架，该框架非常适合描述涉及远大于地球重力的法向加速度的高动态机动。开发了一种使用目标模型的特殊固有公式的滤波算法。这种滤波算法在实现方面与扩展卡尔曼滤波器非常相似，并且是使用真实数据实现的。与标准目标模型和过滤算法的比较表明，在大量轨迹上，该方法比简单模型和算法有所改进。还开发了一种新的估计方法，该方法依赖于平滑方法的最小二乘公式，并考虑了轨迹中的运动跳跃。该方法还显示出改进
沙漠打击演习 - 空军大学
爱德华兹空军基地以东，向东 170 英里到达亚利桑那州金曼，从内华达州拉斯维加斯以南约 40 英里处，向南 160 英里到达加利福尼亚州布莱斯。该地区主要由莫哈维沙漠的部分地区和科罗拉多河沿岸的灌溉土地组成，是典型的沙漠地形，海拔高度差异极大，从大片的沙质沙漠地面到锯齿状崎岖的山脉。沙漠打击是美国打击司令部指导下的半控制演习，允许敌方联合特遣部队（主要由装甲和机械化部队组成，并得到全面空中支援，但包括空降部队）最大限度地“自由发挥”以开发、完善和测试作战技术和战术。仅在必要时才进行指挥控制，以确保实现机动目标。“为我们做好战斗准备的陆军和空军部队进行现代战争训练需要使用的土地面积比最大的军事保留区面积还要大很多倍，”美国陆军总司令兼演习主任保罗·亚当斯将军说。选择机动区域主要是因为沙漠地形适合大规模坦克移动，而且人口相对稀少。空军部队的分散距离与实际战斗中预计的距离相似，再加上联合部队指挥官在使用地面和空中部队时享有的行动自由，确保了美国演习中典型的现实无定式作战机动路线。重点是让空军指挥官在为其战斗机、侦察机和运兵机中队选择基地时拥有最大的灵活性。最初的规划目标是让每个参加演习的战斗机中队获得 1/2 个空军基地，这将使空军指挥官能够灵活地将中队从一个基地转移到另一个基地，或者将中队或中队的一部分分散到不同的基地。这种灵活性还允许空军指挥官使用靠近地面机动区域的近距离空军基地作为前线