一种改进剪枝合并的GM-PHD方法

针对剪枝合并过程中,考虑参数不周而导致跟踪精度下降的问题,对GM-PHD滤波器的剪枝合并方法进行了优化。在传统剪枝合并的基础上,引入协方差阵P(j)k,并对合并距离d做出优化。在杂波环境下,改进算法有效地提高了目标跟踪精度。仿真实验表明,改进剪枝合并的GM-PHD方法跟踪精度更高,同时对目标数目的估计更加准确。     

观测最优分配的GM-PHD多目标跟踪算法

概率假设密度滤波器将目标的状态空间及观测空间描述为随机有限集合的形式,有效避免了多目标跟踪中复杂的数据关联问题。但对于不同类型的目标使用同样的全部观测数据集进行目标状态更新,未对观测数据进行合理分配,导致估计性能下降。该文提出一种观测最优分配的高斯混合概率假设密度多目标跟踪算法(MOA-GM-PHD),将目标分为已有目标和新生目标两类,推导极大似然门限来获得两类目标对应的最优观测数据,再分别进行目标状态更新。实验结果表明,该文方法目标跟踪效果优于传统GM-PHD滤波器。      

一种有轨迹标识的利用测量生成新目标密度的GM-PHD滤波器

在存在杂波、漏检、目标数目未知和变化的情况下,PHD滤波器是一种多目标跟踪新方法,GM-PHD滤波器是PHD滤波器的一种近似实现。然而,GM-PHD滤波器没有提供单个目标状态估计的身份,而构建目标运动轨迹需要目标状态估计的身份,同时,现有的GM-PHD滤波器在新目标密度生成时对新目标出现位置进行了限制,难以对观测空间任意位置随机出现的目标进行跟踪。为解决非线性观测系统GM-PHD滤波器中目标状态估计的身份标识和新目标密度生成问题,设计了一种新的GM-PHD滤波器。该滤波器利用传感器的观测数据生成新目标密度,通过给滤波器输出的高斯项增加专有身份标识并使用身份标识将源于同一目标不同时刻的目标状态估计关联起来。仿真实验验证了滤波算法的有效性。      

GM-PHD雷达密集多目标跟踪应用研究

针对雷达密集多目标跟踪数据关联的难题,深入研究了可以避免数据关联的多目标跟踪方法-高斯混合概率假设密度算法(GM-PHD)。首先,将多目标的运动和多目标量测建模为随机有限集的形式,并给出了相应的最优多目标贝叶斯滤波器;然后,在线性高斯假设条件下,详细给出了GM-PHD均值、方差和权值的递归形式,降低了计算复杂度,满足跟踪实时性要求;最后,开展了仿真实验和实测数据实验,实验结果显示GM-PHD在不需要数据关联的情况下,能够有效抑制大量杂波,稳定地跟踪密集多目标。     

一种非线性GM-PHD滤波新方法

为了解决目标数未知情况下的多目标跟踪问题,提出了一种非线性条件下的高斯混合概率假设密度滤波新方法.该方法利用三阶球面容积-径向采样规则计算目标状态的概率分布特性,解决了状态方程和观测方程的非线性计算问题,利用模糊门限对滤波器的剪枝方法进行了优化,避免了高斯项数目的指数增长,利用观测数据生成新目标密度,使滤波器具备了对观测空间任意位置随机出现新目标的跟踪能力.通过仿真实验比较了四种非线性高斯混合概率假设密度滤波方法的性能,实验结果验证了提出算法的有效性.     

一种多传感器自适应量测迭代更新GM-PHD跟踪算法

针对多传感器观测数据质量不同且未知时,多传感器量测迭代更新高斯混合概率假设密度(GM-PHD)滤波器跟踪算法的结果对更新顺序敏感的问题,该文提出一种多传感器自适应量测迭代更新GM-PHD跟踪算法AIU-GM-PHD。首先基于多传感器融合一致性度量,提出一种用于在线评估各传感器跟踪结果质量的方法;然后对多传感器迭代融合顺序进行优化,最后构建相应的多传感器GM-PHD融合跟踪算法。为了解决多传感器自适应顺序迭代融合无法体现传感器质量差距的问题,提出了一种自适应带权伪量测迭代更新GM-PHD跟踪算法PAIU-GM-PHD。仿真结果表明,与常规多传感器迭代更新GM-PHD跟踪算法相比,所提算法能够获得鲁棒性更好、精度更高的跟踪结果。     

基于GM-PHD的多目标跟踪算法仿真及影响因素

基于有限集统计学理论的多目标跟踪技术具备严格的贝叶斯理论解释基础,可以同时完成目标数目及状态的估计,并避免了复杂的数据关联过程。基于高斯混合概率假设密度滤波器(GM-PHD)实现了对数目时变目标的跟踪,准确估计出了每一时刻目标的数目。在此基础上进一步分析了目标生存概率ps、目标检测概率pd以及杂波密度λc等因素对跟踪效果的影响,为GM-PHD滤波器在多目标跟踪的实际应用中各参数的取值提供了有益的参考。     

基于GM-PHD的目标空间分布感知算法

对边扫描边跟踪的认知雷达,目标的空间分布特性是实现对雷达信号控制的重要依据之一。本文介绍了一种基于高斯混合概率假设密度（GM-PHD）滤波算法的目标空间分布感知方法,利用该算法,可同时实现多目标高虚警环境下的目标数目和目标空间位置以及运动状态的估计。该算法实际是一种对标准GM-PHD滤波器的改进算法,能在新生目标强度未知的情况下完成对新生目标的检测跟踪。实验表明该算法不仅能在未知新生目标强度的情况下检测并跟踪新生目标,且在新生目标速度较大的情况下,该算法对新生目标的检测性能优于标准GM-PHD滤波器。     

一种强杂波密度环境下的多目标跟踪算法北大核心CSCD

针对传统基于随机集的多目标跟踪方法高斯混合概率假设密度滤波器在强杂波环境下,会出现目标数目过估计及目标状态估计误差急剧增大的问题,提出了一种适用于强杂波密度环境下的多目标跟踪算法。该算法在概率假设密度平滑器基础上,在预测步通过量测与预测值之间的残差值确定椭圆门限值,从而获得与目标真实状态相近的量测值,降低了滤波器的时间复杂度;同时,在使用有效量测对高斯项进行更新的过程中,利用各高斯项的椭球门体积自适应调整更新公式中杂波强度参数,提高了多目标跟踪精度。仿真结果表明:该方法在强杂波密度环境下可有效降低计算时间并提高多目标跟踪精度。     

狄拉克加权和概率假设密度滤波器

为解决在存在杂波、过程噪声协方差未知、目标数未知和变化情况下的多目标跟踪问题,提出了一种适用于线性系统模型的狄拉克加权和概率假设密度滤波器。该滤波器将多目标的后验矩表征为狄拉克加权和的形式。类似于高斯混合PHD滤波器,该滤波器在递归过程中传递多目标的后验矩。不像高斯混合PHD滤波器用卡尔曼滤波器获取多目标的后验更新矩,该滤波器采用变系数α-β滤波器获取多目标的更新后验矩。同时,也提出了一种变系数α-β滤波器中参数α和β的确定方法。仿真实验结果表明,所提出的滤波器为存在杂波、过程噪声协方差未知、目标数未知和变化情况下的多目标跟踪问题提供了一种有效途径,它的平均执行时间小于高斯混合PHD滤波器的平均执行时间,所以具有良好的工程应用前景。      

使用高斯混合滤波器的机动目标跟踪

实际目标跟踪过程中,被跟踪目标的状态与类型都是不确定的。使用运动学传感器与属性传感器分别获取的目标状态量测信息与特征量测信息,给出了目标状态与类型不确定性的联合状态类型概率密度函数表示,并推导了线性高斯假设下的系统模型为高斯混合模型。根据这一性质,引入高斯混合滤波器,实现了机动目标的有效跟踪。在仿真分析中,通过对比3种算法的跟踪结果,进一步验证了使用高斯混合滤波器在机动目标跟踪过程中的有效性。     

基于分治-贪心算法的高斯混合多观测站CPHD滤波器

针对现有的多观测站概率假设密度滤波器实现中存在依赖观测站处理顺序、计算复杂度高等问题,文中提出一种基于分治-贪心算法的高斯混合多观测站势概率假设密度滤波器.假设观测站个数为s,每个观测站的量测个数为n,相对于暴力分析法,分治算法使得子集选取问题的计算复杂度从O（n^s）降到了O（ns）.此外,在线性高斯模型假设条件下,给出多观测站势概率假设密度滤波实现的具体步骤.仿真结果证明,本文实现方法不受观测站处理顺序的影响,分治-贪心近似实现方法与暴力分析法的跟踪性能相当,但是运算耗时大大降低,提高了算法实现及应用的可行性.     

认知无线电中基于高斯混合概率假设密度滤波的主用户跟踪算法

基于随机集的高斯混合概率假设密度滤波算法是一种典型的多目标跟踪算法,可以在目标数目未知的情况下进行多目标跟踪,但是该算法要求已知目标的起始位置,在很多情况下,目标的起始位置信息是无法获得的。本文针对这一问题,提出了改进的高斯混合概率假设密度滤波算法,并将本文算法应用于认知无线电系统的主用户跟踪问题。该算法利用双向预测的方式对检测结果进行估计,即使用正向预测算法来估计现存主用户的位置,然后采用后向预测算法来搜索新生的主用户并估计出新生主用户的位置。本文算法的主要优点是在主用户的数目、出现的时间和起始位置均未知的情况下仍可以有效的跟踪目标。最后,通过仿真对本文算法的性能进行了分析。仿真结果表明,本文算法在误检率较高的情况下可以准确地跟踪主用户。      

新生目标强度未知的单量测PHD滤波器

自适应新生目标强度PHD滤波器（PHD-M）在目标漏检时易发生错估或漏估,从而导致滤波器估计性能下降.为解决这一问题,提出了一种新生目标强度未知的单量测（single measurement）PHD滤波器（PHD-SM）并给出了其粒子实现方式.该文首先通过构建一步虚拟量测对漏检目标进行补偿,然后基于单量测PHD分解技术推导了PHD预测和更新公式,最后设计了一种无须聚类操作的多目标状态估计方法.仿真实验表明,在当检测概率P_D较小时,PHD-SM滤波器估计性能优于PHD-M滤波器,且检测概率越小,性能优势越明显.     

双传感器概率假设密度滤波解析实现方法

针对双传感器概率假设密度(PHD)理论的解析实现进行研究。Mahler给出的双传感器PHD理论,由于其中含有抽象的多目标积分,并且其中的二元分割过程计算量十分巨大,所以无法计算机实现。文中在线性高斯混合的假设条件下给出了严格双传感器PHD滤波的递推解析公式,并且通过提出“有效二元分割”算法极大降低了严格理论意义下的双传感器PHD算法的计算复杂度,从而解决了双传感器PHD滤波的计算实现问题。计算机模拟仿真验证了所提出算法的有效性。     

高斯混合多伯努利滤波器基于柯西施瓦兹散度的传感器控制方法

针对多目标跟踪中的传感器控制问题,本文基于有限集统计（FISST）理论,利用高斯混合多伯努利滤波器研究并提出相应的传感器控制策略.首先,文中给出容积卡尔曼高斯混合势均衡多目标多伯努利滤波器（CK-GMCBMeMBerF）的实现形式,并提取高斯混合分量近似多伯努利密度.然后,研究两个高斯混合之间的柯西施瓦兹（Cauchy-Schwarz）散度的求取,推导多目标概率密度变化所对应的信息增益,并以此为基础提出相应的传感器控制策略.此外,结合CK-GMCBMeMBer,详细推导了目标势的后验期望（PENT）准则的高斯混合（GM）实现过程,以GM-PENT作为评价准则进行相应的传感器控制方法的研究.最后,仿真实验验证了所提算法的有效性.     

基于高斯混合多目标滤波器的传感器控制策略

本文基于随机有限集的高斯混合多目标滤波器（Gaussian Mixture Multi-Target Filter,GM-MTF）提出几种传感器控制策略.首先,基于容积卡尔曼高斯混合多目标非线性滤波器,借助两个高斯分布之间的巴氏距离,推导GM-MTF的整体信息增益,并以此为基础提出相应的传感器控制策略.另外,设计高斯粒子的联合采样方法对多目标滤波器的预测高斯分量进行采样,用一组带权值的粒子去近似多目标统计特性,利用理想量测集对粒子的权值进行更新,继而研究利用Rényi散度作为评价函数,提出一种适应性更好的传感器控制策略.最后,给出基于目标势的后验期望（Posterior Expected Number of Targets,PENT）评价的高斯混合实现过程.仿真实验验证了提出算法的有效性.