闪烁噪声环境下机动目标跟踪的改进的高斯-厄米特粒子滤波

针对闪烁噪声环境下机动目标跟踪的非线性、非高斯问题,提出了一种改进的高斯-厄米特粒子滤波算法.和传统的高斯-厄米特粒子滤波算法相比,在生成粒子集时,改进的高斯-厄米特粒子滤波算法采用高斯-厄米特滤波对当前时刻的各个粒子进行估计,将得到的估计值和协方差直接作为粒子滤波算法的粒子集及相应的协方差.仿真结果表明,改进的高斯-厄米特粒子滤波算法对闪烁噪声环境下的机动目标能够进行有效的跟踪,提高了跟踪精度.     

改进粒子滤波算法及其应用仿真

针对目标跟踪中粒子滤波算法的估计精度不高、粒子退化问题,文中提出了一种GH．RPF算法．在粒子滤波的基础上,应用高斯．厄米特滤波来产生重要密度函数,同时对重采样采用正则变换以改善采样粒子的多样’生．将该算法应用于非线性、非高斯的目标跟踪中,仿真结果表明,与标准粒子滤波及EKPF相比,该算法的滤波精度更高,具有更高的跟踪性能．     

闪烁噪声下轨道机动目标自适应鲁棒跟踪算法

针对闪烁噪声下存在未知机动的空间目标跟踪问题,将自适应鲁棒滤波技术嵌入到无迹卡尔曼滤波,设计自适应鲁棒无迹卡尔曼滤波(ARUKF),再利用ARUKF产生粒子滤波的重要性密度函数,从而得到一种自适应鲁棒无迹粒子滤波(ARUPF)算法。将ARUPF与瞬态跟踪模型相结合,对空间机动目标进行自主跟踪。实验结果表明,该算法在跟踪精度和鲁棒性方面优于传统的跟踪算法。     

基于粒子滤波的交互式多模型多机动目标跟踪

针对交互式多模型联合概率数据关联滤波算法(IMM-JPDAF)在非线性情况下跟踪精度低,并不适用于非高斯问题的情况,提出了一种基于粒子滤波的交互式多模型多机动目标跟踪算法;将交互式多模型联合概率数据关联(IMM-JPDA)与粒子滤波相结合,在交互式多模型联合概率数据关联的框架下,各模型采用粒子滤波算法处理非线性非高斯问题,避免了噪声的高斯假设和非线性部分的线性化误差。仿真结果表明,IMM-JPDA-PF算法的跟踪性能明显优于IMM-JPDAF算法,能够对杂波环境中的多机动目标进行有效跟踪。     

基于KLD采样的自适应粒子滤波目标跟踪算法

标准粒子滤波算法用于无线传感器网络运动目标跟踪时,非高斯噪声环境会降低其跟踪精度和计算效率。针对该问题,结合多传感器测量模型和Kullback-Leibler距离(KLD)采样方法,提出一种自适应粒子滤波算法。在满足预设阈值条件时,引入补偿函数对重要性概率密度函数(IPDF)进行迭代更新,同时利用具有自适应退火参数的模拟退火算法使粒子快速接近高似然区域。在此基础上,结合KLD采样动态调整粒子规模,在保证跟踪精度的同时减少运算量。仿真结果表明,与KLD-PF算法相比,该算法的IPDF分布接近真实后验概率密度分布,跟踪精度较高,能够在不同参数的非高斯噪声下进行有效跟踪。     

传感器网络下机动目标动态协同跟踪算法

对传感器网络下的机动目标跟踪问题提出一种分布式传感器节点动态分簇、协同跟踪算法. 通过在线优化目标跟踪的性能函数和通讯代价, 自适应地选择节点并动态分簇, 通过多传感器节点的协同感知以及信息融合提高了跟踪精度. 由于问题的非线性和传感器节点的随机性, 本文基于粒子滤波器在线预测和估计目标状态的概率分布, 使用混合高斯粒子滤波器以及选择最短路径用于传感器节点之间的信息交换节约了通讯能量, 通过一种有效的粒子方法逼近目标状态的预测方差以实现传感器节点的最优选择. 仿真结果表明, 与 IDSQ 算法相比较, 本文提出的动态分簇算法实现了对机动目标的高精度跟踪.     

雷达/红外双模导引头信息融合算法研究

毫米波雷达/红外成像复合制导已成为当前多模复合制导技术的研究热点。从毫米波雷达/红外成像复合导引头系统的特点出发,利用粒子滤波算法替换交互式多模型算法中的次优滤波器,建立了一种基于交互式多模型粒子滤波的集中式雷达/红外双模导引头信息融合算法;该算法将交互式多模型与粒子滤波相结合,有效地解决了系统非线性非高斯条件下的机动目标跟踪问题;仿真结果表明,在系统模型非线性和非高斯的条件下,提出的算法性能要大大优于传统的基于EKF的交互式多模型算法,同时提出算法对目标机动模式的变化很敏感,能够快速响应目标的机动,跟踪精度大大提高。     

基于自适应粒子群优化的新型粒子滤波在目标跟踪中的应用

针对基于粒子群优化的粒子滤波(PSO-PF)算法精度不高,实时性差,难以满足雷达机动目标跟踪的需求,提出一种基于动态邻域自适应粒子群优化的粒子滤波(DPSO-PF)算法.该算法可以动态调整粒子邻域环境,其中每个粒子按照邻域的环境和自身的位置信息自适应地调整相互间的邻域粒子数量,使邻域粒子数量更为合理,达到寻优能力与收敛速度的最佳平衡.最后利用不同模型对该算法进行了仿真实验,实验结果表明所提出的算法能够提高雷达机动目标跟踪的实时性和精确性.     

多观测信息动态加权粒子滤波

在机动目标跟踪中,当系统状态向量为多维的情况下,单一观测量的滤波跟踪无法满足多维状态估计精度的要求。为此,提出一种基于粒子滤波融合多观测量的动态加权算法。该算法利用多个高度非线性观测量,并通过动态加权方法融合多个估计值,提高机动目标跟踪的精度。仿真实验验证了该算法的有效性。     

基于QPF的无源传感器目标跟踪算法

在无源传感器目标跟踪系统的研究中,在双红外传感器组成的无源传感器目标跟踪系统模型中,传感器提供的仅是目标的角度信息,导致量测值与目标状态之间存在较强的非线性关系,而传统跟踪算法在解决非线性问题时具有局限性,为提高目标跟踪精度,提出一种基于积分粒子滤波(QPF)的无源传感器目标跟踪算法,在不受非线性、非高斯问题限制的粒子滤波的基础上,从改进粒子滤波重要性函数的角度入手,利用积分卡尔曼滤波(QKF)将当前最新量测考虑在内,构造出粒子滤波的重要性函数,使得改进后的重要性函数更加贴近真实后验分布,从而有效遏制了粒子退化现象.仿真结果表明,改进算法提高了跟踪精度,较好地解决了无源传感器对目标的非线性跟踪优化问题.     

Efficient estimation of hybrid systems with applications to tracking

Particle filtering has been recognised as a superior alternative to the traditional estimation methods as it is applicable to nonlinear/non-Gaussian system. A central issue in real-time applications of particle filtering is its high computational cost. This problem is compounded when it is used in hybrid system estimation. A new particle filtering method for nonlinear/non-Gaussian hybrid system estimation is proposed in this article. The new method integrates the high-accuracy interacting multiple model particle filtering algorithm with the computationally efficient observation and transition-based most likely modes tracking particle filtering algorithm to get high-accuracy estimation with reduced computational load. The algorithm is applied to a manoeuvring target tracking application to demonstrate its efficiency.     

自适应卡尔曼滤波在目标跟踪系统中的应用

目标跟踪是精确制导系统中的重要组成部分.文中针对运动目标跟踪问题,在建立运动模型的基础上,应用卡尔曼滤波算法进行了跟踪仿真研究.考虑到直角坐标系下的扩展卡尔曼滤波容易发散,可能导致滤波精度变差,所以文章提出一种针对非线性观测模型和线性动态模型的自适应推广卡尔曼滤波器.直角坐标系下的自适应卡尔曼滤波算法,对虚拟噪声进行了估计,动态补偿观测器模型的线性化误差,削减了系统的观测误差,并对其滤波理论及算法进行了仿真研究.结果表明:该算法提高了滤波的稳定性、快速性和精确性,优于一般的扩展卡尔曼滤波算法.     

基于粒子滤波和Mean-shift的跟踪算法

粒子滤波作为一种基于贝叶斯估计的算法,在处理非线性运动目标跟踪问题上具有特殊的优势。基于此,提出一种基于粒子滤波和Mean-shift的混合跟踪算法（KMSEPF）。KMSEPF算法对一般的Mean-shift和粒子滤波混合算法进行改进。结果证明,KMSEPF算法与混合算法MSEPF相比,在计算效率提高的同时,跟踪准确性和处理遮挡的能力没有下降。     

基于粒子滤波和Mean-shift的跟踪算法

粒子滤波作为一种基于贝叶斯估计的算法,在处理非线性运动目标跟踪问题上具有特殊的优势。基于此,提出一种基于粒子滤波和Mean-shift的混合跟踪算法(KMSEPF)。KMSEPF算法对一般的Mean-shift和粒子滤波混合算法进行改进。结果证明,KMSEPF算法与混合算法MSEPF相比,在计算效率提高的同时,跟踪准确性和处理遮挡的能力没有下降。     

基于蒙特卡洛方法的粒子滤波算法研究

针对非线性、非高斯问题,文章详细分析了贝叶斯滤波的原理及其进展.采用近似线性及高斯假设处理,传统的卡尔曼滤波提供了一种很好的解决方案.但是,真实世界的非线性、非高斯问题存在,使得人们得不寻找一种更好的最优滤波方法.基于随机滤波理论、贝叶斯统计量和蒙特卡洛方法的粒子滤波理论迅速发展,并广泛应用到数字通信、目标跟踪、计算机视觉和机器故障诊断领域.     

粒子滤波目标跟踪算法综述

随着人工智能科学的发展,目标跟踪成为中外学者研究的热点,近年来很多目标跟踪算法相继被提出,其中,经典的卡尔曼滤波算法常被用于目标跟踪领域。然而,在实际情况中,目标跟踪过程常涉及到非线性非高斯问题,由于粒子滤波算法在非线性非高斯系统中有较好的性能,因此将其引入目标跟踪研究领域。针对粒子滤波算法存在的跟踪精度差、实时性不高等问题,近年来国内外学者提出很多改进方法。从特征融合、算法融合和自适应粒子滤波三个方面介绍了相关改进方法的基本思想,展望了粒子滤波算法在目标跟踪领域的发展方向。     

Rao-Blackwellized粒子势均衡多目标多伯努利滤波器

由于多伯努利滤波器直接近似递推了多目标状态的后验概率密度,使得多目标跟踪问题在基于随机有限集理论框架下的求解及目标状态的估计显得更为直观.本文针对一个状态可分解(线性/非线性)的状态空间模型,分析基于Rao-Blackwell定理的滤波估计方法,结合噪声的去相关构造线性状态的滤波方程.文中详细推导并提出Rao-Blackwellized粒子势均衡多目标多伯努利滤波器的一般实现形式,包括给出多伯努利非线性状态粒子滤波的实现形式,并结合非线性滤波结果给出多伯努利线性状态的递推滤波公式.本文提出的滤波器实现方法能够在更低维的状态空间上进行采样,滤波器的整体跟踪性能得到提高.多目标跟踪的仿真实验结果验证了该算法的有效性.     

带不确定量测和未知虚警概率的粒子滤波器

为了解决带不确定量测和未知虚警概率的非线性非高斯系统状态估计问题,本文提出了一种新的粒子滤波方法,利用随机不确定量测模型来更新粒子和权值,并基于极大似然准则来辨识未知的虚警概率.本文所提出的带不确定量测和已知虚警概率的粒子滤波方法与现有标准的粒子滤波方法具有几乎一致的计算复杂度,但是更适合用于处理带不确定量测的非线性非高斯系统状态估计问题.此外,在状态转移密度函数被选择为建议密度函数时,本文证明了基于所提出的虚警概率辨识方法的极大似然估计唯一,从而为精确辨识虚警概率提供了理论保证.单变量非平稳增长模型和纯方位跟踪的数值仿真验证了所提出粒子滤波方法的有效性和与现有方法相比的优越性.     

无线传感器网络目标跟踪算法的研究

研究传感器网络目标跟踪精度问题,跟踪目标的运动轨迹具有时变性,是一种非线性、非高斯问题,传统跟踪算法解决非线性问题时具有局限性,导致目标跟踪精度不高。为提高目标跟踪精度,将不受非线性、非高斯问题限制的粒子滤波算法引入到无线传感器网络目标跟踪应用中,并对基本粒子滤波算法的缺陷进行改进。仿真结果表明,改进粒子滤波算法提高了粒子利用效率,不仅提高了目标跟踪的精度,跟踪性能更好,并适合于目标跟踪的精度和实时性要求,为设计网络系统提供了参考。