基于交互式联邦多模型的多传感器融合算法

针对多传感器机动目标跟踪过程中的航迹滤波发散问题,提出了一种将联邦滤波器与交互式多模型滤波算法（IMM）相结合的交互式联邦多模型融合算法IFMM.在IFMM算法中各传感器均具有相同的滤波模型集合,各传感器在同一模型下所产生的滤波结果先采用联邦滤波算法进行融合,然后采用IMM算法对各模型融合结果进行综合,产生目标状态的全局估计.仿真结果表明,IFMM有效提高了机动目标运动状态估计的精确度和稳定性.     

一种基于交互式多模型算法的联邦滤波器

针对联邦滤波器对实际目标尤其是机动目标的估计精度较低的问题, 将联邦滤波器与动态多模型估计算法相结合, 提出一种基于交互式多模型算法的联邦滤波器。该算法采用交互式多模型算法来代替卡尔曼滤波算法作为子滤波器, 克服非线性条件下的滤波发散, 从而提高滤波稳定性和状态估计精度。仿真结果表明, 在目标做机动的情况下, 联邦IMM滤波器的估计误差始终保持在一定范围内, 具有良好的稳定性和容错性。     

机动目标跟踪的IMM无迹信息滤波方法

针对非线性观测条件下的机动目标跟踪误差较大的问题,提出了一种交互式多模型(IMM)和无迹信息滤波(UIF)法对目标进行跟踪。利用无迹变换(UT)和信息滤波(IF)避免了非线性估计问题下的线性化误差和对雅可比矩阵的直接求取,并通过分析模型集合下不同模型的概率变化情况,实现了对目标运动的状态估计。仿真结果表明,与IMM 扩展卡尔曼滤波(EKF)相比,该文提出的IMM UIF目标跟踪法提高了估计精度,较好地完成了对目标的跟踪。     

基于IMMCKF的机动目标跟踪算法

针对非线性机动目标跟踪中滤波器易发散、跟踪精度低等问题,将容积卡尔曼滤波器(CKF)引入到交互式多模型算法(IMM)中,设计了交互式多模型容积卡尔曼滤波算法(IMMCKF)。该算法采用Markov过程描述多个目标模型间的切换,利用CKF滤波器对每个模型进行滤波,将各滤波器状态输出的概率加权融合作为IMMCKF的输出。仿真结果表明,与IMMUKF算法相比,IMMCKF算法跟踪精度更高,模型切换速度更快,计算量更小,该算法具有重要的工程应用价值。     

多种跟踪算法对机动目标跟踪的应用研究

通过建立目标运动模型,对多种跟踪滤波器进行了分析仿真。仿真结果表明,混合状态估计交互式多模型算法（IMM）对机动目标跟踪效果比其它类型的滤波器好得多,并且确定了在航迹滤波与机动跟踪方面综合表现性能较高的IMMVCVA跟踪算法。通过外场实际数据验证,表明该算法对现实环境中的目标稳定跟踪具有重要的意义。     

一种基于H∞滤波的模糊变 结构交互多模型算法

为提高对机动目标的跟踪效果,本文提出了一种基于H_∞滤波的模糊变结构交互多模型算法.该算法采用H_∞滤波器作为模型条件滤波器,通过调节其参数来增强对外界干扰的鲁棒性,提高滤波性能和精确度.同时把交互多模型(IMM)算法的模型概率作为模糊推理系统的输入,利用模糊逻辑推理优化模型概率,实时改变模型数目和参数,减少模型之间竞争,实现变结构功能.实验仿真结果表明,本文提出的算法比标准IMM算法具有更高的跟踪精确度.     

ECEF坐标系弹道导弹跟踪研究

针对单模型跟踪算法无法实现对弹道导弹连续精确跟踪的问题,提出了一种地心地固坐标系下弹道导弹全阶段连续跟踪的交互式多模型(IMM)算法。根据导弹不同飞行阶段的受力情况建立IMM算法的两个滤波模型集:助推段采用恒轴向力模型,中段、再入段采用被动段跟踪模型,两个模型都利用滤波精度高、数值稳定性较好的求容积卡尔曼滤波算法进行滤波。针对该IMM算法在混合估计过程中引入偏差的问题,采用无偏混合的方法,以两种典型的跟踪场景进行仿真校验,实验结果验证了该文算法的优越性。     

强跟踪多模型估计器

本文提出了一种基于最小二乘估计的强跟踪滤波器(STF)单重渐消因子求解方法.从参数自适应与模型自适应有机结合的角度出发,将STF与交互式多模型算法(IMM)相结合,设计了强跟踪交互式多模型估计器(STMME).仿真表明:STMME在跟踪机动目标时,对速度,加速度的跟踪精度明显优于传统的IMM,在自适应估计领域有着较好的应用前景.     

基于交互式伯努利滤波的机动目标TBD算法

低信噪比环境下,原始数据未知门限的机动目标跟踪是一个比较棘手的问题。提出了一种交互式多模型伯努利(IMM-Bernoulli)检测前跟踪(TBD)算法,该算法结合交互式多模型算法对滤波器中每个目标状态的采样粒子进行预测,利用伯努利滤波对目标粒子进行递归,粒子更新阶段结合TBD算法进行,最终实现目标存在概率及分布密度的更新估计。算法对粒子预测时采用多个模型参与转移预测,使得预测粒子更加接近目标真实运动状态,兼备了伯努利TBD算法和交互式多模算法的特点,可用于处理低信噪比环境下机动弱目标检测跟踪问题,且对目标状态的估计更加精准。仿真实验表明,该滤波器能够实时地估计出目标位置,比传统的伯努利TBD算法具有更好的滤波性能。     

机动目标单站无源定位中的测量更新CKF-IMM算法

机动目标单站无源定位是一个典型的非线性滤波问题,将一种新型的滤波算法——容积卡尔曼滤波(CKF)应用于IMM算法之中.为进一步提高定位跟踪精度,提出了一种测量更新CKF-IMM算法.该算法利用马尔科夫过程控制子模型间的切换,并采用CKF算法对各模型进行滤波,然后将每个滤波器的输出状态进行概率加权求和,最后对融合状态再进行一次非线性测量更新.结合空频域单站无源定位模型进行仿真实验表明,与传统的EKF-IMM和UKF-IMM算法相比,CKF-IMM算法的估计误差更小、定位精度更高;而测量更新CKF-IMM算法较CKF-IMM算法可进一步提高定位跟踪精度.     

一种管理磁盘存储空间的新方法

本文提出并探讨了一种管理磁盘存储空间的新方法－区间管理法（ＩＭＭ）。这种方法把磁盘存储空间视为若干连续块区间的集合，将物理上连续的空间分配给每个写请求，这为高速存取提供了支持。文中给出了ＩＭＭ的分配和回收算法流程，并作了可行性模拟。模拟结果表明，ＩＭＭ是一种有效的盘空间管理方法。     

带丢包Markov切换线性系统的状态估计问题研究

针对一类带丢包的Markov切换系统,提出一种含有双Markov切换参数的交互式多模型算法.该算法利用一个二态的Markov链对系统是否丢包进行建模,得到双Markov链系统,通过定义乘积集将两个Markov切换参数所对应的模型集进行融合,并给出单个模型集中各模型与乘积集中各模型的对应关系.在此基础上,以交互式多模型算法为框架,采用分层的方法,并利用一种新的最优估计算法对双Markov链系统进行滤波.仿真实验证明了该算法的有效性.     

Hybrid IMM/SVM approach for wavelet-domain probabilistic model based texture classification

The Fisher kernel method was recently proposed to incorporate probabilistic (generative) models and discriminative methods for pattern recognition. This method uses parameter derivatives of log-likelihood calculated from probabilistic model(s), Fisher scores, to generate statistical feature vectors. It is followed by discriminative classifiers such as the support vector machine (SVM) for classification. In this work, the authors study the potential of the Fisher kernel method on texture classification. A hybrid system of independent mixture model (IMM) and SVM is introduced to extract and classify statistical texture features in the wavelet-domain. Compared to existing methods that apply Bayesian classification based on wavelet domain energy signatures and stand alone IMM, the new hybrid IMM/SVM method is able to achieve superior performance. Experimental results are presented to demonstrate the effectiveness of this proposed method.     

基于小波网络和遗传算法的LTV系统建模新方法

本文基于小波网络和遗传算法，提出一种用于LTV系统建模的二次回归方法。首先，利用小波网络构造参数子模型，并采用LS方法直接估计第二代参数；然后利用遗传算法和AIC确定参数子模型的结构，以获得最终用于表示LTV系统的二次回归方程。最后，给出仿真结果，验证了该方法的可行性和有效性。     

基于IMM-UKF的机动目标跟踪方法

针对目标运动模式的不确定性和运动模型的非线性问题,提出基于无味卡尔曼滤波器的交互式多模型方法。该算法采用匀速运动模型、匀加速运动模型、已知转弯角速度的匀速率转弯模型和“当前”统计模型作为模型集,用无味卡尔曼滤波实现非线性状态估计。仿真结果表明,该算法比传统的交互式多模型算法具有更高的跟踪性能。     

An improvement to the interacting multiple model (IMM) algorithm

Computing the optimal conditional mean state estimate for a jump Markov linear system requires exponential complexity, and hence, practical filtering algorithms are necessarily suboptimal. In the target tracking literature, suboptimal multiple-model filtering algorithms, such as the interacting multiple model (IMM) method and generalized pseudo-Bayesian (GPB) schemes, are widely used for state estimation of such systems. We derive a reweighted interacting multiple model algorithm. Although the IMM algorithm is an approximation of the conditional mean state estimator, our algorithm is a recursive implementation of a maximum a posteriori (MAP) state sequence estimator. This MAP estimator is an instance of a previous version of the EM algorithm known as the alternating expectation conditional maximization (AECM) algorithm. Computer simulations indicate that the proposed reweighted IMM algorithm is a competitive alternative to the popular IMM algorithm and GPB methods     

Adaptive Echo Cancellation Based on a Multipath Model of Acoustic Channel

Usually Acoustic Echo Cancellers (AECs) are realized by adaptive Finite duration Impulse Response (FIR) filter having large number of coefficients and Least Mean Square (LMS) as an adaptive algorithm resulting in slow convergence speed and poor tracking performance of these adaptive filters. In this paper, we have proposed a Multiple Sub-filter (MSF) parallel structure based on multipath acoustic echo model using the basis that each sub-filter will compensate the echo contributed by each path of multipath acoustic channel. To realize the MSF, modified Generalized Autocorrelation-based Estimator (MAE) has been used to estimate time delay associated with each path while the order of each sub-filter has been estimated using Power Spectral Density (PSD) method. Accuracy Percentage (AP) performance measure has been used to characterize the performance of the estimator. Simulation results show that the performance of the MAE improves with the increase in SNR and/or decrease in number of multipath. Using these estimates MSF based AEC is constructed. The convergence performance of MSF-based AEC has been studied, via computer simulation, and compared with the conventional Single Long length adaptive Filter (SLF)-based canceller for different SNRs and number of multipath. The results of MSF have been found to be very encouraging in almost all of the various situations considered. Subsequently, the tracking behavior has also been studied with variation in the channel parameters of the multipath model. The proposed MSF can track variations in the channel parameters of the multipath model faster as compared to the conventional echo canceller.     

基于粒子滤波的交互式多模型说话人跟踪方法

 本文提出一种基于采样交互的多模型粒子滤波方法,实现了对随意运动说话人的有效跟踪。该方法根据说话人跟踪问题的特点,用马尔可夫跳变系统描述说话人的动态特性,用粒子滤波方法估计说话人的位置。在说话人跟踪过程中,通过调整滤波粒子的采样区域,完成交互式多模型方法中的输入交互,这不仅实现了各子滤波器中粒子数目的任意设定,避免了模型转换过程中的性能退化现象,而且取消了对模型后验概率密度函数的高斯分布假定,增强了说话人跟踪系统的鲁棒性。计算机仿真实验结果验证了本文方法的有效性。     

基于无源时差定位系统的机动目标跟踪算法

研究了三维情况下IMM算法在无源时差定位系统中的应用。由于CV和Singer模型及CT模型状态变量维数不一致,导致IMM算法中数据无法有效地交互与融合。文中对CV和CT模型进行扩维改进,找到适合对三维机动目标进行跟踪的CV—Singer模型．通过与CV—nCT模型的跟踪效果仿真比较验证了其优越性。