基于量测分配的SMC-PHD改进算法

序贯蒙特卡罗概率假设密度(SMC-PHD)滤波算法由于需要大量粒子参与,导致其存在效率低、估计精度不高等问题.文中以序贯蒙特卡罗概率假设密度滤波算法为框架,利用最新量测集中的量测信息与目标粒子的单步预测状态的似然值,通过概率选取量测值,之后进行概率假设滤波算法的更新.仿真的结果表明,与现有序列蒙特卡罗概率假设密度滤波算法相比,在相同仿真条件下新算法的估计精度显著提高.     

基于星-凸形随机超曲面模型的扩展目标GM-PHD滤波器

针对扩展目标联合估计运动状态和目标外形的问题,提出一种基于星-凸形随机超曲面模型的扩展目标高斯混合概率密度滤波算法.该算法利用星-凸随机超曲面模型对量测的扩散程度进行建模,在高斯混合概率假设密度的框架下,通过求解、更新递推量测模型下的量测似然、新息等参数来实现对扩展目标的跟踪.仿真实验表明,该算法在保证跟踪有效性和可行性的同时,提高了对扩展目标运动状态和目标外形的估计精度.     

基于多目标不确定性改进的GM-PHD滤波器

基于随机有限集的高斯混合概率假设密度（GM-PHD）滤波是处理多目标跟踪问题的一种有效方法。GM-PHD滤波器在密集杂波环境中会因估计误差过大而导致跟踪性能的下降,主要是因为没有充分考虑来自多目标量测的不确定性。为此,提出在考虑高斯分量权重的情况下,通过分量值改变协方差更新式,并通过引入标签,采用自适应阈值对高斯分量进行合并。理论分析和仿真结果表明：该方法在杂波环境下,目标最优次模式分配距离小,跟踪精度更高;目标数量的估计结果受杂波的影响更小,其估计值更接近真实的目标数量;通过具有不同杂波以及检测概率条件的跟踪场景,证明了该方法的目标数量估计精度和滤波性能明显好于传统算法。     

基于二阶中心差分滤波的高斯混合粒子PHD多目标跟踪算法

针对杂波环境下高斯混合粒子PHD面临的跟踪精度低、滤波发散等问题,提出基于二阶中心差分滤波的高斯混合粒子PHD算法。该算法在传统的高斯混合粒子PHD滤波的基础上,采取二阶中心差分滤波方法来得到最优的重要性密度函数,充分利用了量测信息对采样粒子进行更新,使得粒子分布更加接近目标真实的后验分布,然后对PHD进行更新。仿真结果表明,该算法能在杂波环境下有效地跟踪多个目标,与高斯混合粒子PHD算法相比,状态估计更加接近真实值,大大提高了跟踪精度和系统稳定性。     

基于多普勒量测的UKF多目标跟踪方法

针对高斯混合概率假设密度滤波(GMPHD)初始化需要先验强度函数的缺点,在现有GMPHD滤波框架的基础上,将多普勒信息附加于滤波更新过程中,提出了基于多普勒量测的UKF多目标跟踪方法。该方法能够利用多普勒信息对新生目标状态初始化,实现新生目标的自动初始化,有效降低滤波估计误差。仿真结果表明,所提方法复杂度较低,且在多目标跟踪过程中,对于目标个数的估计精度和最优子模式指派距离均优于已有方法。     

基于GUMPHDF的雷达组网跟踪时变数目标

为解决在雷达组网中高斯混合概率假设密度滤波(Gaussian mixture probability hypothesis density filter,GMPHDF)难以跟踪非线性系统目标的问题,构建一种高斯无迹混合概率假设密度滤波(Gaussian unscented mixture probability hypothesis density filter,GUMPHDF)方法.将新生、衍生和继续存在目标的高斯元素分别用无迹滤波(unscented filter,UF)进行预测与更新,得到各目标的高斯无迹混合元素,再进入裁剪合并与状态提取程序.仿真结果表明:将该方法应用于炮兵雷达组网跟踪强杂波环境下,能跟踪到探测区域所有目标,精度较高,符合工程实践要求.     

非平稳非高斯测量噪声条件下改进差分粒子滤波算法研究

针对非平稳非高斯测量噪声(NSNGN)条件下差分粒子滤波(DDPF)算法状态估计精度低、易发散的问题,提出了一种改进DDPF(IDDPF)算法. IDDPF算法采用高斯混合密度函数近似估计测量噪声,替代传统算法中测量噪声的高斯密度函数近似估计,采用似然函数的对数最大化法求解高斯混合密度函数模型参数,并将该模型应用于粒子权值计算,避免了高斯密度函数近似估计噪声模型所易于导致的粒子退化问题;通过建立水下目标纯方位角跟踪系统模型,将IDDPF算法应用于闪烁测量噪声条件下水下目标纯方位角跟踪问题的求解。50次Monte Carlo对比仿真实验结果表明：在NSNGN条件下IDDPF算法具有跟踪响应快、估计精度高、鲁棒性较好等优点。     

雷达组网多目标跟踪系统的设计与实现

雷达组网多目标跟踪系统采用加权最小二乘估计估计目标的初始状态，其数据关联采用最近邻算法，假设观测误差为高斯噪声且各个传感器之间相互独立，先计算量测点与系统航迹的标准化距离，再判断某个量测是否与某个航迹相关联，选择标准距离最小的系统航迹与量测点配对，用此量测点对系统航迹进行更新。系统跟踪滤波则采用加权最小二乘滤波算法，仿真试验表明，该系统可有效地对组网雷达条件下的多目标进行跟踪。     

多目标跟踪的高斯混合概率假设密度滤波算法

在多目标跟踪中,在观测数据存在关联的不确定、检测的不确定、噪声和虚警情形下,同时估计出随时间变化的目标数及目标状态,高斯混合概率假设密度(GMPHD)提供了一种有效的方法.PHD滤波不存在解析解,而GMPHD滤波提供了PHD递推的解析解.仿真结果表明,GMPHD滤波能稳健的跟踪目标数未知或时间变化时的目标状态和目标数.     

未知杂波状态下基于箱粒子滤波的PHD算法

针对未知杂波环境中,传统的多目标概率假设密度(PHD)滤波器跟踪精度无法保证,所需粒子支撑集过大导致效率低下的问题,引入了区间分析技术,提出了未知杂波状态下基于箱粒子滤波的PHD算法。该算法首先完成对雷达目标和杂波的混合空间随机有限集模型的构建,然后基于箱粒子滤波技术,利用量测数据建立未知杂波模型,推导出目标状态更新方程,并用多目标箱粒子PHD滤波递推地估计目标状态。仿真实验表明,当杂波环境与先验模型不匹配时,相较于多目标粒子滤波算法,该算法在保证目标跟踪性能的同时,有效减少了算法的计算时间。     

一种贝叶斯目标选择算法

为了解决多假目标干扰环境下的舰艇编队目标选择问题,在线性高斯假设下,建立了编队目标运动模型和量测模型,并基于贝叶斯方法推导了复合假设后验概率,提出了一种反舰导弹目标选择算法。该算法充分利用了导弹导航位置误差、编队机动和队形等信息,并且适用于量测噪声方差不同的实际情况。同时,为了降低算法的计算复杂度,设计了基于队形的预滤波器,大大削减了复合假设数量。算例仿真表明,该算法具有优良的性能,显著提高了编队目标正确选择概率。     

存在非高斯重尾分布噪声的纯方位目标跟踪算法

纯方位目标跟踪是目标跟踪研究中的热点问题,针对目标跟踪方程中的非高斯重尾分布噪声问题,提出了一种针对非高斯重尾分布噪声的卡尔曼滤波算法。该方法通过建立基于存在异常值的高斯分布的层次高斯模型来近似未知的非高斯重尾分布系统过程噪声和测量噪声,并使用变分贝叶斯推断来学习混合概率,解决混合概率不确定带来的滤波性能下降的问题,从而提高滤波的鲁棒性。同时针对纯方位目标跟踪模型的非线性,结合修正增益卡尔曼滤波来降低量测方程非线性的影响。数值仿真结果表明,相对于EKF、UKF和变分贝叶斯卡尔曼滤波PEKF-VB、VBEKF,新算法VBMGEKF估计精度分别提高了69.31%、58.08%、127.84%和9.36%,具备更好的鲁棒性与精度。     

基于粒子聚类改进门限的GM-CPHD跟踪算法

针对带势的高斯混合概率假设密度滤波(GM-CPHD)计算量大,效率不高,已经无法适应现代战场要求,提出了一种基于粒子聚类改进椭球门限的GM-CPHD多目标跟踪算法。首先引入粒子聚类的方法,通过该方法得到修正的椭球门限;然后通过修正的椭球门限得到新的量测集合,实现了量测空间的改进;最后通过量测集合利用GM-CPHD算法进行更新。经过实验仿真证明,该方法在多目标跟踪效果上优于GM-CPHD算法,且计算复杂度大幅度降低,相比于带门限的GM-CPHD算法,跟踪性能也明显提高。     

高斯混合粒子滤波器在状态估计中的应用

标准粒子滤波算法中存在的影响状态估计性能的主要问题是再采样步骤带来的粒子枯竭。针对这一问题,介绍一种改进的粒子滤波算法,将高斯混合模型中的后验状态密度通过采用加权EM算法产生量测更新过程中的加权粒子集来重新获得。该步骤取代了重采样步骤中需要较多的粒子集,减轻了采样枯竭问题。通过仿真表明,与其它相关算法相比新算法提高了估计性能和降低了计算复杂性。     

高斯粒子滤波的局部光流运动匹配跟踪算法

针对目前大多数目标跟踪算法容易受背景干扰等问题,为了快速准确地进行目标跟踪,在基于粒子滤波跟踪方法的启发下,提出高斯粒子滤波的局部光流运动匹配目标跟踪算法。该算法首先采用高斯粒子滤波算法对未来时刻目标的位置状态进行估计假设,缩小目标搜索范围;然后对锁定范围内场景中的所有内容进行局部光流约束匹配计算,寻找最佳匹配位置;最后通过估计目标状态来获得跟踪目标。仿真实验结果表明,该算法特别适用于目标灵活运动时的跟踪,与现有的算法相比,不仅算法实现简单,同时有较好的鲁棒性和通用性。     

基于OOSM-PF的微弱目标检测前跟踪

由于量测数据预处理以及通信延迟等因素的影响,集中式融合跟踪系统面临着无序量测的问题.针对低信噪比和无序量测情况下的微弱目标检测与跟踪,提出了一种基于无序量测和粒子滤波的检测前跟踪方法,然后将该方法的性能与顺序量测滤波方法以及丢弃无序量测方法的性能进行分析对比.仿真结果表明,该算法可以有效处理无序量测问题,实现对微弱目标的有效检测和跟踪,其目标跟踪精度接近顺序量测滤波的跟踪精度.     

闪烁噪声环境下基于PF的机动多目标跟踪算法研究

为了能够解决非线性非高斯环境中的多目标跟踪问题，提出了一种基于粒子滤波器和联合概率数据关联算法。该算法是在粒子滤波方法的基础上，应用联合概率数据互联的思想计算每个量测值对各个粒子的更新权值，从而获得最终的滤波结果。仿真结果表明，该方法可以同时很好地解决非线性非高斯系统环境下多目标机动性和数据关联问题，具有较好的跟踪性能。     

基于序贯蒙特卡洛与概率假设密度滤波的主动分布式声纳多目标跟踪

针对杂波数量多、目标数量和状态不确实性及观测不确实性等问题,提出了一种基于序贯蒙特卡洛与概率假设密度(SMC-PHD)滤波的分布式声纳多目标自动跟踪方法。通过随机有限集模型对多目标状态和观察进行表征,结合序贯蒙特卡洛方法中的重要性采样和重采样策略递归地实现多目标后验近似下概率假设密度的传递和滤波。利用分布式声纳观测模拟数据,对不同节点数目下基于SMC-PHD滤波的多目标跟踪进行了仿真实验。仿真实验结果表明：该方法适用于主动分布式声纳系统,能在多杂波环境下对数目未知且时变的多目标进行实时自动跟踪;在4个平台节点的主动分布式声纳系统中,实现了平均相对误差小于5%的水下多目标高精度跟踪,且目标数目估计值与真实值一致。     

杂波未知条件下基于箱粒子滤波的CBMeMBer算法

针对杂波未知条件下,传统的势均衡多目标多伯努利滤波器(CBMeMBer)的序贯蒙特卡洛实现跟踪精度不高,且所需粒子数目过大,导致跟踪效率低下的问题,引入区间分析理论,提出了杂波未知条件下基于箱粒子滤波技术的CBMeMBer算法。该算法构建目标和杂波的混合状态空间模型,基于箱粒子滤波技术,建立杂波模型,推导出目标预测、更新方程,用多目标箱粒子CBMeMBer递推表达式估计目标状态。仿真实验表明,在杂波模型先验已知或未知条件下,所提算法既保证了目标跟踪精度,又大幅度提高了算法的执行速率。     

基于盒粒子滤波的多扩展目标伯努利滤波算法

针对非线性和区间量测条件下的多扩展目标跟踪问题,提出了一种基于盒粒子滤波的多扩展目标MeMBer滤波算法。该算法首先将盒粒子滤波引入到改进的ET-MeMber滤波中,并推导了适用于区间量测的多扩展目标伪似然函数和状态更新方程,接着给出了基于MD-AP聚类的区间量测集划分方法来处理滤波过程中存在的区间量测集划分问题。仿真实验结果表明,所提算法能够快速高效地对区间量测进行处理,与传统的序贯蒙特卡洛实现方式相比,具有更好的跟踪性能。