一种水下被动目标纯方位跟踪方法

针对水下被动目标跟踪的非高斯噪声环境和弱可观性的特点,提出了将粒子滤波算法应用于水下被动目标跟踪的思路.该算法直接利用传感器获得的含有噪声的角度数据,通过改进极坐标系下的系统方程得到目标状态的后验概率分布,来估计目标的运动状态.仿真结果表明该算法提高了滤波的稳定性,跟踪精度优于扩展卡尔曼滤波算法和无迹卡尔曼滤波算法.     

一种多传感器目标跟踪中的简单切换方法

本文基于一种快速卡尔曼滤波的跟踪算法,利用已经确定的传感器布局信息,预先计算出不同空间位置上不同传感器组合的GDOP因子,并根据GDOP建立了多传感器的切换准则.从而可以在目标航迹的不同阶段上,选取最优GDOP的传感器组合,用尽可能少的传感器对机动目标进行精确跟踪.仿真结果表明该方法不仅降低了算法的计算量,而且仍然能够保持良好的跟踪性能.     

通信受限时传感器管理方法研究

在通信受限的情况下,如何进行传感器的管理以满足多目标的跟踪需求,优化完成跟踪任务.针对这一问题,对通信受限这种情形进行了描述,提出了数据获取概率的概念;利用扩展卡尔曼滤波和序贯卡尔曼滤波推出了序贯扩展卡尔曼滤波算法;结合信息论传感器管理方法和协方差控制传感器管理方法的优缺点提出了一种新的传感器分配准则.对比仿真实验表明,这种新的传感器管理方法能对传感器进行良好的管理,减小通信受限所带来的干扰;相比传统的传感器管理方法,传感器分配更为合理.     

红外目标精跟踪方法的研究

本文提出了一种直接把红外前视传感器的输出作为测量值来跟踪红外目标的扩展型卡尔曼滤波跟踪算法。在滤波处理时,设置可变的测量矩阵,其目的在于提高运算速度和抑制噪声干扰。通过具体的实例,对所提跟踪算法的特点和有效性进行了细致的分析。     

基于STF滤波的神经网络算法

为了解决"基于卡尔曼滤波的神经网络算法"由于目标模型不确定性而出现的预测信息不准确,甚至发散的问题以及由于传感器误差而造成的估计误差偏大导致跟踪失效的问题,提出将强跟踪滤波(STF)应用于人工神经网络算法中,以神经网络中各层连接权值构成STF滤波的状态向量,引入时变渐消因子,强迫残差具有正交性或近似正交性,以克服上述问题.实验仿真证明,改进后的算法提高了网络训练速度、滤波精度、数值稳定性以及对目标的跟踪性能.     

基于模糊聚类和粒子滤波目标跟踪算法研究

针对非线性的目标跟踪采用了基于模糊聚类和粒子滤波的混合跟踪算法,取得了优于卡尔曼滤波跟踪的良好效果.首先利用模糊C均值聚类算法对采集的数据进行基于目标的隶属度的分类,然后利用粒子滤波算法对目标进行位置估计.仿真结果表明:非线性视频跟踪中混合算法对目标的跟踪效果要好于卡尔曼滤波算法,降低了跟踪误差.     

精确制导系统中的目标跟踪与卡尔曼滤波

针对精确制导中的目标跟踪问题,应用卡尔曼滤波算法进行了仿真研究.该算法在建立基于卡尔曼滤波运动模型的基础上,通过测量获得运动目标角度及径向距离数据,然后根据推广卡尔曼滤波算法迭代估算出目标的位置.通过对仿真结果分析可得,该方法有良好的跟踪性能,卡尔曼滤波在精确制导系统的目标定位,跟踪等领域有着广泛的应用前景.     

一种改进的GPS弱信号跟踪算法

针对目前GPS(全球定位系统)软件接收机中常用的跟踪环路难以跟踪弱信号的缺点,结合卡尔曼滤波技术,提出了一种基于扩展卡尔曼滤波的GPS弱信号跟踪算法.该算法通过改进传统卡尔曼滤波的观测方程,提高了信号估计精度.仿真结果表明,在载噪比低至23 dB· Hz的GPS信号跟踪条件下,传统跟踪环路已无法跟踪信号,但该改进的跟踪方法仍能跟踪.总体来说,该改进算法可用于GPS弱信号的跟踪,也可以用于其他GNSS(全球卫星导航系统).     

基于TOA/TDOA的一致性正交容积卡尔曼跟踪算法

针对异构网络环境下目标跟踪系统中面临的非线性估计问题,提出了一种基于正交容积卡尔曼滤波的目标跟踪算法.文中算法首先引入一个附加变量来表示状态变量中的非线性项,设定自适应加权因子来调整不同信号输入系统的比重,然后利用数学手段融合两种信号为单一的状态变量,最后通过正交容积卡尔曼滤波来实现目标状态量的更新,从而实现对目标的定位与跟踪.仿真结果表明了文中算法的有效性,能够得到更高的定位与跟踪精度.     

双被动雷达交会跟踪的精度分析与跟踪算法

多平台的被动传感器交会(融合)跟踪系统的功能就是将呈网状分布的多被动传感器测量到的目标的角度量测信息进行融合,以得出目标的运动状态.本文基于无偏估计的Cramer-Rao 不等式,分析了运动平台上的双被动雷达交会跟踪目标时不同通信带宽情况下的估计精度问题,并且建立了对机动目标交会跟踪的扩展卡尔曼滤波(EKF)跟踪算法.     

被动传感器阵列中基于粒子滤波的目标跟踪

针对被动传感器阵列中的机动目标跟踪问题,该文提出了一种基于多模Rao-Blackwellized粒子滤波的机动目标跟踪新方法。算法首先基于Rao-Blackwellization理论将机动目标跟踪问题划分为模型选择和目标跟踪两个子问题;采用多模Rao-Blackwellized粒子滤波对目标运动模型进行选择,扩展Kalman滤波对目标进行更新,有效降低了抽样粒子状态维数,节省了计算时间;最后,建立了被动传感器阵列的非线性观测模型。实验结果表明,提出方法可以有效地对目标模型进行选择,算法的跟踪性能及稳定性要好于交互多模型(IMM)方法。     

基于角度划分的2D传感器三维跟踪定位算法

根据2D传感器的扫描特点和观测信息,建立了单站2D传感器对三维运动目标的观测模型,基于该模型提出了三维匀速运动目标的仰角参数化扩展卡尔曼滤波算法。此算法将传感器的仰角观测范围划分为若干个子区间,对各仰角子区间执行并行独立的EKF跟踪算法,并根据滤波结果动态更新各滤波器的权值,最后融合各EKF估计值得到最终的目标状态估计。计算机仿真结果证明了该算法在2D传感器对三维空间内目标跟踪定位时的有效性和优越性。     

一种基于毫米波/红外复合制导的跟踪滤波算法

信息融合技术是毫米波/红外复合制导的关键技术之一,其中目标跟踪算法的优劣直接决定了系统的性能.针对毫米波与红外复合制导的目标跟踪,首先对毫米波传感器和红外传感器的量测数据进行了融合,并提出了一种改进的跟踪滤波算法.该跟踪算法能根据目标的机动情况实时获得滤波增益,并及时调整滤波方程,从而获得良好的跟踪效果.最后对目标的直线运动和改变航向的直线运动进行了仿真分析.仿真结果表明,与其它滤波算法相比,该算法的跟踪效果良好,跟踪精度较高且计算量少.     

基于强跟踪滤波的传感器目标跟踪算法

为了提高运动目标的跟踪精度,提出一种基于强跟踪滤波的传感器目标跟踪算法.首先通过传感器节点测量目标的状态值,并通过融合中心对信息进行融合,然后利用Cholesky分解技术变换成噪声独立的量化融合系统,并采用强跟踪滤波算法对目标状态进行估计,最后与其它目标跟踪算法进行对比实验.结果表明,本文算法不仅提高了目标跟踪的精度,而且具有更好的鲁棒性.     

Energy-efficient collaborative target tracking algorithm using cost-reference particle filtering in wireless acoustic sensor networks

Target tracking is one of the most important applications of wireless sensor networks. Optimized computation and energy dissipation are critical requirements to save the limited resource of sensor nodes. A new robust and energy-efficient collaborative target tracking framework is proposed in this article. After a target is detected, only one active cluster is responsible for the tracking task at each time step. The tracking algorithm is distributed by passing the sensing and computation operations from one cluster to another. An event-driven cluster reforming scheme is also proposed for balancing energy consumption among nodes. Observations from three cluster members are chosen and a new class of particle filter termed cost-reference particle filter (CRPF) is introduced to estimate the target motion at the cluster head. This CRPF method is quite robust for wireless sensor network tracking applications because it drops the strong assumptions of knowing the probability distributions of the system process and observation noises. In simulation experiments, the performance of the proposed collaborative target tracking algorithm is evaluated by the metrics of tracking precision and network energy consumption.     

基于数据链和光电传感器的融合跟踪

数据链是战争中信息互通、资源共享的生命线,研究了基于数据链和光电传感器的融合跟踪方法。根据数据链和光电传感器数据的不同特点,对数据链数据应用改进的交互式当前统计模型滤波外推算法进行时间配准,并根据光电传感器测量角度信息的非线性应用交互式卷积粒子(IMM-CPF)滤波算法进行融合跟踪。使用IMM-CPF和IMM-EKF算法对融合跟踪进行对比仿真,仿真结果表明,使用IMM-CPF算法的数据链和光电传感器的信息融合对目标的跟踪达到了很好的效果。     

一种基于异步数据融合的传感器管理方法

针对多传感器系统存在观测数据过多,数据融合中心处理负担过重的问题,在引入一种基于传感器观测数据序贯处理的最优异步融合算法的基础上,提出一种基于目标协方差控制的传感器选择算法对异步观测数据进行优化组合,从而实现以最小的计算量达到所要求的目标状态估计精度。最后的仿真结果证明了该算法的有效性和可行性。     

无线传感器网络中用于目标跟踪的节点规划算法

利用无线传感器网络进行目标跟踪时,由于各传感器节点的能量有限,数据蕴含的有效信息又各不相同,因此有必要规划参与目标跟踪的节点集和参与方式,以降低系统开销。本文提出了一种新的基于领导节点的节点规划算法,综合考虑收集数据和领导节点迁移过程中的通信开销,以最大化目标跟踪的性能。求解中以跟踪过程中的误差矩阵作为目标度量,采用高斯-赛德尔（Gauss-Seidel）和凸松弛等方法,使得复杂的带约束优化问题能够在接近O（N3）的时间复杂度内得到求解。仿真结果表明,与对比算法相比,本算法在相同的通信能量约束下能够达到更好的跟踪性能。     

Genetic Algorithm-based Adaptive Optimization for Target Tracking in Wireless Sensor Networks

In this paper, we address the problem of genetic algorithm optimization for jointly selecting the best group of candidate sensors and optimizing the quantization for target tracking in wireless sensor networks. We focus on a more challenging problem of how to effectively utilize quantized sensor measurement for target tracking in sensor networks by considering best group of candidate sensors selection problem. The main objective of this paper is twofold. Firstly, the quantization level and the group of candidate sensors selection are to be optimized in order to provide the required data of the target and to balance the energy dissipation in the wireless sensor network. Secondly, the target position is to be estimated using quantized variational filtering (QVF) algorithm. The optimization of quantization and sensor selection are based on the Fast and Elitist Multi-objective Genetic Algorithm (NSGA-II). The proposed multi-objective (MO) function defines the main parameters that may influence the relevance of the participation in cooperation for target tracking and the transmitting power between one sensor and the cluster head (CH). The proposed algorithm is designed to: i) avoid the problem lot of computing times and operation counts, and ii) reduce the communication cost and the estimation error, which leads to a significant reduction of energy consumption and an accurate target tracking. The computation of these criteria is based on the predictive information provided by the QVF algorithm. The simulation results show that the NSGA-II -based QVF algorithm outperforms the standard quantized variational filtering algorithm and the centralized quantized particle filter.     

Collaborative tracking via particle filter in wireless sensor networks

Target tracking is one of the main applications of wireless sensor networks. Optimized computation and energy dissipation are critical requirements to save the limited resource of the sensor nodes. A framework and analysis for collaborative tracking via particle filter are presented in this paper Collaborative tracking is implemented through sensor selection, and results of tracking are propagated among sensor nodes. In order to save communication resources, a new Gaussian sum particle filter, called Gaussian sum quasi particle filter, to perform the target tracking is presented, in which only mean and covariance of mixands need to be communicated. Based on the Gaussian sum quasi particle filter, a sensor selection criterion is proposed, which is computationally much simpler than other sensor selection criterions. Simulation results show that the proposed method works well for target tracking.