一种实现多机动目标跟踪的JPDA-STF算法

联合概率数据关联(JPDA)算法在解决多目标跟踪时需要目标准确的动力学模型,动力学模型失配在多机动目标跟踪中时常发生,而作为有效的解决方法之一——强跟踪滤波(STF)是针对无杂波环境下的单机动目标设计的.为了提高杂波环境下多机动目标跟踪精度,提出一种联合概率数据关联强跟踪滤波(JPDA-STF)算法.该算法为了能够实现...     

一种基于模糊数据关联的粒子滤波算法

为了解决杂波环境下多机动目标的数据关联问题,提出一种将粒子滤波器(PF)和模糊数据关联(FDA)相结合的数据关联算法。本算法首先应用粒子滤波方法对目标的状态进行采样,得到样本(粒子),然后结合量测,用模糊数据关联算法分别对每个粒子求得其对各个目标的隶属度,比较各个隶属度的大小,把最大的隶属度作为粒子在滤波中的权值,从而实现多目标的跟踪。另外,在应用FDA的过程中对其中的常量m进行取值分析,讨论了其不同取值对跟踪效果的影响。仿真结果表明,与其他的常规跟踪方法粒子滤波及扩展卡尔曼滤波相比,该方法具有较好的跟踪效果;与粒子滤波结合联合数据关联方法相比,跟踪效果相差不大,但是具有更好的实时性。     

基于粒子滤波和联合概率数据关联的目标跟踪算法

为了解决非线性非高斯系统下多目标跟踪问题,对基于粒子滤波和联合概率数据关联的目标跟踪算法进行了深入研究。在多目标聚集且目标跟踪门可能交叉时,考虑使用基于多目标组合采样的JPDA算法,在多目标聚集不严重时,考虑使用基于独立采样的JPDA算法。仿真结果表明：该方法可以有效地解决非线性非高斯下多目标跟踪问题。     

密集杂波环境下的简化JPDA多目标跟踪算法

为简化联合概率数据关联算法(Joint Probabilistic Data Association, JPDA)的计算复杂度,增强JPDA算法的实时性,设计了一种新的JPDA简化算法。首先根据目标航迹与量测之间的关联规则,定义了一种新的计算关联概率的方法,之后分析公共量测对目标的影响,引入公共量测影响因子修正关联概率。该算法不用进行确认矩阵拆分,有效解决了在密集杂波环境下因回波密度增加而造成的计算上的组合爆炸问题。仿真结果表明,简化的JPDA算法能够在保持对目标有效跟踪的情况下,大大缩短计算时间,提高算法的实时性。      

基于EPF-IMM算法的高机动目标跟踪研究

融合粒子滤波与交互多模算法的优势,提出了一种基于进化粒子滤波的交互多模算法(EPF-IMM)。该算法将遗传进化思想引入到传统的粒子滤波,在粒子迭代中采用遗传算法中的编码、交叉、变异等算子实现粒子的自适应进化且隐含重采样,从而改进其粒子退化现象。然后利用粒子滤波信息,在交互多模型中进行更新运算。既解决了IMM算法对非线性、非高斯环境的适应性问题,又解决了PF的无关联对应模型问题。与标准IMM算法进行高机动目标跟踪性能比较,试验仿真结果表明,EPF-IMM算法的跟踪精度高。     

多传感器模糊-概率交互作用的数据关联算法

本文基于估计理论和模糊系统理论,提出了一种多传感器多回波模糊－概率交互作用的数据关联滤波算法,以解决密集杂波干扰环境中多传感器跟踪机动目标的数据关联问题。模糊关联度和关联概率共同组成了各有效回波的加权系数,弥补了概率数据关联滤波方法（ＰＤＡＦ）的不足,提高了杂波环境中机动目标的跟踪性能。     

基于JPDA的多目标跟踪算法及其应用

在多目标和杂波环境下,量测与对应目标源的关联将变得复杂,当邻近目标运动时,采用滤波算法跟踪目标时,源于目标的量测会相互干扰,导致误跟现象的发生。针对此问题,本文采用基于联合概率数据关联JPDA的方法进行处理,通过引入两个基本假设条件,即每个量测只有一个源和每个量测至多源于一个目标,计算各量测与各目标源的关联概率,进而估计出各目标的状态信息。仿真结果表明在采用本文的算法处理多目标问题时,目标的位置和速度信息能够得到较好的估计,避免误跟现象的发生。     

一种HRRP特征辅助的多目标JPDA算法

针对强杂波环境下,联合概率数据关联（Joint Probabilistic Data Association, JPDA）算法的计算复杂度不能满足复杂电磁环境下数据关联的实时性要求,本文提出了一种基于高分辨一维距离像（High Resolution one-dimensional Range Profile, HRRP）特征辅助的JPDA算法。首先,计算量测与目标的HRRP特征相似度;然后利用特征相似度辅助JPDA算法完成波门搜索,减少可行事件的数量;最后使用特征相似度对可行事件的发生概率进行修正,进而修正量测与目标的关联概率。实验结果表明,本文算法提高了关联性能,同时还极大地提高了算法的实时性。      

基于有效量测分集的联合概率数据互联算法

杂波环境下用联合概率数据互联算法(JPDA)跟踪多目标,其计算量将随跟踪目标数的增多和杂波密度的增大而呈指数增长,因此实时性不强;并且JPDA跟踪杂波环境中的近距离目标时,容易造成航迹合并。在充分考虑单个目标独立性的基础上,提出有效量测分集概念。将接收到的有效量测信号按照单个目标的关联划分,确定各目标跟踪波门内的候选量测信号,不考虑量测信号的重复关联。取得单个目标独立性之后,再运用单目标概率数据互联的方法估计目标状态。仿真实验表明,较传统JPDA实时性更强,能够分辨并跟踪近距离目标。     

基于高斯粒子JPDA滤波的多目标跟踪算法

在多目标跟踪中,由于观测的不确定性带来数据关联问题,并且,多目标状态空间尺寸的增长带来了维数增大问题,该文提出了一种新的高斯粒子联合概率数据关联滤波算法(GP-JPDAF),在JPDA框架中引入高斯粒子滤波(GPF)的思想,通过高斯粒子而不是高斯量,来近似目标与观测的边缘关联概率,利用GPF计算目标状态的预测及更新分布。将其应用于被动多传感器多目标跟踪,仿真结果表明该算法比MC-JPDAF具有更好的跟踪性能。     

基于权值概率的多目标航迹关联算法研究

针对联合概率数据互联(JPDA)算法在实际应用中计算量大的问题,提出了一种基于权值概率的GNJPDA算法。该方法不需要像传统的JPDA算法求解复杂的确定矩阵和独立关联矩阵,因而具有计算量小、易于工程实现的特点。对该算法的性能分析和仿真验证表明,与JPDA算法相比,GNJPDA算法具有更好的跟踪性能、更强的通用性和可扩展性;并且在密集杂波多目标环境下可实时、有效地跟踪几十批次的目标。     

基于遗传粒子滤波的GPS定位数据处理算法

针对粒子滤波算法中的权值退化问题,提出了一种遗传算法辅助下的粒子滤波算法。利用遗传算法在选择继承性上的优势,将遗传算法中的选择、交叉和变异操作引入到粒子滤波算法中。在此基础上,将改进的粒子滤波算法与建立的全球定位系统(GPS)非线性动态状态空间模型结合应用于GPS定位数据处理问题,通过采集实测GPS数据将改进粒子滤波算法与基本粒子滤波算法做了比较。结果表明,遗传算法辅助下的粒子滤波可以增加有效粒子数目,有效解决粒子退化问题,可提高GPS定位数据处理精确度。     

粒子滤波在图像数据分析中的应用

利用粒子滤波的估值计算,以电泳凝胶图像的数据分析为例,在不破坏原始数据的条件下,对被噪声和其它缺陷污染的蛋白点进行量化,实验证明粒子滤波算法可以快速有效地抑制干扰因素,恢复真实的数据特性。     

基于杂波密度估计的联合概率数据互联算法

联合概率数据互联(JPDA)算法能很好地解决密集环境下的多目标跟踪问题。在该算法基础上,人们又提出了多传感器联合概率数据互联(MSJPDA)算法和一些基于JPDA的修正算法。在联合概率数据互联算法中,有一个很重要的参数就是杂波数密度(或波门内虚假量测期望数),然而在许多实际情况中,这个参数是很难获取的。针对这一问题,提出了一种修正的联合概率数据互联算法,该算法通过实时地调整这一参数来获得对目标较为准确的估计结果。最后,给出了算法的仿真分析。     

次优联合概率数据关联算法的研究

数据关联算法的研究是多目标跟踪中的核心问题,多目标跟踪的精度和计算过程的复杂度均取决于所采取的数据关联算法的优劣。文中对2种典型的次优联合概率数据关联算法进行了研究,结合仿真结果指出了上述2种次优算法间的本质差异,同时还提出了一种改进的次优联合概率数据关联算法。计算机仿真表明,改进的算法较原算法具有更好的跟踪性能。     

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。     

基于PPP模型的多扩展目标跟踪的JPDA算法研究

针对多扩展目标跟踪问题,提出了基于泊松点过程（Poisson Point Process, PPP）模型的多扩展目标跟踪的联合概率数据关联（Joint Probabilistic Data Association, JPDA）算法。首先,采用PPP对扩展目标进行测量建模,其次以“多对一”关联模型思想提出一种的JPDA算法,从而计算运动目标的当前有效量测的边缘关联概率,然后结合该边缘关联概率以概率数据关联（Probability Data Association, PDA）的方式分别更新每个扩展目标的运动参数和形状参数向量,最后通过仿真实现了当扩展目标相互靠近或出现交叉时的跟踪。实验结果表明,在高杂波环境下,本文所提出的算法在计算时间和跟踪稳定上具有较明显的优势。