GPS/DR组合导航FAIMM滤波算法仿真研究

研究GPS/DR组合导航滤波问题。GPS/DR组合导航系统量测噪声统计特性随载体机动发生变化导致传统滤波算法滤波效果下降,针对此问题,提出了一种模糊自适应交互式多模型(Fuzzy Adaptive Interacting Multiple Model,FAIMM)滤波算法,将模糊自适应无迹卡尔曼滤波(FAUKF)与交互式多模型无迹卡尔曼滤波(IMMUKF)相结合,不需要预先设置模型集就能实现对载体量测噪声模式的覆盖。仿真结果表明:改进算法能够实时调整滤波器量测噪声参数,适应组合导航系统量测噪声变化,得到了与模型集完备的IMMUKF相当的导航滤波效果。     

基于交互式CPHD的多传感器多机动目标跟踪

针对多传感器高速多机动目标的跟踪问题,提出一种多传感器交互式贪婪势概率假设密度(MS-IMMGreedy-CPHD)滤波器.该滤波器在预测阶段,通过交互式多模(IMM)算法对势概率假设密度(CPHD)滤波中目标的状态、势分布和运动模型同时进行预测;在滤波的更新阶段,利用贪婪(greedy)量测划分机制选取多传感器量测子集和拟分区,并通过拟分区量测子集对不同模型下CPHD预测的目标状态和势分布以及模型进行交互式更新.仿真结果表明,所提出MS-IMM-Greedy-CPHD滤波能够对高机动多目标进行稳定有效的跟踪,相较于多传感器势概率假设密度(MS-CPHD)滤波,跟踪结果的OSPA误差更小且势估计更加准确.     

具有噪声信息与状态模型不确定系统的IMM自适应滤波

卡尔曼滤波器广泛用于解决线性高斯系统的状态估计问题.然而,在实际应用中过程噪声和系统模型参数先验信息未知,且量测受到异常值干扰,给准确估计系统状态带来极大困难.针对具有噪声信息和状态模型不确定的动态系统,提出一种广义交互式多模型自适应滤波算法.该算法设计多个模型并行的方式对系统不确定进行处理,对于每个模型,建立Skew-T分布非对称重尾噪声表示模型,为了解决过程噪声与系统协方差相互耦合难以求解的问题,利用逆威沙特分布对系统预测协方差矩阵进行描述,并通过变分贝叶斯推理递归计算系统状态的后验分布.仿真结果和实验验证表明,在噪声信息和状态模型不确定条件下,所提出算法具有较高的估计精度.     

量测噪声相关条件情况下的多传感器状态融合估计

对于量测噪声相关的多传感器系统,采用Cholesky分解和单位下三角阵的求逆方法,将其转化为量测噪声互不相关的等价模型,从而可以直接利用现有的融合算法进行状态融合,由此给出了量测噪声相关情况下多传感器的状态融合算法.该算法和已有的算法相比具有两大优点,该算法不仅考虑了量测噪声相关而且简单可行,而且该算法和已有的算法相比更具有一般性,对于有特征值相同的情形同样适用.数值仿真结果表明了该算法的有效性.     

一种模糊Kalman滤波机动目标跟踪的新算法

提出了一种基于模糊自适应的Kalman滤波机动目标跟踪新算法.算法首先分析了目标航向角和观测残差均能实时反应出目标机动情况,并由此设计了一种有效的模糊逻辑规则,综合利用航向角变化量和残差,通过模糊推理动态估计Kalman滤波器的过程噪声协方差,从而提高对机动目标跟踪的性能.实验结果表明,提出算法对机动目标跟踪的精度较交互式多模型(Interacting multiple model,IMM)算法高,且计算量比IMM算法小.     

一种带有色量测噪声的非线性系统辨识方法

利用最大似然判据, 本文提出了一种带有色量测噪声的非线性系统辨识方法. 首先, 利用量测差分方法将有色量测噪声白色化, 获得新的量测方程, 从而将带有色量测噪声的非线性系统辨识问题转化成带白色量测噪声和一步延迟状态的非线性系统辨识问题. 其次, 利用期望最大化(Expectation maximization, EM)算法提出了一种新的基于最大似然估计的非线性系统辨识方法, 该算法由期望步骤(Expectation step, E-step)和最大化步骤(Maximization step, M-step)两部分组成. 在期望步骤中, 基于当前估计的参数并利用带有色量测噪声的高斯近似滤波器和平滑器, 近似计算完整的对数似然函数的期望. 在最大化步骤中, 近似计算的似然函数期望值被最大化, 并且通过解析更新获得噪声参数估计, 通过Newton更新方法获得模型参数的估计. 最后, 数值仿真验证了本文提出算法的有效性.     

基于色噪声背景下线性滤波器组检测性能的研究

随着5G新空口信号处理技术的广泛应用,为了提高大规模组网中基站(天线)滤波器检测系统的检测性能,本文提出了一种基于色噪声背景下对信号进行检测判决的线性滤波器组(LFB)检测系统,即在传统匹配滤波器检测系统中加入白化滤波器级联组构成线性滤波器组检测系统,首先对二元确知信号检测判决系统中相干相移键控系统(CPSK),相干频移键控系统(CFSK),和相干启闭键控系统(COOK)的检测性能进行分析。其次,在此基础上推广到对多元(M元信号检测)确知信号检测性能进行分析。最后,经过仿真,根据最大输出信噪比准则,采用白化滤波器组将色噪声滤除有色部分后通过检测判决系统,获取在色噪声背景下最佳的线性滤波器组(Linear Filter Bank,LFB)(相关接收机)的检测性能。     

带有色厚尾量测噪声的鲁棒高斯近似滤波器和平滑器

为了解决带有色厚尾量测噪声的非线性状态估计问题,本文提出了新的鲁棒高斯近似（Gaussian approximate,GA）滤波器和平滑器.首先,基于状态扩展方法将量测差分后带一步延迟状态和白色厚尾量测噪声的非线性状态估计问题,转化成带厚尾量测噪声的标准非线性状态估计问题.其次,针对量测差分后模型中的噪声尺度矩阵和自由度（Degrees of freedom,DOF）参数未知问题,设计了新的高斯近似滤波器和平滑器,通过建立未知参数和待估计状态的共轭先验分布,并利用变分贝叶斯方法同时估计未知的状态、尺度矩阵、自由度参数.最后,利用目标跟踪仿真验证了本文提出的带有色厚尾量测噪声的鲁棒高斯近似滤波器和平滑器的有效性以及与现有方法相比的优越性.     

交互式箱粒子标签多伯努利机动目标跟踪算法

针对多机动目标追踪问题, 将交互式多模型(Interacting multiple model, IMM)思想与箱粒子标签多伯努利滤波器(Box-labeled multi-bernoulli filter, Box-LMB)相结合, 提出交互式箱粒子标签多伯努利滤波器(IMM-Box-LMB)算法.该算法首先通过扩展多目标状态, 引入模型匹配概率变量, 并利用量测信息在预测阶段更新模型匹配概率, 进而使用交互式多模型算法对每个箱粒子状态进行混合估计.其次, 在更新阶段提出二次收缩算法, 通过二次收缩算法使更新后的箱粒子具有更大的区间和存活概率, 也更加接近真实目标位置, 从而达到提升后续时刻箱粒子多样性的目的.仿真结果表明, 二次收缩算法能够有效地提升箱粒子的多样性.将二次收缩算法应用于IMM-Box-LMB算法, 能够在不同信噪比下稳定准确地估计机动目标的个数.相同条件下, 与匀速直线运动(Constant velocity, CV)模型下的Box-LMB算法相比, IMM-Box-LMB算法能够对多机动目标的数目以及状态进行更加有效的估计.     

基于加权子空间投影的谱估计器分辨力研究

针对常规子空间类算法在低信噪比、小快拍数情况下分辨力差的问题,分别对信号和噪声子空间提出加权投影算法来加以改善。对于信号子空间,采用主特征值与噪声功率之差的倒数对其特征向量加权;对于噪声子空间,将导向矢量在噪声子空间正交基各元素上的投影值作为权值,对正交基各元素加权。仿真实验表明,这两种算法能有效降低信源分辨的信噪比和快拍数门限,在低信噪比与小快拍条件下具有较好的分辨力和测量精度。     

基于自适应交互多模型算法的传感器故障诊断

在标准的交互多模型算法中,模型切换概率和模型噪声方差都假定为先验信息,但是系统的模型信息一般隐含在当前的量测信息中,因此本文提出一种在线辨识模型切换概率和噪声方差的自适应交互多模型算法,在建立传感器的全局故障和局部故障模型的基础上,对自主水下航行器多个传感器的局部故障与全局故障进行了诊断.在仿真过程中发现,与一般的多模型自适应估计方法(MMAE)相比,此方法算法简单,能够更加准确可靠地诊断故障.     

基于概率模型的实时修正IMM目标跟踪算法

针对传统的IMM算法采用固定测量噪声协方差矩阵和Markov转移概率矩阵导致模型切换缓慢,跟踪精度下降的问题,提出了一种具有模型概率实时修正的IMM机动目标跟踪算法。该算法在监控区域上建立无线电指纹库,利用支持向量回归算法训练得到观测模型。引入模糊神经网络,在模型交互输出阶段自适应地调整测量误差协方差矩阵。根据IMM子模型中连续时间点之间的模型概率的比值,对Markov转移概率进行修正。仿真结果表明,提出的方法在实时性、跟踪精度方面具有良好的性能。     

具有参数自适应的交互式多模型算法

动态多模型估计（SMME）广泛应用于结构和参数的不确定／变化的估计问题中,比如目标跟踪和故障诊断与隔离,然而由先验信息选定的滤波参数是模式切换与模式未切换情况下的折衷,针对SMME,本文通过在每个滤波循环开始处起始多个状态预测器实时辨识滤波参数,包括模式切换概率和基于模型的过程噪声方差,考虑到交互式多模型（IMM）是SMME中比较有效的方法,我们将上述的参数辨识与IMM相结合,提出了一种自适应IMM（AIMM）,在跟踪一个机动目标的仿真中,AIMM表现出了比IMM更高的估计精度。     

IMM算法实现非线性状态估计的研究与仿真

研究交互式多模型算法的非线性状态估计性能,按照工作点把非线性系统线性化为多个子模型,建立多模型自适应状态估计器.利用Monte-Carlo仿真法将其与EKF和UKF算法在不同参数下的噪声抑止能力和鲁棒性进行了比较,并分析了马尔可夫参数和模型个数对算法性能的影响.仿真结果表明该算法能达到理想的估计精度、收敛速度、稳定性和鲁棒性,能克服单一估计器由于参数变化和外部扰动所造成的估计误差过大,甚至发散的问题,能覆盖大范围的参数不确定性.     

Interacting multiple model and sensor selection algorithms for manoeuvring target tracking in wireless sensor networks with multiplicative noise

This article addresses the problem of tracking a manoeuvring target in a wireless sensor network (WSN) consisting of distance-measuring sensor nodes. In order to cope with target manoeuvres, an interacting multiple model (IMM) filter is applied to estimate the position and velocity of the target. The distance-dependent measurement error of sensors is formulated as both additive and multiplicative noise in the observation equation. To deal with nonlinearities in the process and observation equations and also to solve the problem of multiplicative measurement noise, a new particle filter (PF)-based IMM approach is developed. Furthermore, the multiple-model posterior Cramér-Rao lower bound (PCRLB) is derived in the presence of both additive and multiplicative noise and it is used to perform a sensor selection algorithm to reduce energy consumption in WSN nodes. Simulation results show the effectiveness of the proposed IMMPF and sensor selection algorithms in target tracking.     

An Interacting Multiple Model Approach for State Estimation with Non‐Gaussian Noise Using a Variational Bayesian Method

The conventional interacting multiple models (IMM) approach for a hybrid system under the Gaussian assumption is limited for most real applications due to the noisy measurements often being in the presence of outliers. This paper aims at accommodating the IMM approach to the non‐Gaussian cases where outliers exist. In the proposed IMM algorithm, the Student‐t distribution is used to model the non‐Gaussian measurement noise. At the interaction step, the mixed statistics of the noise parameter under a Bayesian framework are obtained via a Gamma approximation and a recently reported moments matching method. To address the state noise‐coupled intractability in Bayesian filtering, a variational Bayesian method is utilized to approximate the posterior distributions of the noise and state recursively. The proposed algorithm is tested with a maneuvering target tracking example and is shown to be robust to the outliers.     

一种新的雷达和红外融合算法

针对作机动飞行的空中目标,利用目标多普勒信息和红外辐射信息,建立具有Markov跳交参数的红外系统距离估计模型,基于结构随机跳变系统最优滤波理论,提出了一种红外系统距离估计算法.基于交互式多模型算法(IMM),以红外测距为伪距量测,提出了一种新的主动雷达和红外融合算法.对一个高机动目标跟踪进行了仿真,结果表明红外距离估计误差小,融合算法跟踪精度高,性能良好,易于工程实现.     

基于期望最大化算法的自适应噪声交互多模型滤波

A novel method under the interactive multiple model (IMM) filtering framework is presented in this paper, in which the expectation-maximization (EM) algorithm is used to identify the process noise covariance Q online. For the existing IMM filtering theory, the matrix Q is determined by means of design experience, but Q is actually changed with the state of the maneuvering target. Meanwhile it is severely influenced by the environment around the target, i.e., it is a variable of time. Therefore, the experiential covariance Q can not represent the influence of state noise in the maneuvering process exactly. Firstly, it is assumed that the evolved state and the initial conditions of the system can be modeled by using Gaussian distribution, although the dynamic system is of a nonlinear measurement equation, and furthermore the EM algorithm based on IMM filtering with the Q identification online is proposed. Secondly, the truncated error analysis is performed. Finally, the Monte Carlo simulation results are given to show that the proposed algorithm outperforms the existing algorithms and the tracking precision for the maneuvering targets is improved efficiently.     

Tracking and identification of regime-switching systems using binary sensors

This work is concerned with tracking and system identification for time-varying parameters. The parameters are Markov chains and the observations are binary valued with noise corruption. To overcome the difficulties due to the limited measurement information, Wonham-type filters are developed first. Then, based on the filters, two popular estimators, namely, mean squares estimator (MSQ) and maximum posterior (MAP) estimator are constructed. For the mean squares estimator, we derive asymptotic normality in the sense of weak convergence and in the sense of strong approximation. The asymptotic normality is then used to derive error bounds. When the Markov chain is infrequently switching, we derive error bounds for MAP estimators. When the Markovian parameters are fast varying, we show that the averaged behavior of the parameter process can be derived from the stationary measure of the Markov chain and that can be estimated using empirical measures. Upper and lower error bounds on estimation errors are also established.     

Convergence properties of an optimal filter design with correlated output noise

This note studies the convergence and stability properties of an optimal filter for systems with Markov measurement noise. The convergence and stability conditions for the design analyzed are the same as those for the optimal f'dter when the measurement noise is assumed to be a nonsingular white noise process.