基于DP-TBD的分布式异步粒子滤波融合算法

主要利用检测前跟踪动态规划(DP-TBD)算法解决目标跟踪问题。动态规划(DP)是一种先通过对量测空间栅格化处理,然后对离散的量测空间中所有可能的物理路径进行遍历的算法。但是该算法提供的是一种未经滤波的点迹序列。此外,基于单雷达的DP-TBD算法在信噪比(SNR)较低时跟踪效果不佳,航迹丢失情况较严重,因此利用基于DP-TBD的多雷达协同探测势在必行。然而,由于DP-TBD算法没有状态误差协方差矩阵,导致无法将不同雷达的点迹序列进行基于各种融合准则的融合。另外,由于多个雷达不同的采样周期和通信时延,导致了各个雷达的数据是异步的。为了解决以上问题,文中提出了一种基于DP-TBD的分布式异步粒子滤波融合算法(DP-PFF)。该算法分为两步,第一步提出了一种适用于DP算法的粒子滤波方法;第二步是将不同雷达获得的异步状态估计转化为同步的并进行基于DCI准则的分布式融合。仿真结果说明,和单雷达相比,该算法显著提升了目标跟踪的性能。同时,该算法也减少了航迹丢失率并且可以显著提升系统的鲁棒性。     

多传感器顺序粒子滤波算法

粒子滤波是一种基于Monte Carlo仿真的最优回归贝叶斯滤波算法.这种方法不受线性化误差和高斯噪声假定的限制,适用于任何状态转换或测量模型,因此能够很好地解决非线性、非高斯环境下系统的状态估计问题.为了能够有效地解决非线性、非高斯环境中的集中式多传感器状态估计问题,本文研究了多传感器顺序粒子滤波算法.首先,从理论上推导了一般的集中式多传感器粒子滤波模型;然后根据集中式多传感器系统的特点,提出了顺序重抽样方法.最后,给出了算法的仿真分析.仿真结果说明顺序粒子滤波方法能够明显提高多传感器系统状态估计精度,并且随着传感器数增多,改善的效果越好.     

基于RB粒子滤波的多传感器目标跟踪融合算法

构建面向多传感器信息融合系统的粒子滤波(PF)器是拓展采样型非线性滤波应用领域的关键,针对PF在多传感器融合目标跟踪系统的有效实现问题,提出了一种基于Rao-Blackwellized(RB)PF(RB-PF)的多传感器目标融合跟踪(MT-RB-PF)算法。首先,利用RB建模技术实现跟踪系统非线性状态估计的降维处理;其次,结合多传感器融合系统特点,给出一种多量测下粒子权重优化新方法用以改善粒子权重度量的可靠性和稳定性;最终,通过标准PF和卡尔曼滤波(KF)实现非线性和线性状态分量的估计,并利用状态重构方法构建当前时刻的状态估计值。理论分析和仿真实验验证了算法的有效性。     

多传感器自适应滤波融合算法

该文提出了一种在线调整权值的多传感器自适应滤波数据融合跟踪算法,用于解决复杂背景下机动目标跟踪问题。首先自适应寻找各个传感器所对应的最优加权因子,确定融合后某一时刻目标最优观测值;其次,以输入信号作为相关自适应滤波器的观测信号,通过新息相关自适应滤波算法根据状态方程及观测方程中误差的变化,实时动态地调整增益矩阵,同时依据自适应滤波状态偏差输出信号及当前观测数据,应用模糊推理在线调整各传感器权值,最终系统输出即为测量轨迹在两级自适应调整融合下最优轨迹。仿真结果证明了算法有效性。     

改进的分布式粒子滤波盲均衡算法

针对多节点合作接收系统中的盲均衡问题,提出了一种基于一致优化的分布式粒子滤波盲均衡改进算法。该算法采用多个接收机组成无融合中心的分布式网络,使用分布式粒子滤波合作估计共同的发送符号序列,克服了单接收节点受信道影响大、误码率高的问题。为了保证粒子滤波中每个节点产生共同的粒子集和粒子权重,采用基于交替方向乘子法的一致优化算法获得联合似然函数,并与最大一致协议相结合,从而使每个节点获得相同的最佳重要性函数和粒子权重。理论分析与仿真结果表明,该算法只需经过有限次的一致迭代就可以达到集中式合作盲均衡的性能。全分布式的多节点合作获得了空间分集增益,降低了系统误码率。      

基于粒子滤波的分布式雷达TBD算法

为提高分布式雷达系统的目标检测与跟踪能力,研究了基于粒子滤波的检测前跟踪算法。针对传统粒子滤波中粗化方法盲目性的问题,提出了一种适用于分布式雷达目标检测与跟踪的多簇聚类粒子滤波算法。该算法在粗化的基础上,首先采用改进的K Means方法对粒子聚类以形成多个粒子簇,引导各簇内粒子沿着该簇中心向该簇最大联合似然粒子方向偏移,使粒子向高联合似然区域集中。该算法能够在缓解粒子滤波样本贫化问题的同时减少传统粗化的盲目性,提高了系统从接收数据中提取目标信息的能力。对分布式雷达目标检测与跟踪的仿真结果表明,多簇聚类粒子滤波算法比传统的粗化策略粒子滤波算法具有更好的检测能力和更高的跟踪精度。     

分布式粒子滤波算法在面向跟踪的无线传感器网络中的应用

无线传感器网络在目标跟踪应用中的优势主要体现在跟踪更精细可靠且及时隐蔽,但是由于传感器网络中没有中心控制机制,无线通信的带宽有限,这就要求采用合理的跟踪策略,高效的分布式信息处理算法。将“ad hoc跟踪群”的概念移植到面向跟踪的无线传感器网络中作为传感器的组织策略,并和适用范围较大的粒子滤波相结合实现跟踪任务。仿真实验证明,在不影响跟踪精度要求的情况下,此方案能够降低通信能量开销。     

多传感器箱粒子PHD滤波多目标跟踪算法

针对目标检测概率较低导致单个传感器无法对目标进行有效检测并跟踪的问题,本文提出了多传感器箱粒子概率假设密度(multi-sensor box particle probability hypothesis density filter,MS-BOX-PHD)滤波器.MS-BOX-PHD滤波器首先将多个传感器的量测转换、融合成为一个量测集合,并利用箱粒子概率假设密度(box particle probability hypothesis density filter,BOX-PHD)滤波器对多个目标的状态进行预测和更新.数值实验表明,相较于单传感器箱粒子概率假设密度(Single-BOX-PHD)滤波器,MS-BOX-PHD滤波器在目标检测概率较低时,能够有效地对多目标的状态和数目进行估计;相较于区间量测下多传感器标准PHD粒子(multi-sensor standard probability hypothesis density particle filter with interval measurement,IM-PHD-PF)滤波器,在达到相同的跟踪性能时,计算效率提升了38.57％.     

容积信息粒子多传感器融合算法

为提高多传感器融合的精确度,提出一种容积信息粒子多传感器融合算法。算法将容积信息滤波(CIF)和粒子滤波(PF)结合一起,采用CIF传递PF的粒子,通过引入信息贡献向量和信息贡献矩阵,将多个传感器的量测信息更新到PF的粒子中,提高粒子与真实状态后验概率分布的逼近程度,改进多传感器融合精确度。同时将CIF估计值作为粒子,消除随机扰动对融合的影响,提高粒子有效度,进一步提高融合精确度。仿真与实验表明,算法能够有效处理集中式多传感器融合问题,具有较高的滤波精确度。     

粒子滤波算法在多传感器测量中的应用

目标跟踪是粒子滤波算法在处理非线性问题的一种典型应用,但由于在线处理能力或传输条件的限制,实际应用中往往无法对多个传感器数据同时处理。据此,给出了一种基于多传感器选优的粒子滤波算法。假设每个时刻可以处理一个测量数据,该算法先采用加权的概率密度函数来评价每个传感器获得的测量值,并用粒子滤波对概率密度函数的加权进行实时更新,基于最大熵标准来选取最优测量数据进行处理。同时,最大熵标准保证了最优似然函数分布最宽,从而缓解粒子衰竭问题。通过数值仿真实验证明,该算法可以选择最优观测数据进行处理,有效降低多传感器测量中粒子滤波在线实时处理性能的要求,也较好地缓解了粒子滤波的"衰竭"问题。     

异类传感器集中观测融合UKF滤波算法

由于雷达具有较好的测距性能,红外传感器具有高精度的测角性能.雷达和红外传感器是异类传感器系统的一个典型组合,但是异类传感器信息融合因没有现成的数学工具和方法而面临诸多困难.本文首次将UKF(unscented Kalman filter)引入到异类传感器的信息融合,并且利用集中式观测融合UKF,解决同步配置、同步采样的异类传感器的信息融合问题.仿真结果表明,本算法的SMSE要小得多.     

基于能量有效的水下分布式粒子滤波跟踪算法

为降低水下无线传感器网络目标跟踪算法能耗并提高定位精度,提出基于能量有效的分布式粒子滤波跟踪算法(EEPF算法)。EEPF算法通过能量有效的最优分布式动态成簇机制和启发式能量有效的调度算法来平衡水下节点间的能耗,延长网络生存期,并在预测、滤波、重采样阶段对粒子滤波算法进行改进,在保障期望目标跟踪精度的同时降低了运算能耗。仿真结果表明,EEPF算法是一种轻量级的能量有效的目标跟踪算法,该算法能耗低,网络存活时间长,且跟踪精度较传统粒子滤波算法有了较大提高。     

粒子滤波算法研究

本文介绍了几种粒子滤波算法,然后详细的介绍了各算法存在的主要问题,以及各种改进算法的优势。最后给出了粒子滤波在研究领域中的一些应用。最后通过介绍几种算法对全文做出了总结。     

能量有效的分布式粒子滤波

该文根据无线传感器网络节点能量有限的特点,从节能的角度提出了能量有效的分布式粒子滤波算法.该文首先给出了算法的一个总体框架,然后从大数定理出发,研究粒子数对算法性能的影响.接着,基于节点的位置信息和测量方程,提出了一种节点选择算法.通过节点选择,可以把粒子滤波算法的计算复杂度分布到各个节点,进行分布式处理.最后,通过仿真验证算法的有效性.     

粒子滤波和正则粒子滤波算法性能研究

主要介绍了解决系统状态估计问题的滤波算法。在提出非线性高斯系统模型的基础上着重阐述了扩展卡尔曼滤波(EKF)、粒子滤波(PF)和正则粒子滤波(RPF)算法。对这三种算法在不同的噪声条件下的估计性能进行了仿真分析。结果表明,在非线性高斯系统中,PF和RPF的估计性能远比EKF的估计性能要好,由于RPF是从离散分布中重构其近似连续分布,再从该连续分布中采样粒子,估计性能比PF要好,尤其在小噪声的环境下,估计性能更加稳定。     

基于子波滤波的并行分布式检测融合算法分析

将软阈值决策子波域滤波算法与多传感器并行分布式检测融合系统有机地结合在一起,提出了多传感器并行分布式检测系统在Neyman-Pearson(N-P)准则下融合规则和局部判决规则之间相互关系的理论分析方法,完整地给出了两种次最佳系统和全局最佳系统判决规则的理论推导,并藉此理论对以上3种系统进行了瑞利噪声环境下的仿真,结果表明子波域滤波算法和多传感器并行分布式检测融合系统的同时引入明显提高了雷达探测系统的检测性能。     

特征融合的灰狼优化粒子滤波目标跟踪算法

针对传统粒子滤波算法在跟踪目标所处环境迁移,目标姿态变化和发生遮挡时容易出现跟踪框漂移现象,提出一种基于灰狼算法优化的粒子滤波跟踪方法(GWOPF)。首先,将全局特征HSV颜色特征和局部特征方向梯度直方图(HOG)特征加权融合建立观测模型;然后,用灰狼算法(GWO)优化粒子滤波算法结构,利用GWO位置更新机制改善粒子空间分布状况,在粒子重采样前进行权值自适应调节,解决原始粒子滤波方法采样时出现的粒子退化问题并优化滤波效果。实验结果表明,改进后的算法在具有挑战的Tiger和Girl视频序列中跟踪成功率分别达到了97.5%和95.0%,单帧处理时间缩短至24.6 ms和18.4 ms,具有较高的跟踪精度和良好的鲁棒性,能够应对跟踪目标发生旋转、部分遮挡等情况以及实时性要求。     

改进的多特征融合粒子滤波视频跟踪算法

视频运动目标的跟踪是一个典型的非线性、非高斯问题,粒子滤波是一个解决非线性、非高斯问题的主流方法,粒子滤波技术具有非线性等特性,在目标跟踪过程中得到了广泛的应用。传统粒子滤波跟踪算法的退化现象严重,经过几次迭代递推,权重方差随着时间推移而增大,为解决该问题引入均值漂移算法,调整初始粒子分布,使粒子集中于邻近的局部极大值区域内,以减少退化现象的发生。并且将颜色特征和边缘特征融合在粒子滤波跟踪算法中,在传统算法基础上提出改进,加入优化机制,使粒子的权值分布更加接近实际情况。实验结果表明了该算法的有效性。     

基于DP-TBD的分布式异步迭代滤波融合算法研究

该文主要运用检测前跟踪动态规划(Dynamic Programming-Track Before Detect)算法解决目标跟踪问题。动态规划(Dynamic Programming, DP)是一种通过对量测空间栅格化处理,然后对离散的量测空间中所有可能的物理路径进行遍历的算法。然而,该算法提供的是一种未经滤波和平滑的点迹序列。随着实际战争环境日益复杂,基于单雷达的DP-TBD算法在信噪比(SNR)较低时跟踪效果不佳。此外,由于DP-TBD算法没有状态误差协方差矩阵,因此无法将不同雷达的点迹序列进行融合。而且由于通信时延和不同的采样周期,不同雷达的数据往往是异步的。为了解决以上问题,该文提出了一种基于DP-TBD的分布式异步迭代滤波融合算法(DynamicProgramming?Fuison, DPF)。该算法分为两步,第1步提出了一种迭代滤波方法对DP点迹进行处理;第2步将不同雷达获得的异步状态估计转化为同步的,接着利用几种分布式的融合方法来获取融合之后的状态估计。仿真结果说明,和单雷达相比,该融合算法可以有效提升目标跟踪的性能,同时,该算法也可以降低航迹丢失率和计算量。