基于熵分布的概率假设密度滤波器高斯混合实现

针对概率假设密度滤波器, 提出一种基于熵分布的高斯混合实现算法. 在该算法中, 作为混合参数先验分布的熵分布, 主要用在极大后验迭代过程中删减无关混合分量, 该删减操作可通过混合权重调整来实现. 此外, 该算法还能够解决多个具有类似参数的混合分量共同描述一个强度峰值的问题. 仿真结果表明, 所提出算法优于典型的阈值删减算法.     

高斯混合概率假设密度滤波器在多目标跟踪中的应用

实现了基于随机集和点过程理论在目标数未知或随时间变化的多目标跟踪滤波算法.研究成果包括:(1)分析了基于随机有限集的多目标跟踪模型;(2)分析推导了基于随机集和点过程理论的概率假设密度滤波递推表达式;(3)实现了在线性高斯条件下的概率假设密度滤波的一种解析滤波算法;(4)仿真实验验证了算法的性能,比较了在杂波强度和检测概率变化的情况下和联合概率数据互联算法相关性能;(5)指出了算法的一些不足以及改进的研究方向.     

用于多个机动目标的混合高斯概率假设密度跟踪器

现有的混合高斯概率假设密度（GM—PHD）跟踪器不仅可以估计时变的多目标状态,还能辨识不同目标并保持其轨迹连续性．但当多个目标发生机动时,其稳定性较差,容易丢失目标．针对这一问题,本文提出一种能跟踪多个机动目标的混合高斯概率假设密度跟踪器算法．算法在GM—PHD滤波的框架上采用修正的输入估计方法将目标的概率假设密度（PHD）表示成混合高斯形式,并利用不同的标记辨识各个高斯分量,然后通过PHD滤波方程迭代这些高斯分量和对应的标记,最终达到跟踪多个机动目标的目的．仿真实验表明,和传统的GM—PHD跟踪器相比．新算法能以更高的稳定性跟踪多个机动目标．     

高斯混合扩展目标概率假设密度滤波器的收敛性分析

研究了高斯混合扩展目标概率假设密度(Gaussian mixture extended-target probability hypothesis density, GM-EPHD)滤波器的收敛性问题, 证明了在杂波强度先验已知且扩展目标的期望测量个数连续有界的假设条件下, 若该 GM-EPHD 滤波器的 GM 项趋于无穷多, 那么它一致收敛于真实的 EPHD 滤波器. 并且, 本文还证明了该算法在弱非线性条件下的扩展卡尔曼(Extended Kalman, EK)滤波近似实现 —EK-GM-EPHD 滤波器, 在每个 GM 项的协方差趋于0时, 也一致收敛于真实的 EPHD 滤波器. 本文的研究目的在于从理论上给出 GM-EPHD 和 EK-GM-EPHD 滤波器的收敛性结果以及它们满足一致收敛性的条件.     

改进的高斯粒子概率假设密度滤波算法

高斯粒子概率假设密度滤波在预测和更新时需要进行粒子近似和重新采样,这在一定程度上降低了算法的精度和实时性．针对这一问题,提出一种改进的高斯粒子概率假设密度滤波算法．算法通过粒子的方式表示并传递目标的概率假设密度（PHD）预测值,然后直接利用这些表征PHD预测值的粒子进行更新,最后利用具有最大似然性的粒子将更新后的PHD表示为混合高斯形式．仿真实验表明,和高斯粒子概率假设密度滤波相比,改进算法的多目标误差距离减少了约30％,运行时间减少了约50％．     

一种改进的高斯混合概率假设密度SLAM算法

针对高斯混合概率假设密度SLAM(GMPHD-SLAM)算法存在的估计精度低和计算代价高的问题,提出一种无迹高斯混合概率假设密度SLAM算法(unscented-GMPHD-SLAM).其主要特点在于:将无迹卡尔曼滤波器应用于机器人位姿粒子权重计算及概率假设密度更新过程中,可提高算法整体估计性能;将更新的高斯项按照传感器视域分类,有效降低了算法计算量.通过仿真实验,将所提出算法与传统PHD-SLAM算法进行比较,结果表明该算法在提高估计精度和降低计算负担方面是十分有效的.     

用于机动目标跟踪的多模型高斯混合概率假设密度滤波器

提出一种多模型高斯混合概率假设密度(PHD)滤波器的实现方法.该算法使用多模型方法对高斯混合PHD滤波器中存在目标对应的高斯分量进行预测及更新,使用融合估计后的估计值描述机动目标PHD分布的高斯分量.该算法具有PHD滤波器和多模型方法的优点,可以用来处理目标数未知时的机动目标跟踪问题.该算法与单模型高斯混合PHD滤波器相比,可提高滤波器对目标发生机动时的跟踪精度;与已有的多模型PHD滤波器相比,节省计算时间30％以上.     

高斯混合概率假设密度无序估计分布式融合

针对分布式传感器网络中多目标随机集状态混合无序估计问题,本文提出了一种基于高斯混合概率假设密度无序估计分布式融合算法.在高斯混合概率假设密度滤波器的框架下,首先基于概率假设密度递推滤波特性,建立适用于多目标随机集状态混合无序估计的最新可利用估计判别机制,然后利用扩展协方差交叉融合算法对经过最新可利用估计判别机制获得的无序概率假设密度强度估计进行融合处理,针对融合过程中高斯分量快速增长的问题,在保证信息损失最小的前提下,对融合过程的不同环节实施高斯混合分量裁剪操作,给出了一种多级分层分量裁剪算法.最后,仿真实验验证了文中所提的算法的有效性和可行性.     

多目标跟踪中一种改进的高斯混合PHD滤波算法

高斯混合概率假设密度（GM-PHD）滤波是一种杂波环境下多目标跟踪问题算法,针对算法中存在的目标漏检和距离相近时精度下降的问题,提出一种改进的高斯混合PHD滤波算法。该算法在高斯混合框架下通过修正PHD递归方程,有效地解决了漏检引起的有用信息丢失问题;利用权值判断高斯分量是否用于提取目标状态,避免了具有较高权值的高斯分量合并在一起,从而改善目标相互接近时的跟踪性能。仿真实验表明,改进算法在滤波精度和目标数估计方面均优于传统的GM-PHD算法。     

多目标跟踪的混合高斯PHD滤波

为解决目标数未知或随时间变化时的多目标跟踪问题,将多目标状态和观测信息表示为随机集的形式,建立了多目标跟踪的混合高斯概率假设密度（PHD）滤波方法。当目标初始的先验概率密度满足高斯分布的形式时,通过将状态噪声、观测噪声、目标的繁衍、新目标的产生、目标的存活概率和检测概率表示成混合高斯的形式,之后每个时刻的后验概率密度均能表示成混合高斯的形式。线性混合高斯PHD滤波方法将Kalman滤波引入到PHD滤波中,利用混合高斯成分预测和更新随机集的PHD,并估计出目标的状态。实验结果表明,在杂波环境下混合高斯PHD滤波方法可以有效地跟踪目标状态。     

基于高斯混合PHD滤波的多目标跟踪

多目标的跟踪的主要目的是通过一个存在关联不确定性、检测不确定性以及噪声和虚警的观测序列集,联合估计目标数目和目标状态.传统的多目标跟踪算法中的数据关联算法计算量大不易实现,而基于随机集的PHD滤波算法可避免数据数据关联问题,直接估计目标状态.本文针对目前PHD递推算法难以获得闭和解的问题,阐明了在目标运动模型和新生强度都是线性高斯模型的情况下,每一时刻的后验强度都是高斯混合的.进而推导出表示后验强度的高斯成分的均值,方差和权值的递推方程.由仿真结果可以看出在非线性高斯情况下,本算法对多目标有良好的跟踪性能.     

多模型概率假设密度平滑器

针对杂波环境下的多个机动目标跟踪问题, 本文将多模型概率假设密度(Multiple-model probability hypothesis density, MM-PHD)滤波器和平滑算法相结合, 提出了MM-PHD前向--后向平滑器. 为了避免引入复杂的随机有限集(Random finite set, RFS)理论, 本文根据PHD的物理空间(Physical space)描述法推导得到了MM-PHD平滑器的后向更新公式. 由于MM-PHD前向--后向平滑器的递推公式中包含有多个积分, 因此它在非线性非高斯条件下没有解析的表达形式. 故本文又给出了它的序贯蒙特卡洛(Sequential Monte Carlo, SMC)实现. 100次蒙特卡洛(Monte Carlo, MC)仿真实验表明, 与MM-PHD滤波器相比, MM-PHD平滑器能够更加精确地估计多个机动目标的个数和状态, 但MM-PHD平滑器存在一定的时间滞后, 并且需要耗费更大的计算代价.     

多传感器高斯混合PHD融合多目标跟踪方法

针对复杂环境下单传感器多目标跟踪方法效果不佳的问题,基于FISST（Finite set statistics）跟踪理论提出一种多传感器高斯混合PHD（Probability hypothesis density）多目标跟踪方法.首先,分析了FISST下多传感器PHD的形式化滤波器,在此基础上构建一种反馈式多传感器PHD融合跟踪框架;进一步利用高斯混合技术提出多传感器PHD跟踪方法;最后,通过解决多传感器后验PHD粒子匹配与融合问题提出三种算法.仿真实验表明,与常规高斯混合PHD跟踪算法相比,本文所提算法能够有效提高目标跟踪精度和鲁棒性.     

基于目标出生强度在线估计的多目标跟踪算法

针对多目标跟踪中未知的目标出生强度, 提出了基于Dirichlet分布的目标出生强度在线估计算法, 来改进概率假设密度滤波器在多目标跟踪中的性能. 算法采用有限混合模型来描述未知目标出生强度, 使用仅依赖于混合权重的负指数Dirichlet分布作为混合模型参数的先验分布. 利用拉格朗日乘子法推导了混合权重在极大后验意义下的在线估计公式; 混合权重在线估计过程利用了负指数Dirichlet分布的不稳定性, 驱使与目标出生数据不相关分量的消亡. 以随机近似过程为分量均值和方差的在线估计策略, 推导了基于缺失数据的分量均值与方差的在线估计公式. 在无法获得初始步出生目标先验分布的约束下, 提出了在混合模型上增加均匀分量的初始化方法. 以当前时刻的多目标状态估计值为出发点, 提出了利用概率假设密度滤波器消弱杂波影响的出生目标数据获取方法. 仿真结果表明, 提出的目标出生强度在线估计算法改进了概率假设密度滤波器在多目标跟踪中的性能.     

高斯混合粒子PHD 滤波被动测角多目标跟踪

为解决目标数未知或随时间变化的多目标跟踪问题,通常将多目标状态和观测数据表示成随机集形式,并通过递推计算目标状态联合分布的概率假设密度(PHD)来完成.然而,对于被动测角的非线性跟踪问题,PHD无法获得闭合解,为此提出一种新的高斯混合粒子PHD算法.该算法利用高斯混合近似PHD,以避免用聚类确定目标状态,并采用拟蒙特卡罗(QMC)积分方法计算目标状态的预测和更新分布.仿真结果验证了所提出算法的有效性.     

基于增量式有限混合模型的多目标状态极大似然估计

提出了增量式有限混合模型来提取概率假设密度滤波器序贯蒙特卡罗实现方式中的多目标状态. 该模型以增量方式构建, 其混合分量采用逐个方式插入其中. 采用极大似然准则来估计多目标状态. 对于给定分量数目的混合模型, 应用期望极大化算法来获得参数的极大似然解. 在新分量插入混合模型时, 保持已有混合模型的参数不变, 仍旧采用极大似然准则从候选新分量集合中选择新插入分量. 新分量插入混合步和期望极大化算法拟合混合参数步交替应用直到混合分量数目达到概率假设密度滤波器的目标数目估计值. 利用k-d树生成插入到混合模型的新分量候选集合. 增量式有限混合模型统一了分量数目变化趋势和粒子集合似然函数的变化趋势, 有助于一步一步地搜寻混合模型的极大似然解. 仿真结果表明, 基于增量式有限混合模型的概率假设密度滤波器状态提取算法在多目标跟踪的应用中优于已有的状态提取算法.