一种基于H∞滤波的模糊变 结构交互多模型算法

为提高对机动目标的跟踪效果,本文提出了一种基于H_∞滤波的模糊变结构交互多模型算法.该算法采用H_∞滤波器作为模型条件滤波器,通过调节其参数来增强对外界干扰的鲁棒性,提高滤波性能和精确度.同时把交互多模型(IMM)算法的模型概率作为模糊推理系统的输入,利用模糊逻辑推理优化模型概率,实时改变模型数目和参数,减少模型之间竞争,实现变结构功能.实验仿真结果表明,本文提出的算法比标准IMM算法具有更高的跟踪精确度.     

变维自适应交互式多模型跟踪算法

针对传统的交互式多模型(IMM)算法通常采用相同维数的模型进行滤波,存在较大的模型误差以及当前统计模型(CS)中的参数需要合理设定的问题,提出一种变维自适应交互式多模型(AIMM)跟踪算法。该算法首先利用维数变换,将不同维数的模型转换为统一的维数进行交互滤波,使之适用于一般的机动目标,减少模型跟踪误差;然后通过引入由残差信息定义的调整因子对CS模型中的参数自适应调整,提高模型与实际运动模式的匹配程度;最后将参数调整后的CS模型反馈到变维IMM算法中,来改善跟踪性能。仿真实验表明,与传统变维IMM算法相比,文中所提算法在有效跟踪机动目标的同时,提高了目标的跟踪精度。     

基于非线性滤波的自适应交互式多模型算法

研究了基于非线性条件下的自适应交互多模型算法,并将EKF及UKF引入自适应交互多模型算法(AIMM).交互多模型算法(IMM)是机动目标跟踪中比较有效的方法,然而传统IMM算法中的滤波参数完全是人为先验确定的,并没有利用当前时刻量测中的信息,文中给出基于后验概率的模型转移概率自适应交互多模型算法.最后通过一个仿真实例比较了AIMM中EKF方法与UKF方法及传统IMM方法的优劣,并分析了结论.     

一种新的机动目标跟踪的多模型算法

采用带渐消因子的当前统计模型与匀速运动模型进行交互,设计了一种新的机动目标跟踪的交互式多模型算法。当前统计模型具有对一般机动目标跟踪精度高的特点,通过渐消因子的引入增强了该模型对突发机动的自适应跟踪能力,同时通过与CV模型的交互保证了对非机动目标的跟踪性能。仿真结果表明,在跟踪一般机动目标时,其误差和当前统计模型与CV模型交互的IMM算法相当;在跟踪突发机动目标时,该文算法的误差明显小于当前统计模型与CV交互的IMM算法。     

杂波环境下被动多传感器机动目标跟踪新算法

针对杂波环境被动传感器机动目标跟踪问题,该文研究了一种基于粒子滤波的被动多传感器机动目标跟踪新算法。 在该算法中,首先推导了杂波环境下粒子滤波的似然函数表达式。其次将粒子滤波与交互多模型(IMM)相结合,用IMM方法实现模型的切换,以适应目标的机动变化。用粒子滤波实现对观测方程的非线性处理。最后,建立了被动多传感器的非线性观测模型,避免了目标的不可观测性,并且算法还能够处理非高斯噪声情况。仿真实验结果表明,提出的算法能够有效地对被动机动目标跟踪,且性能优于交互多模型概率数据关联滤波器(IMM-PDAF)。     

基于交互多模型的低空目标跟踪算法研究

研究了基于交互多模型(IMM)的低空目标跟踪问题。分析了低空目标的运动特征,给出了目标匀速(CV)直线、匀加速(CA)直线、曲线飞行航迹模型。在交互多模型(IMM)算法中,采用多种运动模型跟踪低空目标。在所研究的大机动模型情况下,通过多次数据处理优化参数后,统计分析结果表明,该算法滤波后数据误差明显降低,数据精度有较大的提高,能够稳定精确地跟踪低空目标。因此,该低空目标跟踪算法是有效的。     

基于交互多模型的高机动群目标跟踪技术

针对杂波环境下密集多目标的跟踪问题,首先引入了编队群目标跟踪算法(FGT),并结合交互多模型(IMM)算法,提出了适用于杂波环境下机动群目标跟踪的新算法—基于交互式多模型的编队群目标跟踪算法(IMM-FGT).计算机仿真结果表明,IMM-FGT算法是解决机动群目标跟踪问题的一种有效的方法.     

对抗

0601333 电子对抗效能评估仿真系统的实现[刊,中]／高彬／／系统工程与电子技术．-2005,27(10)．-1738-1740, 1794(G) 0601334 对机动目标的多站无源定位IMM算法[刊,中]／李伟／／现代雷达．-2005,27(10)．-20-22,31(G) 将交互式多模型(IMM)算法与集中式融合跟踪算法相结合,给出了集中式交互多模算法(CIMM); 基于目标的多普勒频率差和信号到达方向信息,利用 CIMM算法对机动目标进行无源定位与跟踪,并与变维(VD)滤波算法的跟踪性能进行了比较。通过计算     

一种改进的交互多模型算法

针对交互多模型(IMM)算法对目标加速度估计误差较大的不足,提出了一种改进的交互多模型算法,通过对交互多模型输出的加速度信息进行均值滤波提高对加速度估计的精度.计算机仿真表明,与交互多模型相比,该方法对匀速目标特别是机动目标具有更好的加速度估计能力,且便于工程实现.     

基于“当前”统计模型的IMM目标跟踪算法

机动目标跟踪一直是环境感知领域的研究重点和难点,为了实现对目标物的准确跟踪,研究了将交互多模型(interactingmultiplemodel,IMM)算法应用到无人机对目标的跟踪中。首先,根据目标的真实运动情况建立无人机的运动模型,然后搭建模拟场景,将卡尔曼滤波(kalmanfilter,KF)与IMM相结合的目标跟踪算法应用到无人机的跟踪中,并将该算法与基于"当前"统计模型的单模型目标跟踪算法进行仿真比较。结果表明IMM算法在目标跟踪方面具有较高的应用价值。     

多种跟踪算法对机动目标跟踪的应用研究

通过建立目标运动模型,对多种跟踪滤波器进行了分析仿真。仿真结果表明,混合状态估计交互式多模型算法（IMM）对机动目标跟踪效果比其它类型的滤波器好得多,并且确定了在航迹滤波与机动跟踪方面综合表现性能较高的IMMVCVA跟踪算法。通过外场实际数据验证,表明该算法对现实环境中的目标稳定跟踪具有重要的意义。     

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.     

一种三维机动目标跟踪的改进IMM算法

以三维机动目标跟踪为背景,提出一种参数自适应交互式多模型跟踪算法。该算法采用当前量测信息实时地修正马尔可夫转移概率矩阵,有效地降低了人为因素的影响。由于三维CV（匀速运动）和CA（匀加速运动）模型状态变量维数不一致,从而导致使用IMM算法时数据不能直接交互融合。针对这一缺点,对CV模型进行了改进。Matlab仿真表明,使用改进后的CV模型并结合参数自适应IMM算法比使用常规的IMM算法跟踪效果更好,并具有很好的实用性。     

利用CUDA快速实现IMM目标跟踪

根据二维空间内目标作匀速直线运动和匀速圆周运动的特点,在建立目标运动模型和观测模型的基础上采用基于交互多模算法（IMM）的卡尔曼滤波器对机动目标进行跟踪。但由于IMM算法存在大量的递归与矩阵运算,所以实时性降低,这也是工程上难以实现的原因。通过CUDA对算法进行加速实现,在不影响算法性能的基础上实时性大大提高。仿真结果表明,利用该架构实现的IMM算法不仅能够对匀速直线运动和匀速圆周运动的目标进行实时跟踪,而且在运动模型发生变化时,实时性也得到很大提升,滤波误差也比较小。     

基于模糊逻辑的改进自适应IMM跟踪算法

交互式多模型算法（IMM）和基于模糊控制的交互多模型算法（FIMM）是实际中常用的目标跟踪算法,然而其模型集合固定,当需要大量模型覆盖目标机动时,会导致计算量激增,且过多模型可能带来不必要的模型竞争,降低跟踪性能。针对这一缺陷,提出了一种基于模糊控制的改进自适应IMM算法（FAIMM）,采用一种模型概率的非线性映射处理方法实时筛选模型子集,剔除无用模型,增加有用模型的权重,并通过模糊推理机制自动调整过程噪声水平,使得算法对不同的目标机动模式具有更强的自适应能力。仿真结果表明,提出的算法跟踪性能优于IMM算法以及FIMM算法,能够更好地匹配目标的机动模式。      

基于改进“当前”统计模型的机动目标IMM跟踪算法

交互式多模型(IMM)算法是一种有效的机动目标跟踪算法,但其性能与模型的选择、个数以及参数有关。文中提出了一种基于改进的“当前”统计模型的交互式多模型算法,改进的“当前”统计模型提高了对机动目标的跟踪能力,而常速模型对匀速目标跟踪性能良好,IMM算法通过两种模型的交互作用可以实现对目标状态的自适应估计;同时,该算法结合了模型概率转移自适应技术,实现了对模型转移矩阵的在线估计,降低了人为因素。最后,通过Monte Carlo仿真进一步验证了该算法的有效性。     

采用多速率多模型交互实现机动目标的全速率跟踪

多速率模型通过对原始测量结果和目标运动模型进行多分辨分解实现目标高精度跟踪.多模型交互方法则采用一个马尔科夫链控制多个模型交互实现机动目标跟踪.本文给出了一种采用多速率多模型交互方式实现机动目标全速率跟踪的方法,它通过交织多次滤波结果使得跟踪能同时保证高精度和全速率.仿真结果及分析说明了该方法较传统的全速率多模型交互算法获得了更好的跟踪效果.     

基于两点式数据关联算法的多机动目标跟踪

本文首先分析了两点式概率数据关联算法,在此基础上将其与交互式多模型算法结合起来提出了一种用于跟踪多机动目标的新算法.由于充分利用了两点式数据关联算法在关联精度和计算量上的优越性,所提出的新算法无论在跟踪精度方面,还是计算量上都有很大的改善.理论分析与仿真结果验证了该算法优于传统的交互式多模型联合数据关联算法.     

用于非线性机动目标跟踪的新型IMM算法

针对在非线性机动目标跟踪中存在的滤波器易发散、机动检测有延迟等问题,把Unscented Kalman Filter(UKF)引进到交互多模型算法(IMM)中,设计了交互多模型UKF滤波器。并利用目标运动模型集概率的相对变化率设计了自适应交互多模型UKF滤波器,最后进行了计算机仿真。蒙特卡罗仿真结果表明,两种滤波算法都具备UKF滤波器精度高、稳定性好、不易发散的优点,同时不需了解目标机动的先验信息,适合于实际应用;并且自适应交互多模型UKF滤波器具有更好的跟踪效果。     

基于容积卡尔曼滤波的自适应IMM算法

在目标跟踪中,针对无迹卡尔曼滤波在高维状态下容易出现滤波精度下降甚至发散的问题,提出了一种自适应交互式多模型容积卡尔曼滤波算法。首先,将容积卡尔曼滤波引入到交互式多模型算法中,提高了算法在高维非线性情况下的滤波精度。然后,结合马尔科夫参数自适应思想,在模型概率更新阶段,利用后验信息修正马尔科夫概率转移矩阵,增大匹配模型的转移概率,进一步提高模型之间的切换速度。最后,在目标跟踪仿真中利用"当前"统计模型对算法进行验证,实验结果证明了算法的有效性。