适于无源阵列跟踪机动目标的IMM-PF算法

针对无源阵列对机动目标跟踪效果较差的问题,在融合交互式多模型和粒子滤波方法的基础上,提出了一种基于粒子滤波的交互多模型(IMM-PF)算法.该算法采用多模型结构以跟踪目标的任意机动;各模型采用粒子滤波算法,以处理非线性、非高斯问题.各模型中相对固定数目的粒子群经过相互交互、粒子滤波后再进行重抽样以减少滤波退化现象.与典型的交互式多模型算法(IMM-KF)进行了比较,计算机仿真结果证实了新算法的正确性和有效性.     

一种多速率的交互式多模型粒子滤波算法

针对融合交互式多模型和粒子滤波,提出了一种采用多速率方法的交互式多模型粒子滤波(MRIMMPF)算法.该算法采用多模型结构来跟踪任意机动的目标,各模型采用粒子滤波,以处理非线性、非高斯问题.但是粒子滤波的问题是计算量过大,特别是应用到IMM算法时,多速率方法则可以在保证算法性能的同时解决此问题.仿真结果表明,MRIMMPF算法在性能上明显优于交互多模型粒子滤波(IMMPF)算法,具有较小的计算量.     

基于IMM-PF的再入目标数据融合算法与仿真

为了提高弹道再入目标的跟踪精确度,提出了一种基于交互式多模型粒子滤波（IMM-PF）的再入目标数据融合算法。该算法将交互式多模型和粒子滤波相结合,用有限个运动模型来逼近再入目标的运动状态,在对再入目标的运动方程和观测方程离散处理的基础上,采用粒子滤波算法计算各模型的状态估计值和协方差,并采用残差重采样方法克服了粒子权重的退化问题;在粒子滤波过程中,系统不断改善粒子的概率密度函数,不断更新各个模型的概率,从而实现对再入目标跟踪中未知参数的精确估计。通过实例仿真表明：与其他算法相比,该算法的跟踪精确度较高,运行时间较短,算法收敛性较好,适合对再入目标的快速、精确跟踪。     

基于GAUPF-IMM算法的机动目标跟踪研究

为提高对机动目标滤波跟踪的精度,融合遗传算法与粒子滤波交互多模算法,提出了一种遗传算法优化的交互式多模不敏粒子滤波算法(GAUPF-IMM).该算法采用多模型结构,各模型匹配无迹粒子滤波(UPF),使得新算法用较少的粒子就能体现后验概率密度的特征,减少计算童的同时降低拉子退化现象.并在粒子滤波器输出数据时引入遗传算法对...     

基于粒子优化的多模型粒子滤波算法

针对模型信息引入粒子采样过程中导致用于逼近当前时刻真实状态与模型的粒子数减少问题,本文给出了一种基于粒子优化的多模型粒子滤波算法．在算法实现中,对每个粒子运行一个扩展卡尔曼滤波器,结合扩展卡尔曼滤波中预测更新机制实现最新量测信息的有效利用,进而提升单个采样粒子对于真实系统状态和模型逼近的有效性．理论分析和仿真结果表明：新算法在系统状态估计的精度以及模型辨识的准确性方面均明显地优于交互式多模型粒子滤波算法和多模型粒子滤波算法．     

基于交互式联邦多模型的多传感器融合算法

针对多传感器机动目标跟踪过程中的航迹滤波发散问题,提出了一种将联邦滤波器与交互式多模型滤波算法（IMM）相结合的交互式联邦多模型融合算法IFMM.在IFMM算法中各传感器均具有相同的滤波模型集合,各传感器在同一模型下所产生的滤波结果先采用联邦滤波算法进行融合,然后采用IMM算法对各模型融合结果进行综合,产生目标状态的全局估计.仿真结果表明,IFMM有效提高了机动目标运动状态估计的精确度和稳定性.     

基于广义UT变换的交互式多模型粒子滤波算法

 针对粒子滤波中重采样过程与优化提议分布的处理方式导致的粒子溃退和算法实时性下降问题,通过广义UT变换原理和卡尔曼滤波预测更新机制的引入,实现当前量测信息对于状态估计结果的直接优化,给出了一种基于广义UT变换的粒子滤波算法。另外,将改进后算法与交互式多模型相结合,进而提出了一种基于广义UT变换的交互式多模型粒子滤波算法．理论分析和仿真结果表明：新算法在计算复杂度方面与标准粒子滤波相近,在滤波精度方面优于标准粒子滤波及其改进算法．     

IMM迭代扩展卡尔曼粒子滤波跟踪算法

该文提出了一种交互式多模型(IMM)迭代扩展卡尔曼粒子滤波机动目标跟踪算法。该算法在多模型中使用了改进的粒子滤波器,通过对迭代扩展卡尔曼滤波(IEKF)的测量更新按照高斯牛顿方法进行修正,减小了非线性滤波带来的线性化误差,然后利用修正的IEKF来产生粒子滤波的重要性密度函数,使其融入最新观测信息。最后将所提算法与交互式多模型粒子滤波(IMMPF)进行了比较,仿真结果表明该算法具有更好的跟踪性能。     

基于QMCPF-IMM的强机动目标跟踪算法研究

为了提高雷达对机动目标的跟踪精度,通过融合拟蒙特卡罗思想,提出了一种适用于非线性非高斯系统的拟蒙特卡罗粒子滤波交互式多模型算法。该算法利用拟蒙特卡罗采样,克服传统算法采样粒子间隙过大、粒子层叠问题,增加交互式多模型对机动目标跟踪时的有效粒子数;通过区间估计理论,解决拟蒙特卡罗支撑区间难以计算问题,并结合核密度估计重采样,保证采样粒子的低等差异性。仿真结果表明：与交互式多模粒子滤波算法相比,改进算法可在保证滤波实时性的同时,提高跟踪精度。     

改进的交互式多模型粒子滤波跟踪算法

通常的交互多模型卡尔曼滤波(IMMKF)或交互多模型扩展卡尔曼滤波(IMMEKF)对于非高斯问题无能为力;对于非线性问题,其性能不及交互多模型粒子滤波算法(IMMPF)。粒子滤波能够处理非线性/非高斯问题,其与交互式多模型结合用来获得更好的跟踪性能。然而,粒子滤波的主要问题是巨大的计算量,由于粒子滤波通常采用大量的粒子数目,将带来很大的计算负荷。该文提出了一种改进的交互多模型粒子滤波算法,其利用多模型综合使用了卡尔曼滤波和粒子滤波,与常规交互式多模型粒子滤波(IMMPF)相比,大大改善了计算效率。对于非线性/非高斯问题,其性能与IMMPF相当;对于线性问题,其性能与IMMEKF相当,并优于IMMPF的性能。