一种强跟踪扩展卡尔曼滤波器的改进算法

针对模型不匹配卡尔曼的状态估计发散和应用范围限于连续系统问题，提出一种基于有限差分强跟踪滤波嚣（STFDEKF）．在滤波计算中,引入强跟踪滤波因子修正滤波器的状态预协方差矩阵。滤波精度得以提高,滤波器应用有限差分方法计算滤波过程中非线性函数的偏导数。扩大了适用范围．几种卡尔曼滤波器经过仿真比较。STFDEKF应用于复杂非线性系统状态估计时．具有较高数值稳定性、强跟踪性和较宽应用范围．     

一种强跟踪有限差分滤波二元估计算法

针对非线性工业过程测量的滞后性和模型不确定性给系统状态估计和模型参数估计造成的困难，在扩展Kalman滤波器（EKF）的基础上，引入有限差分滤波器（FDEKF）和次优渐消因子，提出了一种强跟踪有限差分滤波状态和参数二元估计算法。该二元估计算法将滤波器分解为参数滤波和状态滤波两个过程，分别估计模型参数和系统状态。最后，将该算法应用于一化学反应过程的仿真，结果表明，这种强跟踪有限差分滤波的二元估计算法在原模型或参数存在偏差的情况下，仍能较准确地估计系统状态和模型参数，并具有较强的数值鲁棒性。     

基于强跟踪滤波器的多目标跟踪方法

在诸多的多目标跟踪算法中，相互作用多模型（IMM）算法是目前公认的最为有效的算法。但到目前为止，LMM估计方法都是建立在卡尔曼滤波器（KF）和扩展卡尔曼滤波器（EKF）基础上，因而其性能不仅依赖于所采用的模型集，而且在更大程度上依赖于所采用的滤波技术。强跟踪滤波器（STF）克服了卡尔曼和扩展卡尔曼的三大缺陷，因而设计一种基于STF的IMM目标跟踪算法显然能提高其性能。仿真实验表明，基于STF的IMM算法的跟踪性能要优于基于KF和EKF的IMM算法的跟踪性能。     

强跟踪CDKF 及其在组合导航中的应用

针对扩展卡尔曼滤波器(EKF)在组合导航系统模型不确定时存在滤波精度下降甚至发散的问题,提出一种具有强跟踪性能的中心差分卡尔曼滤波器(CDKF).强跟踪CDKF基于强跟踪滤波器(STF)的理论框架,采用中心差分变换代替STF中的雅可比矩阵计算,兼具STF鲁棒性强,CDKF滤波精度高和实现简单的优点,有效克服了EKF在系统模型不确定时滤波失效的缺点.仿真结果验证了强跟踪CDKF的有效性.     

基于强跟踪平方根容积卡尔曼滤波的纯方位目标运动分析方法

针对纯方位目标跟踪系统中模型状态简化、系统噪声统计特性未知、目标初始距离信息不准确导致的滤波收敛时间长和滤波精度不高的问题,以自主水下机器人(Autonomous Underwater Vehicle, AUV)跟踪水下动态目标为例,提出了一种基于强跟踪平方根容积卡尔曼滤波器(Strong Tracking Square Root Cubature Kalman Filter, STFSRCKF)的纯方位目标运动分析算法。该算法在滤波过程中,利用平方根容积卡尔曼滤波器(Square Root Cubature Kalman Filter, SRCKF)完成预测更新,对于SRCKF中的每个容积点采用强跟踪滤波器(Strong Tracking Filter, STF)进行更新,设计滤波增益以抑制噪声对系统状态估计的影响,有效提高了滤波的数值稳定性,减小了状态估计误差。通过仿真分析,比较了扩展卡尔曼滤波器(Extended Kalman Filter, EKF)、无迹卡尔曼滤波器(Unscented Kalman Filter, UKF)、平方根容积卡尔曼滤波器(Square-Root Cubature Kalman Filter, SRCKF)、STFSRCKF的算法性能,实验表明所提算法具有跟踪速度快,精度高等优点。     

一种实用的融合方法在辅助粒子滤波中的应用

研究机动目标跟踪优化问题,传统的扩展卡尔曼滤波(Extended Kalman Filtering,EKF),无迹卡尔曼滤波(UnscentedKalman Filtering,UKF)跟踪机动目标强非线性系统,滤波精度有限,并存在噪声。为了提高跟踪滤波的精准性和可靠性,提出建立一种协同转弯非线性模型,将辅助粒子滤波(Auxiliary Particle Filtering)和数据融合相结合的跟踪滤波算法。辅助粒子滤波在重采样前对各个粒子权值依据似然函数进行修正,同时采用一种将多个滤波器结合的实用的数据融合方法,可以进一步提高滤波精度。经仿真表明,算法能减小运算量,并能很好的提高跟踪滤波精度。     

体育视频序列中基于IMM的运动目标跟踪算法

在视频处理领域的运动目标跟踪问题中,卡尔曼滤波器（KF）与扩展卡尔曼滤波器（EKF）已经得到了广泛的应用,但在复杂背景或是目标高机动运动的情况下跟踪效果并不理想。提出一种基于交互多模型算法（IMM）,并采用去偏转换测量卡尔曼滤波器（CMKF-D）对运动目标进行跟踪的算法。该算法有效地解决了单一模型无法与运动特性相匹配的问题,并克服了KF、EKF对非线性模型线性化所引入的误差。以足球视频为例进行仿真实验,结果表明该算法有效地提高了视频序列中运动目标跟踪的准确率。     

粒子滤波在无线传感器网络目标跟踪中的应用

将粒子滤波（PF）算法应用于无线传感器网络（WSNS）的目标跟踪,并给出了粒子滤波实现的具体步骤。动态组织传感器网络节点成簇,实现了对网络中做匀速直线运动的单个目标的跟踪。分别采用扩展卡尔曼滤波（EKF）、无迹卡尔曼滤波（UKF）和PF算法进行了仿真试验。结果表明,在无线传感器网络目标跟踪领域,PF算法比EKF算法、UKF算法的滤波精度更高,性能更好,并且在实际应用中,由于该算法能够有效解决非线性、非高斯环境中的目标跟踪问题,实现简单而增强了可用性。     

粒子滤波器在机动目标被动跟踪中的应用

为处理机动目标被动跟踪中的非线性非高斯问题，提出了一种基于粒子滤波器的交互多模型（IMM）多观测站跟踪方法。使用转弯率建立了被动跟踪模型，用“蛙跳”处理方式来提高多站被动跟踪问题的可观测性，结合被动跟踪模型，利用非线性粒子滤波方法，对IMM算法进行了改进，提高了对IMM混和密度的近似程度，通过被动跟踪仿真实例，同时使用IMM粒子滤波器（IMM-PF）与IMM扩展卡尔曼滤波器（IMM-EKF）进行跟踪仿真，分析了轨迹跟踪性能，利用均方根误差比较了误差性能。仿真结果表明，与IMM-EKF相比，IMM-PF具有更高的跟踪精度和更快的机动响应速度。     

几种滤波器跟踪性能的比较

现阶段,卡尔曼滤波是信息融合领域中广泛使用的融合算法,它在线性高斯模型下能得到最优估计,但在非线性非高斯的模型下不能达到理想的效果.在这种情况下,非线性目标跟踪已被人们广泛重视.扩展卡尔曼滤波器(EKF)是将卡尔曼滤波器(KF)进行Taylor展开,算法简单,计算快捷,适用于非线性程度不强,高斯的环境下.不敏卡尔曼滤波(UKF)是先对状态向量的后验概率密度函数(PDF)进行近似化然后再在标准卡尔曼滤波框架下进行递推滤波.粒子滤波是一种基于蒙特卡罗模拟和递推贝叶斯估计的滤波方法.这种滤波的方法和其他滤波的方法一样,都是可以通过系统的模型方程从测量空间一步步递推得到其相应的状态空间.它可以处理模型方程为非线性、噪声分布为非高斯分布的问题,在许多领域得到了成功的应用.论文中通过仿真试验,进行跟踪性能的比较,结果证明在复杂的非高斯非线性环境中,粒子滤波器的性能要明显优于扩展卡尔曼滤波器.     

LOS／NLOS环境中融合TOA与RSSI的IMM目标跟踪

针对视距（Line-of-sight,LOS）和非视距（None．1ine—of-sight,NLOS）混合环境中的运动目标跟踪问题,提出一种基于TOA（到达时间）与RSSI（接收信号强度）测量融合的交互式多模型（Interacting Multiple Model,IMM）鲁棒跟踪算法。目标与基站之间的LOS、NLOS传输分别用扩展卡尔曼滤波（EKF）和扩展Hoo滤波（EHF）进行匹配,并采用马尔可夫过程对模型间的转换进行描述。MonteCarlo仿真结果表明,与单纯TOA测量跟踪相比,该算法具有较高的定位精度和较好的跟踪稳定性,且计算复杂度相当,具有较好的可实现性。     

自适应渐消有偏扩展卡尔曼滤波在目标跟踪中的应用

针对机动目标跟踪过程观测矩阵病态导致扩展卡尔曼滤波算法跟踪效果不佳的问题,提出一种自适应渐消有偏扩展卡尔曼滤波算法。该算法以扩展卡尔曼滤波为基本框架,并借鉴Gauss-Markov模型的思想以解决观测矩阵病态问题。算法根据状态估计均方误差最小条件求得有偏因子,以降低病态观测矩阵对滤波估计的影响;根据滤波发散判据提出一种新的渐消因子估计方法,以实时调整预测协方差矩阵,从而改善滤波增益并有效提高目标跟踪精度。仿真结果表明,改进算法比传统扩展卡尔曼滤波对目标跟踪的精度有较大提高,同时稳定性更好。     

基于UKF的超视距雷达跟踪算法研究

天波超视距雷达跟踪目标时电磁波是通过电离层的折射传播的,因而导致在地理坐标系下的量测方程中存在强非线性,而采用传统的EKF（Extended Kalman Filter）实现的跟踪算法,在非线性方程的线性化中舍去了含强非线性的二阶以上的高阶项,导致目标的跟踪精度较低;提出采用UKF（Unscented Kalman Filter）方法处理超视距雷达系统在跟踪算法中的强非线性问题.UKF算法有效降低了非线性方程中的舍入误差,可确保三阶以上的精度.仿真结果表明UKF滤波算法较EKF算法提高估计精度.     

一种浮标被动跟踪系统模型

分析水下目标跟踪与浮标跟踪的特点和实现难度,提出一种水下目标跟踪系统模型。将被动时差定位的解算方程与水下目标的实际运动相结合,采用扩展卡尔曼滤波算法,分析水下目标的跟踪问题及其每一时刻的置信椭圆。仿真结果表明在较低的采样率下,滤波器仍可以收敛,证明该系统模型的可行性。     

AUV同时定位与跟踪研究

由于低精度航位推算系统带来的累积误差,自治水下航行器（AUV）在未知环境中的定位准确性会随着时间的推移变得越来越差。当环境中有非合作体运动时,AUV不但可利用自身携带的声纳传感器对其探测并利用基于模型的目标跟踪方法估计非合作体轨迹,而且可以同时利用探测到的与非合作体的相对信息来提高自身定位精度。在同时定位与制图（SLAM）方法中的FastSLAM算法框架的基础上提出了同时定位与跟踪（SLAT）算法,即设置多个估计粒子,利用每个粒子中的粒子滤波器（PF）和扩展卡尔曼滤波器（EKF）分别估计AUV和非合作体的轨迹,并能根据实际量测与粒子估计量测之间的差别赋予粒子权值,继而得到多粒子加权的最终估计。最后仿真验证了算法的有效性。     

基于均方根容积卡尔曼的δ-GLMB多目标跟踪算法

在非线性高杂波密度场景下,高斯混合(Gaussian Mixture,GM)实现的δ-广义标签多伯努利滤波器(δ-Generalized Labeled Multi-Bernoulli Filter,δ-GLMB)难以准确地估计目标数目及运动状态。针对这一问题,提出基于均方根容积卡尔曼滤波(Square-rooted Cubature Kalman Filter,SCKF)的δ-GLMB高斯混合实现算法。基于三阶球面-径向容积准则选取一组等权的容积点集,对GM-δ-GLMB滤波器的伯努利分量传递过程中的高斯参量进行预测及更新,实现非线性模型系统下的目标跟踪。仿真结果表明,与现有的δ-GLMB滤波器的扩展卡尔曼滤波(Extended Kalman Filter,EKF)高斯混合实现及无迹卡尔曼滤波(Unscented Kalman Filter,UKF)高斯混合实现相比,该算法可提高非线性高杂波密度环境下的目标跟踪精度。     

一种改进中心差分卡尔曼滤波方法

针对中心差分卡尔曼滤波（CDKF）跟踪时估计精度较低这一不足,提出了一种基于迭代测量更新的中心差分卡尔曼滤波（ICDKF）方法。本文将迭代滤波理论引入到中心差分卡尔曼滤波算法中,重复利用观测信息,采用经典的非线性非高斯模型进行仿真实验,给出了该算法与扩展卡尔曼滤波（EKF）、中心差分卡尔曼滤波（CDKF）的仿真结果,并分析了其跟踪性能和均方根误差。实验结果表明,迭代中心差分卡尔曼滤波（ICDKF）算法不仅具有无需计算Jacobian矩阵的优点,而且具有更高的估计精度。     

漂移瑞利滤波算法及其在纯方位跟踪中的应用

单传感器纯方位跟踪问题仍是目前研究的重点和难点,方位角变化率很大时往往使得扩展卡尔曼滤波等矩匹配算法不稳定或发散。重点研究漂移瑞利滤波算法在方位角变化率很大的复杂单传感器纯方位目标跟踪场景下的性能,比较了漂移瑞利滤波,扩展卡尔曼滤波,不敏卡尔曼滤波,粒子滤波等其他非线性跟踪算法的性能,推导并计算了相关问题的Cramer-Rao下界并将其用作比较估值准确性和衡量算法性能的评价指标。仿真结果表明:漂移瑞利滤波算法的性能优于其他矩匹配算法,能达到与粒子滤波大体相同的计算精度,但它的计算速度比粒子滤波算法快几个数量级。     

一种改进扩展卡尔曼滤波新方法

针对现有的迭代扩展卡尔曼滤波（EIEKF）跟踪时估计精度较低这一不足,提出了一种改进扩展卡尔曼滤波（NIEKF）新方法。本文将迭代滤波理论引入到扩展卡尔曼滤波方法中,重复利用观测信息,采用经典的非线性非高斯模型进行仿真实验,给出了该方法与扩展卡尔曼滤波（EKF）、Unscented 卡尔曼滤波（UKF）、现有的迭代扩展卡尔曼滤波（EIEKF）的仿真结果,并分析了其跟踪性能和均方根误差。实验结果表明,改进扩展卡尔曼滤波（NIEKF）新方法具有更高的估计精度。