未知探测概率下多目标PHD跟踪算法

针对未知探测概率下多目标跟踪问题,提出一种基于时变滤波算法的多目标概率假设密度(PHD)滤波器.算法推导了未知探测概率PHD递推式,提出了将未知探测概率转化为目标的丢失与接收事件,并依此建立了目标跟踪的马尔科夫模型,给出了该模型下时变卡尔曼滤波最优解,进而在高斯混和PHD(GMPHD)框架下推导了算法闭集解.仿真实验表明,所提出算法在未知且随时间变化的探测概率情形下,仍能实时地跟踪各目标,具有良好的工程应用前景.     

未知探测概率下多目标PHD 跟踪算法

针对未知探测概率下多目标跟踪问题, 提出一种基于时变滤波算法的多目标概率假设密度(PHD) 滤波器. 算法推导了未知探测概率PHD递推式, 提出了将未知探测概率转化为目标的丢失与接收事件, 并依此建立了目标跟 踪的马尔科夫模型, 给出了该模型下时变卡尔曼滤波最优解, 进而在高斯混和PHD(GMPHD) 框架下推导了算法闭集解. 仿真实验表明, 所提出算法在未知且随时间变化的探测概率情形下, 仍能实时地跟踪各目标, 具有良好的工程应用前景.     

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.     

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.     

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.     

多模型GM-CBMeMBer滤波器及航迹形成

提出了一种可适用于杂波环境下对多个机动目标进行跟踪并能形成多目标航迹的多模型势平衡多目标多伯努利（Cardinality balanced multi-target multi-Bernoulli,CBMeMBer）滤波器. 随后,在多机动目标时间演化模型和观测模型均为线性高斯的假设条件下利用高斯混合（Gaussian mixture,GM）技术获得了该滤波器解析的递推形式——-多模型 GM-CBMeMBer 滤波器,并简要给出了它在非线性条件下的扩展卡尔曼（Extended Kalman,EK）滤波近似. 仿真实验结果表明所建议的多模型 GM-CBMeMBer 滤波器能有效地对多个机动目标进行跟踪而单模型 GM-CBMeMBer 滤波器则会产生明显的航迹丢失和虚假航迹,并且对于信噪比较低的仿真场景,它的性能优于多模型高斯混合概率假设密度（GM probability hypothesis density,GM-PHD）滤波器,接近于多模型高斯混合势概率假设密度（GM cardinalized PHD,GM-CPHD）滤波器.     

基于双因子高斯过程动态模型的声道谱转换方法

针对作者已经提出的双因子高斯过程隐变量模型（Two-factor Gaussian process latent variable model,TF-GPLVM）用于语音转换时未考虑语音的动态特征,并且模型训练时需要估计的参数较多的问题,提出引入隐马尔科夫模型（Hidden Markov model,HMM）对语音动态特征进行建模,并利用HMM隐状态对各帧语音进行关于语义内容的概率软分类,建立了分离精度更高、运算负荷较小的双因子高斯过程动态模型（Two-factor Gaussian process dynamic model,TF-GPDM）.基于此模型,设计了一种全新的基于说话人特征替换的语音声道谱转换方案.主、客观实验结果表明,无论是与传统的统计映射和频率弯折转换方法相比,还是与双因子高斯过程隐变量模型方法相比,本文方法都获得了语音质量和转换相似度的提升,以及两项性能的更佳平衡.     

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。     

独立成分相关分析的自适应故障监测方法

工业过程数据具有动态、非高斯等特性.独立成分分析(independent component analysis, ICA)既可以分析数据的非高斯形式,又可以极大地去除多变量间的耦合且满足独立性要求.本文引入粒子群算法优化ICA模型参数,自适应地确定独立成分个数.同时,提出一种基于隐马尔科夫链模型(hidden Markov model, HMM)的自适应检测限设计方法,将时间相关数据块的特征信息变化作为过程故障的检测依据.首先利用由时间窗方法确定的独立成分组成监测矩阵来训练HMM模型,旨在提高独立成分间相关性水平的表示能力;然后将得到的HMM模型对监测矩阵进行相关性评估,并在一定容许裕度的基础上设计评估值的自适应因子及检测限,并据此监测特征信息变化,动态地进行在线故障检测.最后, Tennessee Eastman (TE)仿真平台的实验结果表明了所提方法的有效性.     

A novel multiple maneuvering targets tracking algorithm with data association and track management

A novel multiple maneuvering targets tracking algorithm with data association and track management is presented in this paper. First, the variation of the generalized pseudo-Bayesian estimator of first order is designed. Then, the data association and track management via handling two matrices are given, which reflect the relationships between target trajectory and the output of the Gaussian mixture probability hypothesis density (PHD) filter for jump Markov system models (JMS-GM-PHD) filter. The tracking performance of the proposed algorithm is compared with two conventional algorithms. One is JMS-GM-PHD filter, the other is algorithm entitled hybrid algorithms for multi-target tracking using MHT and GM-CPHD which is denoted as hybrid method hereinafter. The results of Monte Carlo simulation show that the proposed filter has overall performance than the conventional.     

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.     

Novel Rao–Blackwellized jump Markov CBMeMBer filter for multi-target tracking

The jump Markov cardinality balanced multi-target multi-Bernoulli (JM–CBMeMBer) filter can estimate both state and number of targets from uncertain measurements. To deal with high computational complexity and imprecise estimations of the existing JM–CBMeMBer filters, we put forward a novel Rao–Blackwellized JM–CBMeMBer filter and its sequential Monte Carlo implementation in this paper. Different from the previous works, we first divide target state space into the nonlinear and linear components based on the Rao–Blackwellized theory, where the linear component is estimated by the Kalman filter (KF) and the results are applied to extract the nonlinear component in lower dimension state space. Moreover, the track management scheme is considered to simplify tracking parameters and distinguish target track. After analysis on computational complexity, the optimised Rao–Blackwellized filtering scheme is presented to reduce the number of the KF recursions. As a result, the computational complexity is reduced and the estimation accuracy is improved owing to small estimation covariance during the whole filtering process. Finally, the numerical simulation results are provided to show the reliability and efficiency of the proposed filter.     

扩展目标CBMeMBer 滤波器及其高斯混合实现

将CBMeMBer滤波器推广到多扩展目标跟踪场合,提出扩展目标CBMeMBer滤波器,并给出其高斯混合实现的步骤.该滤波器主要对原始CBMeMBer滤波器的更新步进行改进,引入多量测似然函数,避免了对目标数目的过估计.仿真结果表明,在多扩展目标跟踪场合,扩展目标CBMeMBer滤波器对目标数目和状态的估计精度高于CBMeMBer滤波器,接近于扩展目标PHD滤波器.     

Amultiplemaneuvering targets tracking algorithm based on a generalized pseudo-Bayesian estimator of first order

We describe the design of a multiple maneuvering targets tracking algorithm under the framework of Gaussian mixture probability hypothesis density (PHD) filter. First, a variation of the generalized pseudo-Bayesian estimator of first order (VGPB1) is designed to adapt to the Gaussian mixture PHD filter for jump Markov system models (JMS-PHD). The probability of each kinematic model, which is used in the JMS-PHD filter, is updated with VGPB1. The weighted sum of state, associated covariance, and weights for Gaussian components are then calculated. Pruning and merging techniques are also adopted in this algorithm to increase efficiency. Performance of the proposed algorithm is compared with that of the JMS-PHD filter. Monte-Carlo simulation results demonstrate that the optimal subpattern assignment (OSPA) distances of the proposed algorithm are lower than those of the JMS-PHD filter for maneuvering targets tracking.     

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。     

高斯混合粒子Cardinalized概率假设密度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为随机集形式,通过Cardinalized概率假设密度(CPHD)滤波,递推计算目标的强度(即概率假设密度,PHD)及目标数的概率分布.然而对于被动测角的非线性跟踪问题,CPHD无法获得闭合解.为此,本文提出一种新的高斯混合粒子CPHD算法,利...     

A sequential GM-based PHD filter for a linear Gaussian system

The probability hypothesis density(PHD)flter provides an efciently parallel processing method for multi-target tracking.However,measurements have to be gathered for a scan period before the PHD flter can perform a recursion,therefore,signifcant delay may arise if the scan period is long.To reduce the delay in the PHD flter,we propose a sequential PHD flter which updates the posterior intensity whenever a new measurement becomes available.An implementation of the sequential PHD flter for a linear Gaussian system is also developed.The unique characteristic of the proposed flter is that it can retain the useful information of missed targets in the posterior intensity and sequentially handle the received measurements in time.