基于粒子滤波的交互式多模型多机动目标跟踪

针对交互式多模型联合概率数据关联滤波算法(IMM-JPDAF)在非线性情况下跟踪精度低,并不适用于非高斯问题的情况,提出了一种基于粒子滤波的交互式多模型多机动目标跟踪算法;将交互式多模型联合概率数据关联(IMM-JPDA)与粒子滤波相结合,在交互式多模型联合概率数据关联的框架下,各模型采用粒子滤波算法处理非线性非高斯问题,避免了噪声的高斯假设和非线性部分的线性化误差。仿真结果表明,IMM-JPDA-PF算法的跟踪性能明显优于IMM-JPDAF算法,能够对杂波环境中的多机动目标进行有效跟踪。     

雷达多目标跟踪的关联粒子滤波研究

在整个导弹防御系统中,多目标跟踪是很重要的一项技术,要求系统快速机动地跟踪导弹目标,但系统存在非线性问题,使用传统方法使跟踪偏差大。为解决上述问题,提出在非高斯条件下,把高斯-厄米特粒子滤波算法和联合概率数据关联方法相结合,对多目标跟踪的数据进行关联处理并进行状态估计。利用高斯-厄米特滤波计算的均值、协方差产生密度函数,并生成具有后验特征的粒子。用联合概率数据关联方法进行杂波剔除和数据关联,并对综合的关联粒子滤波算法进行仿真。仿真结果表明,改进方法可以有效解决多目标的准确跟踪问题。     

基于IMM-PF的分布式估计融合算法

针对基于扩展卡尔曼滤波的估计融合算法存在线性化误差,且受高斯噪声假设限制的问题,提出一种基于交互式多模型粒子滤波(IMM-PF)的分布式多传感器估计融合算法.各传感器节点采用IMM-PF算法,以便在非线性、非高斯条件下稳健地跟踪机动目标;融合中心则采用基于粒子滤波(PF)的分布式融合方法进行全局估计融合.该算法适用于非线性、非高斯条件下的多传感器状态估计.仿真结果表明,该算法能够提高多传感器系统状态估计的精度.     

基于粒子滤波的机动目标跟踪算法仿真研究

针对非线性多目标模型,应用粒子滤波算法,这种方法不受模型线性和Gauss假设的约束,是一种处理非线性非高斯动态系统状态递推估计的有效算法。在粒子滤波的基础上融合扩展卡尔曼滤波算法和无迹卡尔曼滤波算法。融合后的新算法在计算提议概率密度分布时,粒子的产生充分考虑当前时刻的量测,使得粒子的分布更加接近状态的后验概率分布,再用平滑算法处理滤波的结果。仿真结果表明,算法有较好的跟踪效果。     

基于ET-GM-PHD的机动多扩展目标跟踪算法

针对原始扩展目标高斯混合概率假设密度（Extended Target Gaussian Mixture Probability Hypothesis Density,ET-GM-PHD）滤波算法不能解决机动目标跟踪问题,在高斯混合概率假设密度（Gaussian Mixture Probability Hypothesis Density,GM-PHD）滤波框架下,引入修正的输入估计算法（Modified Input Estimation,MIE）,可以有效地处理多扩展目标的机动问题。此外,提出的算法虽然可以实现对未知数目的多机动扩展目标进行跟踪,但无法获得各个目标的航迹。针对此问题,进一步引入高斯分量标记方法,有效地将多机动扩展目标的航迹进行准确关联,获取各个目标的航迹。实验结果表明,提出的算法在弱机动扩展目标跟踪中具有较好的跟踪性能,同时能够有效地估计多扩展目标的航迹。     

基于IMM-PF的分布式估计融合算法

针对基于扩展卡尔曼滤波的估计融合算法存在线性化误差,且受高斯噪声假设限制的问题,提出一种基于交互式多模型粒子滤波(IMM-PF)的分布式多传感器估计融合算法.各传感器节点采用IMM-PF算法,以便在非线性,非高斯条件下稳健地跟踪机动目标;融合中心则采用基于粒子滤波(PF)的分布式融合方法进行全局估计融合.该算法适用于非线性,非高斯条件下的多传感器状态估计.仿真结果表明,该算法能够提高多传感器系统状态估计的精度.

     

基于GGIW-CPHD的衍生扩展目标跟踪算法

针对杂波环境下伽玛高斯逆威舍特混合势概率假设密度（GGIW-CPHD）滤波器难以有效提取衍生扩展目标的问题，提出采用多假设对衍生目标建模跟踪的方法。算法利用随机矩阵模型对扩展目标的形状和尺寸进行建模，并根据多假设模型对衍生事件进行预测，最后通过GGIW混合实现扩展目标运动状态、扩展状态和量测率的联合估计。实验结果表明，与标准GGIW-CPHD滤波算法相比，在含有衍生事件的情景下所提方法实现更好的目标势估计性能且具有较强的适用性。     

稀疏高斯厄米特PHD机动多目标跟踪算法

针对基于概率假设密度（probability hypothesis density，PHD）的非线性机动多目标跟踪精度低、滤波发散、目标数目估计不准确等问题，提出一种基于交互式多模型的稀疏高斯厄米特PHD算法.该算法在PHD滤波器下，采用稀疏高斯厄米特方法对目标进行状态预测和量测更新，构造一种稀疏高斯厄米特PHD滤波器；然后将交互式多模型算法融入稀疏高斯厄米特PHD滤波框架中，解决了目标机动过程中运动模式不确定的问题.仿真结果表明该算法能对机动多目标进行有效的跟踪，相比交互式多模型不敏卡尔曼PHD等滤波方法具有更高的状态估计精度，且目标数目估计更准确.     

高斯混合交互式多模型容积信息滤波算法

针对机动目标跟踪中由于目标机动使系统的非线性强度增大,导致系统的线性误差增大和跟踪精度明显下降、甚至发散的问题,提出了基于高斯混合的交互式多模型容积信息滤波（ GMIMM-CIF）算法,实现对机动目标的精确跟踪。新算法在每次输入交互之后,保留概率较大的几个假设,并利用一个高斯混合项替换最优多模型算法中剩余的假设,从而使算法中假设的数量保持恒定;用容积信息滤波器（ CIF）代替传统的非线性滤波器,通过估计信息状态向量和信息矩阵而不是估计状态向量和协方差,可以减小系统的非线性误差。通过仿真对比实验,验证了该算法可以提高机动目标的跟踪精度。     

基于协同关联粒子滤波算法的交互多视频目标跟踪

首先介绍了带马尔科夫跳变非线性系统(JMNSs)的状态估计问题,然后总结了JMNSs最优状态估计的难点和具有交互作用的多目标跟踪问题.在总结分析各类不同算法的基础上,提出了一种协同关联粒子滤波算法来解决目标数目在变化的交互多目标跟踪问题,改进后的算法不需要观测与目标状态关联和目标数量已知的假设.最后,通过仿真实验验证了改进后的算法在跟踪效果上优于现有算法,并能成功估计目标的数量.     

基于高斯过程的多机动扩展目标跟踪

针对杂波环境下多机动扩展目标跟踪问题, 提出一种基于高斯过程的变结构多模型联合概率数据关联方法.首先, 采用期望模型扩展方法构建自适应模型集, 并对各个扩展目标状态进行初始化.其次, 基于高斯过程建立联合跟踪门以选择有效量测, 形成联合关联矩阵.然后, 拆分联合关联矩阵得到可行关联矩阵并求解关联事件概率.最后, 利用联合概率数据关联滤波器更新各个扩展目标的状态和协方差, 并将更新的状态进行融合, 得到最终的状态估计.仿真验证了所提方法的有效性.     

基于交互式多模型的不敏卡尔曼概率假设密度滤波算法

针对非线性高斯场景下目标数目未知或随时间变化的机动多目标跟踪问题, 提出一种基于交互式多模型的不敏卡尔曼概率假设密度滤波算法.首先, 在高斯混 合概率假设密度滤波框架下, 结合不敏卡尔曼滤波中状态预测和量测更新的实现机理, 构建一种不敏卡尔曼概率假设密度滤波器; 然后, 通过引入交 互式多模型方法中状态模型软判决机制, 实现对目标机动过程中运动模式不确定的处理; 最后, 通过理论分析和仿真结果验证了所提出算法的可行性和有效性.     

基于ET-PHD的自适应联合跟踪与分类算法

针对新生目标强度先验未知的扩展目标（Extended target,ET）联合跟踪与分类（Joint tracking and classification,JTC）问题,提出一种基于扩展目标概率假设密度（Extended target-probability hypothesis density,ET-PHD）滤波器的自适应联合跟踪与分类算法,并给出其高斯混合实现方法.算法利用量测信息生成新生目标强度,在滤波预测阶段对存活目标和新生目标分别按照其类别进行传播,再引入属性量测信息,用位置和属性的联合量测似然函数代替单目标位置似然函数,对预测后所有目标强度进行联合更新,之后按照类别进行高斯项的删减与合并,提取相应类别目标的状态集.仿真结果表明,提出的自适应算法改进了概率假设密度滤波器在扩展目标跟踪中的性能.     

基于拟蒙特卡罗方法的概率假设密度多目标跟踪

为了改善多目标跟踪问题中概率假设密度（PHD）滤波的估计精度,提出基于拟蒙特卡罗的PHD滤波算法.该算法利用低偏差点集在状态空间中分布均匀的特性,使得采样粒子集最大程度地相互远离,充分地描述多目标状态的后验概率密度,从而准确地利用带有相应权值的粒子集来计算多目标数目和各个目标状态的估计值.仿真实验表明了算法的有效性,且估计性能优于粒子PHD滤波算法.     

基于均方根容积卡尔曼的δ-GLMB多目标跟踪算法

在非线性高杂波密度场景下,高斯混合(Gaussian Mixture,GM)实现的δ-广义标签多伯努利滤波器(δ-Generalized Labeled Multi-Bernoulli Filter,δ-GLMB)难以准确地估计目标数目及运动状态。针对这一问题,提出基于均方根容积卡尔曼滤波(Square-rooted Cubature Kalman Filter,SCKF)的δ-GLMB高斯混合实现算法。基于三阶球面-径向容积准则选取一组等权的容积点集,对GM-δ-GLMB滤波器的伯努利分量传递过程中的高斯参量进行预测及更新,实现非线性模型系统下的目标跟踪。仿真结果表明,与现有的δ-GLMB滤波器的扩展卡尔曼滤波(Extended Kalman Filter,EKF)高斯混合实现及无迹卡尔曼滤波(Unscented Kalman Filter,UKF)高斯混合实现相比,该算法可提高非线性高杂波密度环境下的目标跟踪精度。     

基于ET-PHD滤波器和变分贝叶斯近似的扩展目标跟踪算法

针对未知测量噪声协方差情况下的多扩展目标跟踪问题，利用扩展目标概率假设密度（ET-PHD）滤波器和变分贝叶斯（VB）近似理论，提出了一种标准ET-PHD滤波器的扩展方法及其解析的实现方法。首先，根据标准ET-PHD滤波器的目标状态方程和测量方程，定义了目标状态和测量噪声协方差的增广状态变量及二者的联合转移函数；然后，根据标准ET-PHD滤波器，构建了扩展的ET-PHD滤波器的预测和更新公式；最后，在线性高斯假设的条件下，利用高斯和逆伽马（IG）混合分布表示目标的联合后验强度函数，从而给出了扩展ET-PHD滤波器的解析实现。仿真结果表明：所提算法能提供可靠的跟踪结果，可有效地处理未知测量噪声协方差环境中的多扩展目标跟踪问题。     

State estimation of nonlinear dynamic systems using weighted variance-based adaptive particle swarm optimization

New heuristic filters are proposed for state estimation of nonlinear dynamic systems based on particle swarm optimization (PSO) and differential evolution (DE). The methodology converts state estimation problem into dynamic optimization to find the best estimate recursively. In the proposed strategy the particle number is adaptively set based on the weighted variance of the particles. To have a filter with minimal parameter settings, PSO with exponential distribution (PSO-E) is selected in conjunction with jDE to self-adapt the other control parameters. The performance of the proposed adaptive evolutionary algorithms i.e. adaptive PSO-E, adaptive DE and adaptive jDE is studied through a comparative study on a suite of well-known uni- and multi-modal benchmark functions. The results indicate an improved performance of the adaptive algorithms relative to original simple versions. Further, the performance of the proposed heuristic filters generally called adaptive particle swarm filters (APSF) or adaptive differential evolution filters (ADEF) are evaluated using different linear (nonlinear)/Gaussian (non-Gaussian) test systems. Comparison of the results to those of the extended Kalman filter, unscented Kalman filter, and particle filter indicate that the adopted strategy fulfills the essential requirements of accuracy for nonlinear state estimation.     

基于ET-PHD滤波器和变分贝叶斯近似的扩展目标跟踪算法

针对未知测量噪声协方差情况下的多扩展目标跟踪问题,利用扩展目标概率假设密度（ET-PHD）滤波器和变分贝叶斯（VB）近似理论,提出了一种标准ET-PHD滤波器的扩展方法及其解析的实现方法。首先,根据标准ET-PHD滤波器的目标状态方程和测量方程,定义了目标状态和测量噪声协方差的增广状态变量及二者的联合转移函数;然后,根据标准ET-PHD滤波器,构建了扩展的ET-PHD滤波器的预测和更新公式;最后,在线性高斯假设的条件下,利用高斯和逆伽马（IG）混合分布表示目标的联合后验强度函数,从而给出了扩展ET-PHD滤波器的解析实现。仿真结果表明：所提算法能提供可靠的跟踪结果,可有效地处理未知测量噪声协方差环境中的多扩展目标跟踪问题。     

高斯粒子群优化粒子滤波检测前跟踪算法

针对低信噪比时标准粒子滤波对弱小目标的检测与跟踪时存在的粒子贫乏、跟踪精度对粒子数目要求高等问题,提出一种基于高斯粒子群优化粒子滤波的弱小目标检测前跟踪算法。利用高斯粒子群优化算法优化重采样后的粒子集,使粒子集朝着后验概率密度分布取值较大的区域运动,增加粒子的多样性,克服了粒子贫乏问题,并在保证跟踪精度的前提下降低了跟踪所需要的粒子数目,提高了标准粒子滤波算法的检测和跟踪性能。同时,建立了检测前跟踪系统的观测模型和系统模型,对基于标准粒子滤波检测前跟踪算法和优化算法进行仿真,仿真实验结果表明高斯粒子群优化粒子滤波的检测前跟踪算法相比基于标准粒子滤波的检测前跟踪算法具有更好的检测与跟踪性能。     

高斯渐进贝叶斯滤波器

渐进贝叶斯方法将先验分布到后验分布的演化描述为一阶动态系统,通过在伪时间上连续地引入观测信息实现后验状态估计.该方法的一般形式解,即动态系统的时间导数,是难以得到的.本文提出一种高斯型渐进贝叶斯滤波器.首先在线性高斯条件下推导了时间导数的解析解;然后证明了在该条件下,由该解析解确定的一阶动态系统与常量状态估计的Kalman-Bucy滤波器是一致的,且由此导出的高斯渐进贝叶斯滤波器与卡尔曼滤波器是一致的.最后利用一阶Taylor展开推导了滤波器在非线性高斯条件下的近似解表达式,并采用Monte Carlo方法给出了具体实现方法.通过若干仿真算例表明,新滤波器具有较高的精度,且在一定精度条件下的时间复杂度低于一般粒子滤波器.