基于AIMM SRCKF的机动目标跟踪算法

为了解决交互式多模型(interacting multiple model, IMM)算法在目标机动时模型切换速度迟缓的问题,给出了一种Markov概率转移矩阵在线修正的自适应IMM(adaptive IMM, AIMM)算法,利用IMM子模型中连续两个时刻之间的概率差来调整Markov概率转移矩阵,以提高子模型的切换速度和分配的合理性,同时提高了IMM算法的跟踪精度。其次,将平方根容积卡尔曼滤波(square root cubature Kalman filter, SRCKF)引入到 AIMM 算法中,以解决在迭代滤波过程中协方差矩阵出现的非正定的问题,改善了数值稳定性,提出一种适用于机动目标跟踪的AIMM SRCKF算法,仿真实验结果表明,该算法能提高匹配模型概率,缩短模型切换时间。     

交互式多模型七阶容积卡尔曼滤波算法

为提高非线性机动目标的跟踪精度,提出交互式多模型七阶容积卡尔曼滤波(IMM-7th CKF)算法。采用对非线性系统滤波效果更好的七阶容积卡尔曼滤波(7th CKF)作为交互式多模型(IMM)算法的子滤波器,对各模型状态进行估计,将IMM算法和7th CKF结合起来,提高对非线性机动目标的跟踪效果,最后采用典型机动目标跟踪问题验证IMM-7th CKF的跟踪性能。仿真结果表明,IMM-7th CKF相比交互式多模型容积卡尔曼滤波(IMM-CKF)和交互式多模型五阶容积卡尔曼滤波(IMM-5th CKF)具有更高的滤波精度。     

交互式多模型算法在电力系统暂态稳定预测中的应用

针对电力系统生发大扰动后发电机功角轨线变化与距离故障点远近有关的特点,将交互式多模型(IMM)自适应跟踪算法成功地用于预测电力系统暂态稳定性.该自适应IMM算法采用机动目标"当前"统计模型、常加速度模型和常速度模型交互作用构成.文中详细描述了IMM算法的实现步骤,并应用于发电机功角跟踪预测过程中,通过仿真结果验证了所提算法的实用性.     

交互式多模型算法在电力系统暂态稳定预测中的应用

针对电力系统发生大扰动后发电机功角轨线变化与距离故障点远近有关的特点,将交互式多模型(IMM)自适应跟踪算法成功地用于预测电力系统暂态稳定性。该自适应IMM算法采用机动目标"当前"统计模型、常加速度模型和常速度模型交互作用构成。文中详细描述了自适应IMM算法的实现步骤,并应用于发电机功角跟踪预测过程中,通过仿真结果验证了所提算法的实用性。     

基于变维交互式多模型算法的近区目标跟踪研究

雷达数据处理中的一个关键部分是目标跟踪,它负责对目标的点迹进行滤波,降低噪声影响.交互式多模型算法是一种基于广义伪贝叶斯算法的具有马尔科夫转移概率的多模型算法.它可以用多个模型匹配目标的不同机动模式,避免了单模型不能全程匹配带来的模型误差.近区目标往往具有较大的角速度和角加速度,模型集里包含角速度分量可以更好的匹配其机动形式.于是在交互式多模型的基础上提出了一种变维交互多模型算法,可以对不同维度的模型集进行交互滤波,以取得更好的跟踪精度.     

改进布谷鸟算法优化粒子滤波的多目标跟踪方法

标准粒子滤波器的重采样会造成粒子贫化,影响跟踪系统的精度。为克服这一缺陷,提出了一种改进布谷鸟搜索算法优化粒子滤波的多目标跟踪方法。将粒子作为布谷鸟宿主鸟巢,模拟布谷鸟寻找宿主鸟巢位置的行为,通过全局搜索和局部搜索两个阶段使粒子向高似然区域移动。同时,改进布谷鸟搜索算法的寻优机制,提出动态搜索步长和强化局部搜索的方法,加强了算法的全局搜索的收敛速度。此外,改进算法结合了联合概率数据关联,用于解决多机动目标跟踪问题。本文设置了一维环境和二维环境两组实验,对比优化后的粒子滤波算法与标准粒子滤波算法的目标跟踪性能。实验结果表明,本文提出的算法不仅全局收敛速度更快,而且提高了多机动目标跟踪的精度;与标准布谷鸟搜索优化粒子滤波算法相比,全局收敛迭代速度提高了28.5%;与粒子滤波联合概率数据关联和粒子群优化粒子滤波联合概率数据关联算法相比,估计精度分别提高了24.7%和11.81%。     

目标跟踪在坦克防撞中的研究与应用

考虑到毫米波雷达在噪声源较多的战场上存在较大的测量误差,为了提高毫米波雷达在坦克防撞系统中采集数据的可靠性,提出了用交互式多模型卡尔曼滤波算法对坦克前方机动车辆进行准确的目标跟踪。该算法运用不同机动模型的卡尔曼滤波器进行并行处理,以模型匹配似然函数为基础更新模型概率,并组合所有滤波器的修正后的状态估计值以得到状态估计。仿真结果表明,该算法能够有效的跟踪坦克前方行驶的车辆,获悉其距离、速度等信息,具有跟踪精度高的特点,降低了虚警率。     

低压电力线通信信道的马尔柯夫特性研究

低压电力线通信(PLC)信道具有异常丰富的脉冲噪声，因而呈现出有限记忆性，亦即Markov性。分析了PLC信道脉冲噪声特点后，提出利用分群Markov链对PLC通信信道建模。根据信道脉冲噪声所具有的特点，建立合理假设，给出了分群Markov链的无误串分布公式；明确了由无误串分布确定基本转移概率矩阵的条件以及对应的模型；给出了基于非线性拟合方法的转移概率表达式。论文还对FSK，DPSK，QPSK以及8PSK调制方式下的PLC信道的无误串分布进行了实际测量，并利用所分群Markov链确定了Markov模型基本转移矩阵。对基本转移矩阵的分析表明，8PSK的性能最优，其结论与已有的结论完全吻合，从侧面佐证了信道Markov模型的有效性。     

一种过程噪声自适应调节的卡尔曼滤波算法

鉴于过程噪声在卡尔曼滤波器中的重要作用,本文给出一种自适应调整过程噪声方差的新方法.此方法不需要目标机动的先验知识,而是考虑"新息"平方和的数学期望值,构造一个可自适应调整的缩放因子.在目标未发生机动时因子值较小,当目标发生机动时因子值迅速增大,从而增大系统的过程噪声方差.结合协方差匹配自适应滤波算法的思想,本文提出一种新的机动目标跟踪算法.通过蒙特卡洛仿真,同IMM算法进行比较,结果表明,新算法在目标发生机动时具有更好的性能.     

一种基于IMMPDA-UKF的机动目标跟踪算法

为了实现对在航捷点附近做机动运动目标的精确跟踪,提出采用不敏卡尔曼滤波（UKF）作为底层的滤波算法,解算出方位和俯仰的角度变化率,通过角度变化率解算出目标的切向速度,在过航捷时建立新的跟踪模型,将切向速度扩充到观测方程中,并结合交互多模型概率数据关联算法（IMMPDA）实现对过航捷机动目标的跟踪。仿真结果表明,该算法跟踪精度高,在航捷点附近无论是转弯机动还是加速运动,都可以保持对目标的持续跟踪,稳定性较高,可以直接应用于工程实践。     

基于模糊交互多模型的机动目标被动跟踪算法

针对双观测平台纯方位测量的机动目标,提出了自适应归一化的模糊交互多模型算法。算法利用目标的方位信息,通过模糊推理机制自动调整过程噪声水平。提出了限定记忆归一化方法来自适应归一化模糊系统的输入变量,使得输入变量值始终保持在一个合理的范围内。仿真结果表明,与基于增长记忆归一化方法和经验法的模糊交互多模型算法相比,基于限定记忆归一化的模糊交互多模型算法的跟踪误差分别降低了9.56%和9.29%,能更好地跟踪机动目标的位置、速度和加速度。     

State smoothing in Markov jump systems with lagged mode observation

Estimation involving Markov jump systems (MJSs) is widely used in target tracking, speech recognition and communication. It is assumed in MJSs that state measurement and mode observation are synchronous. In applications such as image‐based target tracking, the target orientation, as one of the mode observations, needs additional computation time for pattern recognition and thus can be delayed. This motivates us to explore the smoothing problem of MJSs with mode observation lagged to state measurement. This brief paper presents a recursive estimator by deriving the conditional state mean and the conditional model probability from both delayed mode observation and state measurement. Simulations on maneuvering target tracking are carried out to validate the performance of the proposed smoother in comparison with existing methods. Copyright © 2010 John Wiley & Sons, Ltd.     

基于分布式MIMO雷达的检测前跟踪算法研究

近些年来MIMO雷达技术正在逐步兴起并得到了快速发展.因其能够充分利用空间分集和波形分集,所以对弱小目标和雷达截面积闪烁目标都有很好的检测性能.为达到提升对弱小目标的检测概率,运用动态规划将检测前跟踪思想引入MIMO雷达系统,提出了基于MIMO雷达的检测前跟踪方法.MIMO雷达的空间分集特性能够降低检测前跟踪回波积累的时间,从而提高雷达系统对机动目标的检测概率.仿真实验结果表明,基于MIMO雷达的检测前跟踪方法检测性能良好,有效提升了检测概率,是一种有效检测机动弱目标的方法.     

基于感知代理和移动控制法则的分布式目标跟踪

针对由无人自动跟踪机器人构成的移动传感器网络中的目标跟踪问题,提出了一种基于感知代理和移动控制法则的分布式目标跟踪方案。首先,在构建移动机器人代理模型和覆盖感知目标跟踪模型的基础上,提出了一种分布式目标跟踪算法,算法由估计阶段和一致性阶段构成.通过这两个阶段的执行,网络中的全部代理就最大感知置信值以及相应的目标状态和后验协方差矩阵达成一致,从而提高各自预测的性能;其次,针对一般移动代理的移动提出了一种基于势场的控制法则,以确保传感器网络在任何时候都保持连接,使得每个移动代理尽可能接近目标,提高其感知置信值,并避免与目标、环境墙壁和其他代理发生碰撞,从而有助于保持该区域的覆盖率在令人满意的水平。仿真实验结果表明,跟踪方案不仅能够提高跟踪精度,而且还具有较好的覆盖感知性能。     

一种交叉多目标跟踪算法

为了解决多目标跟踪过程中由目标轨迹交叉引起的跟踪算法复杂度增加以及跟踪精度降低的问题,提出了一种改进的基于随机有限集的交叉多目标跟踪算法。该算法以高斯混合参数代替概率密度假设来降低算法复杂度和减小跟踪误差。最后在线性高斯条件下进行了MATLAB仿真实验,模拟多目标的运动过程,应用本文提出的改进算法和传统的基于数据关联的算法对多目标进行跟踪,对比试验结果表明所提出的改进算法对交叉多目标具有更加良好的跟踪性能。     

融合隐马尔科夫模型的雷达工作状态跟踪

针对电子侦察系统对雷达工作状态的跟踪问题,提出了一种基于融合隐马尔科夫模型的雷达工作状态跟踪方法。该算法首先将雷达工作过程建模成隐马尔科夫模型,其次通过对侦察的雷达短语序列识别,完成单个平台下雷达工作状态的跟踪;最后再运用DS证据理论将多平台的识别结果进行融合,实现多平台融合跟踪。对算法的识别率进行仿真,仿真结果表明,提出的算法提高了错误观测下对雷达工作状态跟踪的准确率,当观测值错误率为20%时跟踪正确率高达93%。