一种基于预测值量测转换的卡尔曼滤波跟踪算法

在雷达目标跟踪中,系统量测信息通常在球坐标系下获得。为了采用经典卡尔曼滤波算法实现有效目标跟踪,通常采用量测转换方法将非线性量测信息转换到直角坐标系中。针对传统量测转换方法基于量测值计算转换误差统计特性而导致的估计结果有偏问题,提出了一种基于预测值的量测转换方法,并将其与卡尔曼滤波算法相结合,获得了一种基于预测值量测转换的卡尔曼滤波跟踪算法。仿真结果表明,与现有的基于量测转换的卡尔曼滤波算法相比,该算法能在不提高运算量的情况下有效改善目标跟踪效果,跟踪精度提升约20%。     

可处理多普勒量测的最佳线性无偏估计算法

基于目标位置量测的一些量测转换方法已被广泛使用在目标跟踪应用中,使得卡尔曼滤波器得以在直角坐标系中应用。但是,这些量测转换方法有一些会导致估计性能恶化的根本缺陷。事实上,除了位置量测外,理论计算和实践已经证明,包含目标速度信息的多普勒量测具有有效提高目标状态估计精度的潜力。该文在直角坐标系下提出一种可使用转换多普勒量测(即距离量测与多普勒量测的乘积)的滤波器。从理论上讲,它是在最佳线性无偏估计准则下的最优线性无偏滤波器,并且避免了量测转换方法的根本缺陷。通过将近似处理后的新型最优线性滤波器与目前4种流行的方法进行仿真比较,验证了所提出的滤波器的优越性。     

扩维UKF在目标状态估计器中的应用

在火力/飞行控制(IFFC)系统的目标状态估计器(TSE)设计中,通常目标运动模型可精确地在直角坐标系下建模,同时在传感器坐标系下所获得的目标量又是直接可用的,但一般量测模型是非线性的,滤波器模型需采用非线性滤波方法.为了提高状态估计器的估计精度,在UKF(Unscented Kalman Filter)算法基础上,介绍了一种新的AUKF(Augmented UKF)滤波方法.此算法的思想是尽可能多地利用系统的量测信息,把系统和量测噪声同状态变量联系起来一起考虑,即把系统和量测噪声也列为状态.这要求预测方程产生的采样点同样被应用到更新方程,从而使噪声项的作用通过非线性方程进行传递.通过Monte-Carlo仿真与EKF(Extented Kalman Filter)算法进行了比较,仿真结果表明新算法的有效性和实用性.     

雷达机动目标跟踪的卡尔曼粒子滤波算法

为解决不敏粒子滤波算法对雷达机动目标跟踪实时性差和跟踪起始阶段收敛慢的问题,引入卡尔曼粒子滤波算法。通过坐标转换将实际的极坐标雷达观测数据转换为直角坐标数据,然后用线性最优的卡尔曼滤波器估计粒子状态先验概率密度,最后用非线性最优的粒子滤波器精确估计目标状态后验概率。仿真实验表明,与不敏粒子滤波相比,卡尔曼粒子滤波以牺牲较少精度(减少约6%)的代价,实现机动目标跟踪的实时性(约为前者的1/5),起始阶段收敛性更好。     

Rotation-aware correlation filters for robust visual tracking

Recent years have witnessed several modified discriminative correlation filter (DCF) models exhibiting excellent performance in visual tracking. A fundamental drawback to these methods is that rotation of the target is not well addressed which leads to model deterioration. In this paper, we propose a novel rotation-aware correlation filter to address the issue. Specifically, samples used for training of the modified DCF model are rectified when rotation occurs, rotation angle is effectively calculated using phase correlation after transforming the search patch from Cartesian coordinates to the Log-polar coordinates, and an adaptive selection mechanism is further adopted to choose between a rectified target patch and a rectangular patch. Moreover, we extend the proposed approach for robust tracking by introducing a simple yet effective Kalman filter prediction strategy. Extensive experiments on five standard benchmarks show that the proposed method achieves superior performance against state-of-the-art methods while running in real-time on single CPU.     

极坐标系下可处理多普勒量测的BLUE跟踪算法

事实已表明包含目标速度信息的多普勒量测具有有效提高目标状态估计精度的潜力.该文在直角坐标系下提出两种可使用转换多普勒量测(即距离量测与多普勒量测的乘积)的滤波器,一种借助了构造的多普勒伪状态,另一种没有借助多普勒伪状态.从理论上讲,它们都是在最佳线性无偏估计准则下的最优线性无偏滤波器,并且避免了量测转换方法的根本缺陷.通过将近似处理后的两种新型最优线性滤波器与目前几种流行的方法进行仿真比较,验证了所提出的滤波器的优越性.     

扩展式机动目标当前统计模型

在许多实际情况中,目标测量值通常在极坐标或球坐标中得到,而不是在笛卡尔坐标中得到。此时,目标跟踪实际上是非线性的。在众多的军事与非军事领域,机动目标跟踪都是一个非常重要的问题。机动目标跟踪的困难之处在于目标模型的不确定性。针对非线性机动目标跟踪问题,本文提出了一种扩展式当前统计模型机动目标跟踪算法。该算法不需要假定目标的机动加速度模型,而是直接正确地估计出机动目标的当前状态,不存在任何估计滞后与修正问题。最后,给出了算法的仿真分析。     

混合坐标系下的一种纯角度跟踪算法

针对依靠红外传感器提供目标角测量,以雷达间断工作提供目标距离测量的目标状态估计问题,从探测精度的要求出发,提出了一种基于由直角坐标系和修正极坐标系组成的混合坐标系的扩展卡尔曼滤波算法,在一具体战术环境进行了数字仿真,并对仿真曲线进行了分析。     

基于修正无偏转换测量的交互式多模型算法

雷达系统中的目标跟踪技术不仅需要从噪声中将能够直接测量得到的信号提取出来,估计出不能直接测量的诸如目标加速度等信息;而且还要处理从球坐标系到笛卡尔直角坐标系下量测的非线性转换。针对此问题,本文提出了集交互式多模型和修正的无偏转换测量两者优点的IMM-MUCMKF跟踪算法。理论分析和仿真结果表明,本算法的跟踪性能要优于集交互式多模型和不敏卡尔曼的IMM-UKF算法。     

基于量测转换的交互多模型概率数据互联算法

针对雷达跟踪机动目标时,目标运动模型通常线性地建模在直角坐标系内,而量测数据由传感器获得的实际情况,提出了基于量测转换的交互多模型概率数据互联算法.推导了该算法中相关的滤波估计、滤波误差协方差和数据关联概率,并且提出了跟踪门的确定方法.仿真结果表明了新算法的可行性和有效性.     

双站基于角度和时差的近似无偏定位算法

联合角度（DOA）和时差（TDOA）信息对运动目标进行无源定位实质上是一种非线性估计问题。针对将非线性观测方程转化为伪线性方程会产生有偏估计的缺点,该文基于双站定位中获得的角度和时差信息,给出了一种对三维空间目标定位跟踪的近似无偏估计滤波算法,它只需要对一对矩阵束进行广义特征分解,即可获得目标坐标和速度的估计值。计算机仿真结果表明,相比有偏估计滤波算法,如伪线性卡尔曼滤波（PLKF）算法或者最小二乘（LS）算法,该算法具有更高的定位精度,并且当观测误差增大时,其优势更加明显。     

A tree-structured piecewise linear adaptive filter

The authors propose and analyze a novel architecture for nonlinear adaptive filters. These nonlinear filters are piecewise linear filters obtained by arranging linear filters and thresholds in a tree structure. A training algorithm is used to adaptively update the filter coefficients and thresholds at the nodes of the tree, and to prune the tree. The resulting tree-structured piecewise linear adaptive filter inherits the robust estimation and fast adaptation of linear adaptive filters, along with the approximation and model-fitting properties of tree-structured regression models. A rigorous analysis of the training algorithm for the tree-structured filter is performed. Some techniques are developed for analyzing hierarchically organized stochastic gradient algorithms with fixed gains and nonstationary dependent data. Simulation results show the significant advantages of the tree-structured piecewise linear filter over linear and polynomial filters for adaptive echo cancellation     

基于对数极坐标变换的目标识别算法

针对二维ISAR像的空中目标识别问题,提出了一种新的识别算法。首先通过对数极坐标变换,将笛卡儿坐标系下的尺度、旋转变换转变成对数极坐标系下的平移变换,然后对新坐标系下的图像进行二维傅里叶变换,利用傅里叶变换模值的平移不变性,得到具有尺度、旋转不变性的特征矩阵,最后与模板的特征矩阵进行矩阵相关,识别分类。用实测数据进行了验证,证明了算法具有较快的速度和较好的识别结果。     

一种基于CMKF建立跟踪初始估计的方法

针对极坐标观测条件下的目标跟踪，本文基于去偏转换测量卡尔曼滤波算法(CMKF-D)，提出了一种建立跟踪初始估计的方法：目标初始状态由前两点观测值估计，初始估计误差协方差由状态方程和CMKF-D中观测误差协方差计算得到。仿真结果表明，使用该方法建屯初始估计，能使滤波器迅速收敛至稳态，提高滤波初始阶段的跟踪精度。     

基于IMM-SCKF-STF的机动目标跟踪算法

在处理非线性机动目标跟踪问题时,传统的非线性滤波估计算法跟踪误差大且容易引起滤波发散.针对上述问题,研究将强跟踪平方根容积卡尔曼滤波(SCKF-STF)和交互多模型(IMM)算法相结合,提出一种新型的交互多模型强跟踪平方根容积卡尔曼滤波(IMM-SCKF-STF)跟踪算法.该算法在SCKF基础上引入强跟踪渐消因子,使其不仅拥有应对机动目标状态突变的强跟踪能力,同时还具备交互多模型算法的优良机动目标跟踪性能.因此,新算法在机动目标跟踪方面将获得更高的非线性滤波估计精度,且算法的稳定性和应对状态突变的跟踪鲁棒性能获得显著提高.最后,通过两个仿真例子验证了此算法的有效性与优越性.     

一种量测转换的移动外辐射源多站协同跟踪算法

针对移动外辐射源跟踪问题,提出一种融合到达角(Angle of Arrival,AOA)与到达时间差(Time Difference of Arrival,TDOA)观测量的量测转换Kalman滤波(Converted Measurement Kalman Filter,CMKF)算法。首先,采用了一种考虑了传感器位置偏差影响的无源定位算法作为转换非线性的AOA与TDOA观测量至笛卡尔坐标系下观测量的方法,并证明了当AOA与TDOA的测量噪声以及传感器位置偏差都服从高斯分布且噪声强度不大时,该量测转换方法的位置转换误差能达到克拉美罗(Cramér-Rao Lower Bound,CRLB)界;其次,在量测转换的基础上构建了关于移动外辐射源的线性状态空间模型,将非线性的目标跟踪问题转化为线性滤波问题,并最终使用标准Kalman滤波器实时跟踪移动外辐射源位置。仿真结果不仅验证了量测转换精度与理论分析结论吻合,还表明了所提CMKF算法的跟踪精度同时优于扩展Kalman滤波器、无迹滤波器以及粒子滤波器。     

基于量测预测联合估计的单站只测角跟踪

提出用于单站只测角系统的修正最佳线性无偏估计(BLUE)滤波器。针对BLUE 滤波器用于雷达目标跟踪时需要完备的非线性观测集合来构建转换量测及单站只测角系统只提供方位观测,无法直接应用普通BLUE滤波器跟踪目标的问题,构造了基于目标状态预测的预测斜距,并在分析预测斜距误差统计特性后,用斜距预测和方位观测组成转换量测,推导出可应用于单站只测角系统的BLUE滤波模型。所提改进算法在性能和运算量上有明显优势,有很好的应用潜力。     

Neural-network-based adaptive matched filtering for QRS detection

We have developed an adaptive matched filtering algorithm based upon an artificial neural network (ANN) for QRS detection. We use an ANN adaptive whitening filter to model the lower frequencies of the ECG which are inherently nonlinear and nonstationary. The residual signal which contains mostly higher frequency QRS complex energy is then passed through a linear matched filter to detect the location of the QRS complex. We developed an algorithm to adaptively update the matched filter template from the detected QRS complex in the ECG signal itself so that the template can be customized to an individual subject. This ANN whitening filter is very effective at removing the time-varying, nonlinear noise characteristic of ECG signals. Using this novel approach, the detection rate for a very noisy patient record in the MIT/BIH arrhythmia database is 99.5%, which compares favorably to the 97.5% obtained using a linear adaptive whitening filter and the 96.5% achieved with a bandpass filtering method.     

基于交互多模算法在非线性测量方程下的机动目标跟踪

针对非线性测量下的机动目标跟踪问题，本文基于交互多模型算法（IMM），采用去偏转换测量卡尔曼滤波（CMKF－D）的方法，把在极坐标系下得到的测量值转换到直角坐标系中，用统计的方法求出转换测量值的误差均值和方差，将转换测量值去偏后再进行卡尔曼滤波，仿真结果表明，算法提高了基于非线性测量方程的机动目标跟踪性能。     

基于权重一致性优化的实时Marginalized粒子滤波算法

针对Marginalized粒子滤波中随机量测噪声对于非线性状态估计精度的不利影响以及线性状态估计中计算量较大问题,提出了一种基于权重一致性优化的实时Marginalized粒子滤波算法.首先,结合量测系统建模中先验信息的提取和利用,通过粒子权重间一致性距离和一致性矩阵的构建,提出了量测提升策略下权重的一致性优化方法,以改善粒子滤波在非线性状态估计中的滤波精度.其次,通过对Marginalized粒子滤波实现中时间更新和量测更新环节的结构优化,给出了实时Marginalized粒子滤波,以降低蒙特卡罗仿真实现下卡尔曼滤波在状态线性估计中的计算复杂度.最后,在两者的动态结合基础上给出了新算法具体实现步骤.利用基于单站雷达目标跟踪仿真场景,分析了算法性能.理论分析和仿真实验结果验证了算法的可行性和有效性.