微信公众号：EW Frontier
关注可了解更多的雷达、通信、人工智能相关代码。问题或建议，请公众号留言;
如果你觉得EW Frontier对你有帮助，欢迎加入我的知识星球或面包多，更多代码等你来学
知识星球：https://wx.zsxq.com/dweb2/index/group/15552518881412
面包多：https://mbd.pub/o/author-a2mYl2tsbA==/workQQ交流群：729981694
如有侵权请联系删除~
简介
本文内容为小编在网上找到的一位国外雷达博主发布的相关内容，主要包含以下内容。
示例：使用卡尔曼滤波器进行无源雷达目标跟踪
一些实验结果
以下是一些图表，显示了卡尔曼滤波器测量的目标轨迹与预测的目标轨迹集的比较。
我想出的一个有趣的调整是根据输入数据自适应估计测量噪声协方差矩阵的大小。这涉及通过新测量值与先前测量值之间距离的某种度量来缩放测量噪声协方差矩阵。这背后的直觉是，如果新的测量值与前一个测量值相距甚远，则滤波器会假设测量噪声很大，因此它会在状态估计中为其分配较少的权重。
我尝试了这个方案的三种不同变体。第一个选项通过新测量值和先前测量值之间的欧几里得距离来缩放测量噪声矩阵。第二种变体使用欧几里得距离的平方，第三种变体使用欧几里得距离的四次方。
这些方案的跟踪性能如下图所示。使用较高的 Euclidean 距离功率可以防止滤波器被杂散测量分散注意力。然而，模型也可能开始过于相信其内部模型，并推断出超出数据支持范围的目标轨迹。由于我没有对这些数据进行任何定量操作，因此模型的选择基本上是一个偏好问题。
链接
博客：https://dopplerfish.com/
代码：
https://github.com/Max-Manning/passiveRadar?tab=readme-ov-file
