基于代价参考粒子滤波的机动目标跟踪算法

代价参考粒子滤波算法通过动态优化自定义代价函数和风险函数来衡量状态滤波估计的质量,选取最优的状态估计.与粒子滤波算法相比其优点是不需要任何先验概率知识的假定和重采样过程可实现并行处理.将代价参考粒子滤波与当前统计模型的优点相结合,提出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.Monte Carlo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,实时性好于当前统计模型高斯粒子滤波算法.     

基于改进粒子滤波的鲁棒目标跟踪算法

为了克服样本贫化现象导致的滤波发散,本文对重采样后的粒子进行有方向性的变异操作,在增加样本集的多样性同时使粒子集更集中均匀的分布在目标的邻域.同时把Mean Shift算法引入粒子滤波(PF)框架中,对PF估计结果迭代得到最优的目标状态,并用迭代得到的状态值控制粒子变异的方向.仿真实验表明,本文提出的方法具有更高的估计...     

基于CPFDE的目标跟踪算法研究

在目标跟踪中,为了克服粒子滤波的粒子退化和贫化问题,提高滤波精度,文中将差分演化算法与容积粒子滤波相结合,形成了差分演化容积粒子滤波算法。在粒子进行先验更新时,使用容积卡尔曼滤波算法融入当前时刻的量测信息并用其来产生重要性密度函数,并且在重采样阶段,用差分演化算法对根据重要性密度函数抽取的采样粒子做优化操作,从而克服粒子滤波存在的粒子退化及贫化问题,提高滤波性能。实验结果表明,和粒子滤波、无迹粒子滤波、容积粒子滤波相比,该算法有着更高的滤波精度和更好的稳定性,并且能够提高雷达机动目标跟踪的精确性。     

基于改进粒子滤波跟踪算法的运动视频跟踪

为了进一步提高目标跟踪的准确率,提出一种基于改进粒子滤波的运动视频跟踪算法。首先,通过高斯混合模型实现动态背景建模,从而降低噪声和局部动态背景的干扰;然后,在RGB颜色直方图分离的基础上,结合粒子滤波和迭代递归实现目标运动检测,提高了前景检测的准确性。仿真试验结果显示,相比典型粒子滤波算法、遗传粒子滤波和DCEM,改进粒子滤波跟踪算法得到的前景目标的轮廓更好,因此运动目标检测精确度更高且处理时间更短。     

改进高斯混合粒子滤波被动目标跟踪算法

针对被动传感器跟踪系统非线性较强问题,提出了一种基于改进高斯混合粒子滤波的被动传感器目标跟踪算法。该算法基于Sigma点卡曼滤波和粒子滤波的特点,用有限的高斯混合模型来近似后验状态密度、系统噪声和观测噪声的分布。然后结合遗传算法和EM算法来实现模型的降阶,克服了EM算法假定混合成分数为已知、迭代的结果需要依赖初始值、可能收敛到局部最大点或可能收敛到参数空间的边界的缺点,从而改善粒子枯竭的问题。仿真实验结果表明在被动传感器跟踪领域,与传统粒子滤波、基于EM的高斯混合粒子滤波和基于贪心EM的高斯混合粒子滤波相比,该算法在保持高精度估计能力的同时,具有较强的鲁棒性,是解决非线性系统状态估计问题的一种有效方法。     

基于改进粒子滤波算法的纯方位目标跟踪

纯方位目标跟踪是一个重要的研究课题。它要解决的问题是:利用含有噪声的方位数据来估计目标的真实运动轨迹。本文提出了一种基于粒子群优化的改进粒子滤波算法。这种算法可以将最新的观测值引入观测估计,提高了预估精度,减少所需的粒子数,从而实现对目标真实运动轨迹更好的跟踪。     

基于高斯-厄米特粒子漂移的机动目标跟踪算法

为了提高对机动目标跟踪的实时性,提出了一种将均值漂移嵌入高斯-厄米特粒子滤波器的目标跟踪算法.通过粒子滤波产生一组带权粒子,在高斯-厄米特预测的基础上利用基于颜色直方图分布的均值漂移算法对各粒子进行迭代优化,由于在提高粒子质量的同时有效降低了维持"多峰"假设所需的粒子数,从而保证了算法的精度和效率.实验结果表明文中算法在保持较高精度的同时,大大提高了跟踪的实时性.     

基于粒子滤波和联合概率数据关联的目标跟踪算法

为了解决非线性非高斯系统下多目标跟踪问题,对基于粒子滤波和联合概率数据关联的目标跟踪算法进行了深入研究。在多目标聚集且目标跟踪门可能交叉时,考虑使用基于多目标组合采样的JPDA算法,在多目标聚集不严重时,考虑使用基于独立采样的JPDA算法。仿真结果表明：该方法可以有效地解决非线性非高斯下多目标跟踪问题。     

一种基于SMOG模型的红外目标跟踪新算法

空间颜色混合高斯模型(SMOG)在基于颜色特征的目标跟踪中显示出比颜色直方图更强的目标鉴别能力,因为它不仅考虑了区域的颜色信息,而且也考虑了颜色的空间分布信息.本文将SMOG模型合理地引入到了红外目标的建模中,改进了原SMOG模型中的相似性度量函数,进一步提高了其对目标的鉴别能力.在粒子滤波框架内,使用简单的二阶自回归模型作为系统状态转换方程,将改进后的相似度函数作为各粒子的状态观测,给出了有效的模式更新方法以适应目标外观的变化,并设计出了一种有效的红外目标跟踪算法.实验证明,SMOG模型能有效刻画红外目标,本文提出的算法对红外目标的跟踪是稳健的.     

UPF算法在OFDM时变信道估计中的应用

为了提高正交频分复用(OFDM)系统中时变信道估计的精度和系统性能,提出一种利用无迹粒子滤波(UPF)算法的OFDM时变信道估计方法.该方法首先将OFDM系统时变信道建模为具有动态特性的状态方程,然后利用UPF算法,结合接收信号动态地估计信道状态.仿真结果表明:在高斯和非高斯环境下,所提的方法均可以获得比采用传统粒子滤...     

一种基于SAGE算法的OFDM系统频偏跟踪技术

正交频分复用系统（OFDM）的性能受限于频偏误差的影响，基于迭代方式的频偏跟踪技术可以较好地消除残余频偏，降低计算复杂度，并能够适应时变的信道参数。提出一种基于SAGE（Space-Ahemating Generalized Expectation-maximization）算法的迭代频偏跟踪方法。仿真结果表明，这种方法可以在很少的迭代次数里实现很高的估计精度，有效提高在时变信道中的接收性能。     

基于在线训练RBF网络的OFDM信道跟踪

提出一种结合了正则化技术及时间加权技术的递归最小二乘算法,用于径向基函数神经网络的在线训练及动态调整,从而解决OFDM系统中信道的动态跟踪问题.该算法能充分利用无线信道的时域相关性及频域相关性,仿真结果显示出了极强的鲁棒性;此外该算法具有的无记忆性,在线训练,递归更新等特点,使其可以低成本硬件实现.     

一种基于OFDM系统的自适应加载算法

提出一种适用于OFDM系统的自适应加载算法。此算法与现有的已知算法相比，方法简单，运算量小。计算机仿真表明，采用此算法在系统性能增益基本不变的条件下，可以大大降低计算量。     

OFDM系统中一种改进的信噪比估计算法

在OFDM系统,SNR承担着监控信号质量的责任.主要研究了基于LMMSE信道估计的信噪比估计.针对现有算法的复杂度高,信噪比估计有偏的问题,提出了一种改进的修正算法.该方法通过无偏的噪声估计以及前后OFDM符号之间的迭代来实现快速收敛,并且直接利用LMMSE信道估计过程的系数来计算修正因子,计算复杂度低.经仿真表明,所提方法在高SNR时估计精度可提高2dB,误码率也有0.3dB的提升.     

一种基于特征值求解的OFDM信道均衡算法

在OFDM系统中，时域均衡器用来抵消因循环前缀长度不足而引起的码间串扰。本文提出了一种新的时域均衡器的设计方法，该方法同时考虑了码间串扰和噪声对传输速率的影响。最佳均衡器的系数通过快速傅立叶变换在频域进行计算，并可通过求取矩阵的特，征向量来获得。仿真结果表明所提出来的方法能有效地提高系统传输速率。     

多用户OFDM系统子载波分配算法研究

采用改进的贪婪算法分配时隙的无线资源,根据用户业务的QoS和数据队列信息确定用户的优先权,并在获知信道状态信息条件下,按照传输比特消耗功率最小原则搜索所有子载波信道,为用户动态分配子载波和比特。仿真结果表明,在两种传输速率要求下,当接入用户数相同时,改进算法比传统贪婪算法减少功率消耗3.9622W;改进算法多消耗1.9858W功率却增加了2个接入用户,用户消耗平均功率比前者少2.2456W/用户。     

基于自适应无迹粒子滤波的目标跟踪算法

为解决复杂场景中目标跟踪问题,提出了一种噪声未知情况下的自适应无迹粒子滤波(A-UPF)算法。算法采用改进的Sage-Husa估计器对系统未知噪声的统计特性进行实时估计和修正,并与无迹Kalman粒子滤波器相结合产生优选的建议分布函数,降低系统估计误差的同时有效提升了系统的抗噪声能力。实验结果表明,本文方法对于复杂条件下的目标跟踪问题具有较高的精度和较强的鲁棒性。     

多径信道下OFDM系统定时同步算法

在无线信道中,由于多径的存在,影响OFDM系统定时的准确性。为了保证高效的数据传输,传统方法不应该限制码间串扰（ISI）对循环前缀（CP）的占用。文中在pre-FFT定时同步算法的基础上提出一个新的定时同步算法及其改进算法,该算法利用规则集对相关函数和导函数优化的方法得以进一步减小估计方差,本文在给出其推导过程的基础上给出了仿真结果,并与相关算法进行比较,结果表明新算法的定时估计精度较高且具有一定的鲁棒性。     

基于Box粒子滤波的参数自适应机动目标跟踪

针对机动目标跟踪加速度的不确定性,引入一种新的参数自适应算法,采用粒子滤波及高斯核密度估计技术,估计目标机动参数,实现对任意机动目标的跟踪。在此基础上,考虑到粒子滤波计算代价较高的问题,进一步引入区间分析技术,采用Box粒子代替传统的粒子,以提高算法的计算效率。实验结果表明,提出的算法能够有效地跟踪任意机动目标,且运算时间明显低于传统的参数自适应算法。     

基于特征确定性的目标跟踪算法

利用粒子空间分布和粒子观测概率信息定义了一种目标特征的确定性度量方法,将该度量应用到传统的多特征融合跟踪算法中,实现了目标特征加权值的自适应调整,使得不同场景及外部干扰条件下各种目标特征信息对跟踪结果的贡献达到最优。试验表明,基于确定性度量的跟踪算法较传统的单一特征跟踪及固定加权值的多特征融合跟踪算法有着更好的鲁棒性。