共查询到10条相似文献,搜索用时 15 毫秒
1.
2.
多传感器模糊融合跟踪算法 总被引:1,自引:0,他引:1
针对集中式融合结构跟踪系统,利用随机逼近算法分析了权值的最优分配原则,提出了一种基于模糊推理的多传感器融合跟踪算法。该算法采用协方差匹配技术,依据滤波新息,动态调整测量噪声方差,使融合系统的均方误差始终最小。同时利用双滤波器结构,根据系统方差,实现滤波器间的动态切换,提出了基于模糊推理的并行双Unscented卡尔曼滤波自适应跟踪算法,增强当前统计模型对弱机动目标的适应能力。针对机动和非机动飞行航路进行了算法仿真,结果表明,在时变测量噪声条件下,采用模糊融合跟踪算法前后的速度均方根误差分别为45.7m/s和36.2m/s, 18.7m/s和9.6m/s,提高了多传感器系统的稳健性和跟踪精度。 相似文献
3.
提出了一种用于GPS位置估计的模糊自适应强跟踪UKF(FAST-UKF)滤波算法.该算法采用强跟踪的自适应算法用以解决传统UKF算法容易受初始值和模型误差影响的问题;同时采用模糊逻辑系统解决强跟踪算法的参数估计问题,通过模糊逻辑系统实时监测滤波器的工作状况,实时对强跟踪算法的参数进行估计和调整,确保滤波器正常工作.仿真定位结果表明,模糊自适应强跟踪UKF算法相比UKF算法、传统的自适应UKF算法和强跟踪UKF算法更能够及时地适应载体运动规律变化,同时定位性能也有所提高. 相似文献
4.
基于高斯粒子滤波的当前统计模型跟踪算法 总被引:1,自引:3,他引:1
对于非线性系统估计问题,高斯粒子滤波器可以获得近似最优解,与粒子滤波器相比其优点是不需要重采样步骤和不存在粒子退化现象.采用高斯粒子滤波代替当前模型自适应跟踪算法中的卡尔曼滤波,将高斯粒子滤波与当前统计模型的优点相结合,提出了一种新的当前统计模型自适应跟踪算法,用于非线性非高斯系统的机动目标跟踪.MonteCarlo仿真表明,该算法跟踪精度优于标准的交互多模型算法和当前统计模型自适应跟踪算法,实时性好于交互多模型粒子滤波算法. 相似文献
5.
改进的EKF算法在目标跟踪中的运用 总被引:5,自引:3,他引:2
过程噪声和测量噪声影响Kalman滤波的性能,通常很难得到它们准确的值。提出观测噪声和过程噪声实时估计的自适应算法。该算法可以用在非线性和机动目标跟踪问题中,不必预先知道准确的噪声方差。重新估测观测噪声方差矩阵,可以较好地消除由观测噪声带来的误差;建立一个简单的线性Kalman滤波器对过程噪声进行实时估计,这对于机动目标来说是必要的,因为原有的过程噪声将受到加速度影响,不能包含全部的信息。实验表明,该算法保证EKF稳定性,提高了跟踪性能。模拟实验300次后,X,Y方向位置均方误差分别为7.8099,9.6838。 相似文献
6.
针对混合网格变结构多模型算法中用于描述目标运动模式的加速度估计不准确引起跟踪精度下降的问题,本文提出了一种基于“当前”统计模型(Current Statistics,CS)的混合网格多模型算法(Hybrid Grid Multiple Model, HGMM)。该算法以基于“当前”统计模型估计得到的加速度均值为依据进行网格划分,在线生成目标可能的模型集合,采用交互式多模型算法进行目标跟踪。在一般机动及强机动场景下进行了算法性能测试分析,仿真结果表明,该算法提高了对机动目标的跟踪精度。 相似文献
7.
由于计算误差等因素的影响,致使滤波协方差阵不对称或负定,从而导致滤波器发散,影响法波算法的收敛速度和稳定性。该研究在机动加速度“当前”统计自适应卡尔曼滤波算法的基础上,引入了基于奇异值分解(SVD)的协方差平方根滤波的自适应卡尔曼滤波算法。仿真结果表明,该算法可以较好地跟踪机动目标,具有精度高、稳定好、收敛快等特点。 相似文献
8.
9.