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.     

非线性系统的小波分频的扩展Kalman滤波

基于噪声的小波变换特点,结合量测的多尺度分解和扩展Kalman滤波(EKF),提出了一种小波“最佳”尺度分解的分频EKF滤波算法。该算法依据小波变换模功率谱选择最佳小波分解尺度,并将小波多尺度分解去噪和分频EKF滤波结合起来。对实际中含强噪声的非线性动态系统进行状态估计效果较好。Monte-Carlo仿真表明,与普通EKF滤波相比,本文算法的滤波精度平均提高约10%。     

基于SMC-PHDF的部分可分辨的群目标跟踪算法

提出一种基于粒子概率假设密度滤波器(Sequential Monte Carlo probability hypothesis density filter, SMC-PHDF)的部分可分辨的群目标跟踪算法. 该算法可直接获得群而非个体的个数和状态估计. 这里群的状态包括群的质心状态和形状. 为了估计群的个数和状态, 该算法利用高斯混合模型(Gaussian mixture models, GMM)拟合SMC-PHDF中经重采样后的粒子分布, 这里混合模型的元素个数和参数分别对应于群的个数和状态. 期望最大化(Expectation maximum, EM)算法和马尔科夫链蒙特卡洛(Markov chain Monte Carlo, MCMC)算法分别被用于估计混合模型的参数. 混合模型的元素个数可通过删除、合并及分裂算法得到. 100次蒙特卡洛(Monte Carlo, MC)仿真实验表明该算法可有效跟踪部分可分辨的群目标. 相比EM算法, MCMC算法能够更好地提取群的个数和状态, 但它的计算量要大于EM算法.     

多模型概率假设密度平滑器

针对杂波环境下的多个机动目标跟踪问题, 本文将多模型概率假设密度(Multiple-model probability hypothesis density, MM-PHD)滤波器和平滑算法相结合, 提出了MM-PHD前向--后向平滑器. 为了避免引入复杂的随机有限集(Random finite set, RFS)理论, 本文根据PHD的物理空间(Physical space)描述法推导得到了MM-PHD平滑器的后向更新公式. 由于MM-PHD前向--后向平滑器的递推公式中包含有多个积分, 因此它在非线性非高斯条件下没有解析的表达形式. 故本文又给出了它的序贯蒙特卡洛(Sequential Monte Carlo, SMC)实现. 100次蒙特卡洛(Monte Carlo, MC)仿真实验表明, 与MM-PHD滤波器相比, MM-PHD平滑器能够更加精确地估计多个机动目标的个数和状态, 但MM-PHD平滑器存在一定的时间滞后, 并且需要耗费更大的计算代价.     

基于运动矢量时-空特性的快速运动估计算法研究

通过运动矢量在时—空特性的分析,根据时—空关系采用不同的搜索模式;实验结果表明该算法有效提高了运动估计的速度并避免了现有运动技术的不足,同时具有与相关算法近似或更好的性能。     

高斯混合扩展目标概率假设密度滤波器的收敛性分析

研究了高斯混合扩展目标概率假设密度(Gaussian mixture extended-target probability hypothesis density, GM-EPHD)滤波器的收敛性问题, 证明了在杂波强度先验已知且扩展目标的期望测量个数连续有界的假设条件下, 若该 GM-EPHD 滤波器的 GM 项趋于无穷多, 那么它一致收敛于真实的 EPHD 滤波器. 并且, 本文还证明了该算法在弱非线性条件下的扩展卡尔曼(Extended Kalman, EK)滤波近似实现 —EK-GM-EPHD 滤波器, 在每个 GM 项的协方差趋于0时, 也一致收敛于真实的 EPHD 滤波器. 本文的研究目的在于从理论上给出 GM-EPHD 和 EK-GM-EPHD 滤波器的收敛性结果以及它们满足一致收敛性的条件.     

共同杂波环境下多目标量测数据的误差传递与校正

在目标跟踪领域, 如何提高目标航迹估计精度是一个重要问题. 传统做法是基于目标量测数据进行滤波或者融合以减小随机误差. 本文提出了基于误差相关性提高估计精度的新思路. 在强相关条件下, 依据误差基本理论, 研究了多目标之间量测数据误差传递和校正的概念、原理和方法, 建立并给出了各关键步骤的算法. 仿真实验表明, 多目标量测数据误差之间具有相关性时, 可以进行误差的传递和校正. 如果相关性较强, 则校正后量测数据精度能够得到较大幅度的提高.     

基于惯导角度量测的轨道平面最佳线形参数估计算法

轨道线形分段及线形参数优化是铁路轨道既有线复测工作的核心。基于惯导角度量测数据，提出了一种轨道平面线形分段及最佳线形参数估计算法。所提算法根据轨道线形变化规律，利用组合迭代的方法计算轨道的最佳线形参数。该算法将轨道平面线形确定建模成优化问题：首先根据定长曲率曲线最小二乘拟合斜率变化对轨道进行概略分段；然后基于量测数据拟合轨道线形；最后使用组合迭代算法进行精确分段并确定最佳线形参数。仿真算例结果表明，所提算法结果优于现有人工判定算法——基于两组不同分段点的线形参数拟合结果，与穷举法结果更为接近，所提算法均方根误差（RMSE）仅比穷举法高4.93%，但计算量仅为穷举法的0.02%。西安地铁三号线的实测结果也验证了所提算法的有效性。