改进的‘当前’统计模型：精确机动目标跟踪算法

"本文主要探讨了‘当前’统计模型在机动目标跟踪中的应用，并针对其存在的问题提出了改进算法。‘当前’统计模型，由周宏仁提出的经典机动目标运动模型，以其在处理强机动目标跟踪时的有效性而闻名。然而，当面对加速度较小的非机动或弱机动目标时，由于模型假设的最大加速度固定，这导致跟踪精度有所下降。模型的核心是使用修正瑞利分布来描述机动加速度的概率密度，其预测值作为当前加速度，从而实现机动加速度均值和方差的自适应调整。 作者针对模型的局限性，设计了一种新的跟踪算法。该算法的主要创新在于根据当前加速度的实际值动态调整前最大加速度，同时采用状态噪声方差补偿方法，使得系统能够根据目标的机动特性自动调整自身参数。这种自适应策略允许算法更好地适应不同类型的机动性，提升了对非机动和弱机动目标的跟踪精度。 文章的改进算法通过对机动加速度预测值的灵活处理，实现了对机动目标的更为精确跟踪。在二维方向的离散时间框架下，新的观测方程进一步优化了系统的动态更新过程。通过这种方式，‘当前’统计模型得以克服原有的不足，拓宽了其在火控系统、海上监测和空中交通管制等领域的应用范围，提高了整体的跟踪性能和可靠性。 本文的关键词包括信息融合、机动目标跟踪、“当前”统计模型以及状态噪声方差自适应调整。整个研究不仅深入剖析了现有模型的局限，还提供了实用的改进策略，对于深入理解机动目标跟踪技术以及提高实际系统性能具有重要意义。"