基于遗传重采样粒子滤波的弹道跟踪方法

在雷达对目标的跟踪过程中,受不同位置回波干扰的影响,测量噪声常表现出以闪烁噪声为代表的非高斯特性,严重破坏了卡尔曼滤波算法的高斯假设,使得卡尔曼滤波器的估计精度大幅下降.同时,不依赖高斯假设的粒子滤波又存在着粒子退化等问题,无法获得良好的跟踪效果.针对这一情况,文中借鉴生物遗传思想,给出了基于遗传重采样的粒子滤波算法,...     

一种改进重采样的粒子滤波算法

粒子滤波算法中重采样是解决粒子退化的一种重要方法,但重采样会导致粒子多样性的损失。针对这一问题,对基本重采样算法进行了改进。改进算法首先按基本重采样思想找到权值大的粒子进行复制,然后借鉴遗传算法进行交叉和变异操作,其中变异由变异尺度因子和粒子集的均值来实现。利用改进重采样的粒子滤波算法对经典纯方位目标跟踪问题进行了仿真,仿真结果表明,改进算法具有更好的跟踪精度。     

Chopthin重采样粒子滤波的目标跟踪算法

针对粒子滤波中传统重采样存在的滤波性能不稳定、有效粒子数波动剧烈、样贫的缺点,提出了一种基于Chopthin重采样粒子滤波的目标跟踪算法。与传统重采样相比,Chopthin重采样产生的粒子权重不相等,粒子相对集中时,对边缘粒子的舍弃力度更小,因此能够改善传统重采样存在的样贫。Chopthin重采样可以在每一个迭代周期进行,不必在有效粒子数低于阈值时才进行,有效粒子数和滤波性能更加稳定。仿真实验表明,在不增加计算量的前提下,所提算法克服了传统重采样的缺点。     

基于局部粒子密度的粒子滤波跟踪方法

定义了欧氏空间内的局部粒子密度的概念,针对四种不同的情况作出分析,对优选粒子的优劣作出评价并指导后续的粒子重采样和模板更新过程,并在此基础上给出了一种新的基于局部粒子密度的目标跟踪方法.比较实验显示,相对于原始粒子滤波方法和其他粒子重要性重采样方法,该方法在保证跟踪有效性的同时,提高了跟踪效率.     

基于PHD的粒子滤波检测前跟踪改进算法

针对在低信噪比目标检测问题中,基于PHD的粒子滤波检测前跟踪算法（PHD-TBD）存在目标位置估计误差较大的缺陷,提出一种结合粒子群优化算法的基于PHD的粒子滤波检测前跟踪方法(PSO-PHD-TBD)。该算法在滤波预测和更新步骤之间加入基于NSGA-Ⅱ的多目标粒子群优化算法,结合量测信息将预测完成的粒子集的分布进行优化,将所有粒子转移到后验概率密度较大的区域,进而改善了多目标位置估计的性能;然后使用基于密度聚类的DBSCAN算法对粒子聚类,提取目标状态。仿真实验表明,在不同信噪比条件下,PSO-PHD-TBD在多目标数目估计情况与PHD-TBD算法一致,而位置估计精度明显优于PHD-TBD算法。     

基于粒子滤波的扩展目标检测前跟踪算法

针对扩展目标跟踪检测问题,把粒子滤波与检测前跟踪算法相结合应用于扩展目标。把目标强度和空间长度引入状态向量,解决粒子滤波易发散的缺点,实现对扩展目标的有效跟踪检测。最后,在对目标有效检测的基础上,对目标强度和空间长度进行估计。仿真表明,该算法能够较好地跟踪和检测扩展目标,并能有效估计目标强度和扩展长度。     

基于串行重采样改进的检测前跟踪算法研究

针对基于粒子滤波的弱小目标检测前跟踪算法(Particle Filter Track Before Detect, PF-TBD)存在采样粒子数目随空间维数呈指数增长、计算量急剧增加等问题,提出一种基于串行重采样改进的检测前跟踪算法(Serial Resampling Track Before Detect, SR-TBD)。所提算法通过对粒子状态的位置空间与速度空间进行串行采样,实现搜索帧间能量的有效积累,并降低状态维数造成计算量的增加,提升算法收敛速度。通过算法仿真与传统 PF-TBD 算法对比,表明本文提出的改进算法在算法收敛速度、运算量等方面均得到提升。     

基于改进的粒子滤波算法的目标跟踪

为了解决粒子滤波算法在重采样过程中会造成粒子有效性和多样性的丧失,导致粒子贫化现象,提出了一种基于萤火虫算法的改进的粒子滤波算法。该算法在粒子滤波重要性采样过程中使用萤火虫算法,对粒子进行迭代寻优,使得采样出来的粒子更接近真实的后验概率;在粒子滤波重采样过程中,使用萤火虫算法使得粒子向高似然区域移动,提高粒子的多样性。实验结果表明,基于改进的粒子滤波算法目标跟踪效果优于传统的粒子滤波算法,可以在各种具有挑战性的条件下更好地进行目标跟踪。     

粒子滤波重采样及在盲均衡中的应用

提出了一种新的粒子滤波重采样算法——降序二分法,这种算法的主要思想是在分层重采样算法的基础上,寻找权重最大点的过程用折半二分法。另外,把这种算法应用于信道的盲均衡中,为了易于采样,重要性函数采用先验概率密度,用信道的均值代替信道的真实值,仿真结果表明,这种算法的平均性能优于之前的重采样算法,且均衡的同时能够完成对信道的辨识。     

杂波背景下基于概率假设密度的辅助粒子滤波检测前跟踪改进算法

在杂波背景条件下,现有的基于概率假设密度(PHD)滤波的粒子滤波检测前跟踪(TBD)算法,存在对密集多目标数目估计不准,使用粒子数目较多会造成维数灾难的问题。因此,该文引入两层粒子的概念,将基于平行分割(PP)理论的辅助粒子滤波(APF)应用于基于概率假设密度的检测前跟踪 (PHD-TBD)算法中,提出基于概率假设密度滤波的平行分割辅助粒子滤波检测前跟踪(APP-PF-PHD-TBD)算法以提高目标数目及状态估计精度。仿真实验证明,相对于现有基于PHD的粒子滤波检测前跟踪算法,该算法在目标数目和状态估计精度上具有显著的性能优势,在密集目标场景下,优势尤为突出。最后,利用导航雷达实测所得海杂波背景数据证明,该算法在应用中性能更加优异。      

粒子流粒子滤波检测前跟踪方法

检测前跟踪通过在连续多帧观测中对目标信号进行非相参积累以检测和跟踪微弱目标。积累的关键在于对目标轨迹的准确估计和多帧迭代滤波。传统粒子滤波器过于依赖建议分布，对目标轨迹的估计不够准确。新提出的粒子流滤波器是一种很好的替代方法，但其过于依赖当前时刻的量测而弱化多帧迭代滤波。本文提出一种在粒子滤波框架下采用粒子流的检测前跟踪方法:采用粒子滤波器进行多帧迭代滤波，但在每一帧内，采用Localized Exact Daum-Huang粒子流进行滤波。为了应对目标量测的不确定性，本文改造了Localized Exact Daum-Huang滤波器，为每个粒子在其邻域内寻找最大似然量测，并利用该量测更新粒子状态。Rayleigh分布杂波下Swerling1型起伏目标的检测和跟踪实验证明了所提算法的性能。      

优化的多模型粒子滤波机动微弱目标检测前跟踪方法

在机动微弱目标的检测和跟踪方面,当前主要研究方法之一是多模型粒子滤波检测前跟踪（MMPF-TBD）,该方法以尽可能多的运动模型去匹配目标的机动,符合运动模型精细化研究方向,但存在模型数目与类别较多,模型之间转移计算复杂和有效模型使用效率低等问题。本文从多个运动模型结构上的相似性出发,提出一种优化的多模型粒子滤波检测前跟踪方法,通过粒子机动加速度的变化,在一个模型框架下模拟出类似MMPF TBD中的多种机动模型,简化了算法结构;在该方法实现过程中,采用辅助粒子滤波提高状态估计精度。仿真实验表明该方法相比MMPF-TBD具有更稳定的检测和跟踪性能以及在低信噪比环境中更好的适用性。      

粒子初始化对TBD算法性能的影响探究

基于粒子滤波的检测前跟踪(TBD)算法是检测微弱目标的有效手段,但现有粒子滤波方法在进行微弱目标检测时,通常是在已知粒子初始参数范围的条件下进行研究的,没有考虑粒子初始参数对算法性能的影响。在对粒子状态预测过程中涉及的参数进行理论分析的基础上,发现粒子初始速度范围和初始状态范围两种参数对算法性能有较大影响。通过大量实验证明粒子初始参数的优化对算法的检测能力、跟踪精度和时间复杂度3方面性能都有所改善,为研究利用基于粒子滤波的TBD微弱目标检测提供新的思路。     

基于随机摄动再采样的粒子概率假设密度滤波器

作为概率假设密度滤波的典型实现方式,粒子概率假设密度滤波器无需线性高斯等先验假设,因而在多目标跟踪中得到了广泛的应用。为解决粒子退化问题并保持粒子规模,该滤波器引入了重采样机制,然而,该重采样机制易引起粒子多样性耗尽,导致粒子贫化问题产生。为解决这一问题,该文提出一种新的基于随机摄动再采样的粒子概率假设密度滤波器。首先,全面分析了粒子概率假设密度滤波因粒子贫化问题导致目标失跟的过程。然后设计了一种随机摄动再采样算法,该算法在重采样导致粒子多样性缺失时,根据源粒子的位置与复制次数随机产生相应数目的新粒子,并对源粒子进行删减,其可在保留源粒子信息的前提下保持粒子的多样性。最后,该文将该算法纳入概率假设密度滤波框架,提出了一种新的粒子概率假设密度滤波器。仿真结果表明该滤波器在不显著增加运行时间的前提下能够克服粒子贫化问题,相比标准的粒子概率假设密度滤波器具有更好的跟踪性能。     

基于道路约束的粒子滤波检测前跟踪算法

标准的多模型粒子滤波检测前跟踪技术是在低信噪比环境下检测与跟踪机动性的微弱目标的有效手段。但是由于其采用固定的运动模型数量,当运动模型数量过大时,模型之间的竞争会导致性能的下降。针对此问题,利用道路信息提出了一种变结构的多模型粒子滤波检测前跟踪算法。在每一时刻,根据目标的估计状态和挖掘的道路信息自适应地更新和改变运动模型集以能够选择更加有效的模型集,同时减少了模型数量,并且利用道路信息对目标的运动状态进行约束和限制。最后通过Monte Carlo仿真实验表明,基于文中所提出的算法在检测跟踪性能方面明显优于标准的多模型粒子滤波检测前跟踪算法。     

基于JMS-SMC-PHD滤波的检测前跟踪算法

针对低信噪比条件下机动目标的检测与跟踪问题,提出跳跃马尔可夫系统下的序贯蒙特卡罗概率假设密度(JMS-SMC-PHD)滤波的检测前跟踪算法。该算法在机动目标数目和模型未知情况下,直接利用红外传感器量测数据,通过在目标状态矢量中增加模型变量并利用马尔可夫模型概率转移矩阵结合序贯蒙特卡罗概率假设密度(SMC-PHD)滤波,实现机动弱小目标的检测前跟踪。仿真结果表明所提方法可以有效地实现目标的检测与跟踪。     

基于上下文和粒子滤波的辅助切换机制

无线通信系统切换机制是支持用户无缝移动服务的一项关键技术,切换成功与否直接影响着用户业务体验和应用。该文提出基于上下文和粒子滤波算法的辅助切换机制,利用粒子滤波算法准确预测移动台下一时刻位置,用户上下文信息对移动台切换起辅助支撑作用。文中提出一种预切换决策机制,为快速、准确和可靠切换判决提供依据,并提前预留资源,显著改善网络服务质量。理论分析和仿真结果表明,该方法位置预测更接近用户真实运动轨迹,位置和速度均方根误差较小,大大提高切换成功率。     

基于自适应遗传算法FIR数字滤波器优化设计

FIR数字滤波器优化设计的目标是对滤波器理想性能的逼近。遗传算法是一种模仿生物进化过程的全局优化概率搜索算法,它提出了一种求解复杂系统优化问题的通用框架,且不依赖于问题的领域和种类,在此将自适应的遗传算法应用于FIR数字滤波器的优化设计,通过评价种群的“早熟度”来自适应调整交叉率和变异率,提高了遗传算法的搜索效率。计算机仿真结果证明,该算法能够获得满意的滤波器性能。