基于BP神经网络修正的自适应Singer模型

针对传统Singe模型在跟踪机动目标时存在稳态误差以及模型时加速度的先验统计量存在依赖等缺点,提出了基于BP神经网络修正的自适应Singer模型.该模型的样本数据选用卡尔曼滤波状态量中的加速度估计量,采用Burg算法估计加速度的功率谱密度,并利用BP神经网络时谱估计结果进行修正,进而导出当前统计模型下的Singer模型的参量.Simulink仿真结果表明.该模型能够克服传统Singer模型跟踪机动目标性能差的缺点,并且模型在收敛之后不再依赖加速度的先验统计量.     

三维高速机动目标跟踪交互式多模型算法

对三维机动目标,尤其是高速机动目标的跟踪一直是目标跟踪领域的重点和难点,通过二维或解耦模型扩展并不一定能满足精度要求.提出了一种基于常速模型、"当前"统计模型、带约束的三维常速率协同转弯模型的交互式多模型算法.通过对包括匀加速模型、Singer模型、"当前"统计模型在内的不同模型组合进行Monte-Carlo仿真比较表明本算法对三维高速机动目标跟踪是有效性,并具有很好的实用性.     

变维卡尔曼滤波算法的机动目标跟踪性能研究

卡尔曼滤波在非平稳矢量信号和噪声环境下具有广泛的应用,针对机动目标具有多个运动模型的特点,采用基于卡尔曼滤波的变维算法对机动目标进行跟踪处理,该算法首先建立了机动目标的非机动模型（CV）和机动模型CA）,然后对观测数据进行滤波和误差估计处理,最后通过计算机的蒙特卡洛仿真得到了滤波轨迹和机动目标的位置和速度误差,仿真结果表明变维卡尔曼滤波算法具有很好的目标跟踪性能.     

基于PF-Singer的机动目标跟踪算法

Singer模型是典型的全局统计模型,其严重缺陷在于所采用的零均值时间相关模型和标准卡尔曼滤波算法不能完成对机动目标状态的正确估计1只有当目标做匀速直线运动时,动态误差的稳态值才为零,否则不为零;采用PF—Singer算法对机动目标进行跟踪。能够有效解决传统Singer模型存在的问题,提高其跟踪精度;通过仿真试验证实了该算法的有效性。     

转弯机动目标的两层交互多模型跟踪算法

针对转弯机动目标跟踪, 提出了一种两层交互多模型(IMM)跟踪算法. 算法的内层多模型由当前统计模型和恒速模型构成, 针对目标的速度方向角进行滤波, 将获得的角速度估计值作为外层的中心角速度; 外层多模型由转弯模型构成, 其角速度集合由中心角速度和对称角速度(交互输出的加速度与速度的比值)组成. 由于既准确估计了目标的角速度, 又设计了合理的角速度集合, 算法显著提高了转弯机动目标的跟踪精度. 仿真实验验证了算法的有效性.     

改进IMM算法在机器人目标跟踪中的应用

在机器人对运动目标跟踪的过程中,由于目标运动状态具有多样化的特点,不能运用单一的运动模型对其进行跟踪。文中将当前统计模型(CS)和匀速模型(CV)交互,并自适应调节"当前"统计模型中的目标加速度和模型之间的转移概率,形成新的CVCSIMM算法,使其能够更有效地反映目标的机动特性。在Matlab上对本算法进行了仿真研究,并与基本CVCAIMM算法、改进前的CVCSIMM算法进行了比较。Monte Carlo仿真结果表明:本算法减小了跟踪过程中的误差,提高了对机动目标的跟踪精度。     

跟踪机动目标的一种新方法的研究

本文提出了跟踪三维空中机动目标的一种新方法,在这种方法中,未知的目标加速度被认为是具有非零均值、时间相关的随机过程并将它的概率密度函数假定为截断正态型。借助于切比雪夫(Chebyshev)不等式来确定目标随机加速度的均值和方差之间的关系。理论分析和仿真结果表明,由作者们提出的模型和算法去跟踪恒加速目标时稳态偏差为零,从而消除了R.A.Singer方法在跟踪恒加速度目标时所存在的稳态偏差。给出了计算机仿真结果。截断正态概率密度模型和自适应算法适合于跟踪高度机动目标并且易于实现。     

机动目标跟踪的IMM和IMMF-LS自适应滤波算法

介绍了一种跟踪机动目标的交互式多模型 (IMM)自适应滤波算法 ,并在其基础之上介绍了一种基于状态的扩充具有固定延时的平滑IMM算法 (IMMF -LS) ,分别采用了Singer模型和“当前”统计模型与CA模型进行交互运算。蒙特卡洛仿真结果表明了IMM具有明显的综合多模型的优点 ,IMMF -LS的跟踪精度明显高于IMM算法。     

交互式多模型算法在机器人目标跟踪中的应用

将交互式多模型(IMM)算法应用于视觉伺服机器人对机动目标的跟踪。使用匀速运动(CV)和匀加速运动(CA)模型表示目标的两种运动状态,利用马尔可夫链进行模型切换,根据目标前一时刻的状态和当前的观测值,预测目标当前的状态。在Matlab上对IMM滤波算法和Kalman滤波算法进行了仿真实验研究,结果表明,不管目标处于何种运动状态,IMM算法估计量的误差均值都比Kalman滤波算法的误差均值小,尤以目标作机动运动时更为突出,证明了应用IMM算法可以提高跟踪机动目标的精度。     

CS模型下的IMM算法在目标跟踪中的应用

针对视觉伺服机器人对机动目标的跟踪问题,将当前统计模型（CS）引入IMM算法,与匀速模型（CV）组成模型集。在Matlab上对当前统计IMM算法和基本IMM算法进行仿真比较,结果表明当前统计IMMS算法跟踪机动目标的性能好于基本IMM算法,具有很好的收敛性和稳定性,提高了视觉伺服机器人对目标跟踪的准确性和快速性。     

一种机动目标跟踪的异步航迹融合算法

为实现机动目标跟踪,提出一种异步序贯航迹融合算法。融合中心包含匀速和匀加速2种融合模型,均通过信息去相关方法实现序贯航迹融合,并利用调整过程噪声的方法抑制融合发散。对匀加速融合模型的加速度估计进行显著性检验,实现机动检测。当检测到机动时输出匀加速融合模型的结果,反之输出匀速融合模型的结果。仿真结果表明,该算法能实现对机动目标的稳定跟踪,具有较高的跟踪精度。     

基于强跟踪滤波器的多目标跟踪方法

在诸多的多目标跟踪算法中，相互作用多模型（IMM）算法是目前公认的最为有效的算法。但到目前为止，LMM估计方法都是建立在卡尔曼滤波器（KF）和扩展卡尔曼滤波器（EKF）基础上，因而其性能不仅依赖于所采用的模型集，而且在更大程度上依赖于所采用的滤波技术。强跟踪滤波器（STF）克服了卡尔曼和扩展卡尔曼的三大缺陷，因而设计一种基于STF的IMM目标跟踪算法显然能提高其性能。仿真实验表明，基于STF的IMM算法的跟踪性能要优于基于KF和EKF的IMM算法的跟踪性能。     

基于UKF的闪烁噪声机动目标跟踪

闪烁噪声下的机动目标跟踪是一个非线性非高斯系统滤波问题,传统的卡尔曼理论很难保证其跟踪精度.文中提出了一种基于UKF的闪烁噪声机动目标跟踪算法,首先对目标系统的状态方程进行无味变换,然后再进行滤波估计,以减小跟踪误差.UKF不需要求导,它能比EKF更好地迫近目标运动模型的非线性特性,具有更高的估计精度,计算量却与EKF同阶.在仿真实验中采用"协同转弯模型"作为机动目标的运动模型,雷达的量测方程也是非线性的,分别应用UKF和EKF跟踪闪烁噪声下的机动目标,结果表明,UKF能够较好地解决闪烁噪声下跟踪机动目标的难题,其跟踪精度要远远高于EKF.     

多特征提取的双目机器人目标跟踪

为了解决复杂环境下双目机器人的目标跟踪问题,提出多特征提取的方法。在机器人静止-目标运动模式下根据改进的步态光流图和视角识别目标并构造颜色直方图模板;在机器人运动-目标运动模式下利用扩展卡尔曼滤波器、基于自适应核函数的CamShift算法、基于Hu矩的头肩模型匹配算法提取目标的运动特征、颜色特征和头肩特征以实现目标跟踪。实验分析表明,所提出方法能够避免启动时手动框选目标,可以实现遮挡和背景与目标相似度高等复杂环境下的目标跟踪。     

LOS/NLOS混合环境中基于交互式多模型的鲁棒目标跟踪

针对视距（line-of-sight, LOS）和非视距(none-line-of-sight, NLOS)混合环境的定位跟踪问题, 提出一种基于扩展H∞滤波（EHF）和扩展卡尔曼滤波(EKF)的交互式多模型(IMM)定位跟踪算法。目标与基站之间的LOS、NLOS传输信道分别用EKF和EHF匹配, 模型间的转换用马尔可夫过程进行描述。Monte Carlo仿真结果表明, 该算法具有较高的定位精度、较好的跟踪稳定性, 且计算时间与基于EKF的IMM算法相当, 具有较好的可实现性。     

扩展卡尔曼滤波在组合导航中的应用

松组合导航中,采用组合导航系统(SINS)误差作为状态量,用SINS解算的位置和速度与全球定位系统(GPS)测量的位置速度之差作为量测信息.为了提高组合导航的精度在松组合导航中应用扩展卡尔曼(EKF)滤波算法,通过仿真对载体轨迹的速度、姿态、位置进行跟踪.仿真结果表明:在仿真进入8 min之后系统进入稳态,能准确跟踪载体.因此,采用基于EKF的非线性滤波能有效跟踪载体的位置、速度和姿态.     

强跟踪延迟滤波算法及其在感应电机无速度传感器控制中的应用

在强跟踪滤波(Strong track filter, STF)算法和延迟扩展Kalman滤波(Schmidt extended Kalman filter, SEKF)算法的基础上, 提出了强跟踪延迟滤波(Strong track Schmidt filter, STSF)算法, 结合感应电机降阶模型建立了电机状态估计算法, 将其应用于感应电机无速度传感器控制系统中, 并与扩展Kalman滤波(Extended Kalman filter, EKF)、SEKF和STF三种算法的状态估计性能作比较. 仿真和实验结果表明, STSF算法在估计精度、跟踪速度、抑止噪声等方面均优于EKF算法, 并且计算复杂度显著降低, 能有效在线估计电机转速和磁链.     

基于IMM-UKF的纯方位机动目标跟踪算法

针对在非线性机动目标跟踪中存在的滤波器易发散、跟踪误差大等问题,本文在多站纯方位跟踪的基础上,把Unscented卡尔曼滤波(Unscented Kalman filter,UKF)引进到交互多模型算法(Interacting multiple model,IMM)中,设计了交互多模型UKF滤波算法,克服了EKF中引入的较大线性化误差对机动目标跟踪算法性能的影响.最后将该算法与扩展卡尔曼滤波(EKF)、IMM-EKF算法进行了比较,仿真结果表明:IMM-UKF 算法增强了EKF滤波器的稳定性,提高了滤波收敛速度和跟踪精度.     

无线传感器网络下移动扩散源追踪算法

与移动瞬时源追踪相比,移动扩散源追踪相对困难.本文分析了移动扩散源扩散过程,给出了离散化浓度场模型.将连续线源目标追踪问题转化为离散点源目标追踪的次优问题,提出了一种离散化移动扩散源追踪算法.在该算法中,先采用约束最小二乘方法估计目标实时位置、到达时间等相关参数,并进一步采用仅针对位置序列的Sage-Husa卡尔曼滤波方法优化位置估计.该算法克服了一般基于动态序列的追踪方法无法直接应用于离散移动扩散源追踪问题的不足.在仿真实验中,分别在匀速率平滑曲线运动与变速非平滑曲线运动的情形下进行追踪实验,分析了追踪精度与采样间隔以及观测节点密度的关系.仿真结果说明了提出的移动扩散源追踪算法的有效性.