高斯过程回归模型多扩展目标多伯努利滤波器

针对复杂不确定性环境下不规则形状的多扩展目标跟踪问题, 本文提出了一种基于高斯过程回归(GPR) 模型的多扩展目标多伯努利(GPR–ETCBMeMBer)滤波算法. 首先, 在利用有限集统计理论(FISST)将多扩展目标的 状态集与量测集分别建模为多伯努利随机有限集(MBer RFS) 和泊松随机有限集(Poisson RFS) 的基础上, 通过 GPR方法建立多扩展目标随机超曲面的跟踪滤波模型. 然后, 基于容积卡尔曼滤波器(CKF)详细推导并提出GPR多 扩展目标多伯努利滤波算法的高斯混合(GM)实现. 最后, 通过构造对星凸形多扩展目标和多群目标跟踪的仿真实 验验证了本文所提算法的有效性.     

基于均方根容积卡尔曼的δ-GLMB多目标跟踪算法

在非线性高杂波密度场景下,高斯混合(Gaussian Mixture,GM)实现的δ-广义标签多伯努利滤波器(δ-Generalized Labeled Multi-Bernoulli Filter,δ-GLMB)难以准确地估计目标数目及运动状态。针对这一问题,提出基于均方根容积卡尔曼滤波(Square-rooted Cubature Kalman Filter,SCKF)的δ-GLMB高斯混合实现算法。基于三阶球面-径向容积准则选取一组等权的容积点集,对GM-δ-GLMB滤波器的伯努利分量传递过程中的高斯参量进行预测及更新,实现非线性模型系统下的目标跟踪。仿真结果表明,与现有的δ-GLMB滤波器的扩展卡尔曼滤波(Extended Kalman Filter,EKF)高斯混合实现及无迹卡尔曼滤波(Unscented Kalman Filter,UKF)高斯混合实现相比,该算法可提高非线性高杂波密度环境下的目标跟踪精度。     

势平衡多目标多伯努利滤波器高斯混合实现的收敛性分析

研究了势平衡多目标多伯努利(cardinality balanced multi-target multi-Bernoulli,CBMeMBer)滤波器高斯混合(Gaussian mixture,GM)实现的收敛性问题.证明在线性高斯条件下,若GM-CBMeMBer滤波器的高斯项足够多,则它一致收敛于真实的CBMeMBer滤波器.并且证明在弱非线性条件下,GM-CBMeMBer滤波器的扩展卡尔曼(extended Kalman,EK)滤波近似实现—EK-GM-CBMeMBer滤波器,若每个高斯项的协方差足够小,也一致收敛于真实的CBMeMBer滤波器,本文的研究目的是从理论上给出CBMeMBer滤波器GM实现的收敛结果,以完善CBMeMBer滤波器对多目标跟踪的理论研究.     

星凸形多扩展目标跟踪中的传感器控制方法

针对多扩展目标跟踪中的传感器控制问题, 本文基于有限集统计(FISST)理论与随机超曲面模型(RHM), 利 用多伯努利(MBer)滤波器提出有效的传感器控制策略. 首先, 文中给出多扩展目标跟踪中基于信息论联合目标形状 估计优化和目标运动状态估计优化的传感器控制方法的求解思路. 其次, 给出RHM容积卡尔曼高斯混合(GM)势均 衡多扩展目标多伯努利滤波算法的具体实现过程. 然后, 结合GM密度间的柯西施瓦兹(Cauchy-Schwarz)散度提出 相应的传感器控制决策方法. 此外, 详细推导了扩展目标势的后验期望(PENET)的GM实现, 并提出以GM–PENET 为评价函数的传感器控制方法. 最后, 通过构造随机星凸形多扩展目标的跟踪优化仿真实验验证了本文所提传感 器控制方法的有效性.     

基于区间箱粒子多伯努利滤波器的传感器控制策略

多目标跟踪中的传感器控制本质上是一个最优非线性控制问题, 其在理论分析和计算上极具挑战性. 本文基于区间不确定性推理, 利用箱粒子多伯努利滤波器提出了一种基于信息测度的传感器控制策略. 首先, 本文利用箱粒子实现多伯努利滤波器, 并通过一组带有权值的箱粒子来表征多目标后验概率密度函数. 其次, 利用箱粒子的高斯分布假设, 将多伯努利密度近似为高斯混合. 随后, 选择柯西施瓦兹(Cauchy-Schwarz, CS) 散度作为评价函数, 并详细推导了两个高斯混合之间的CS散度的求解公式, 以此为基础提出相应的传感器控制策略. 此外, 作为一种对比方案, 利用蒙特卡罗方法, 本文还给出了通过对箱粒子进行混合均匀采样, 进而通过点粒子求解CS散度的递推公式, 并提出了相应的控制策略. 最后, 仿真实验验证了所提算法的有效性.     

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.     

基于星凸形随机超曲面模型多扩展目标多伯努利滤波器

针对复杂不确定性环境下具有不规则形状的多扩展目标跟踪问题, 提出了一种基于星凸形随机超曲面模型(Star-convex RHM)的多扩展目标多伯努利滤波算法.首先, 在有限集统计(Finite set statistics, FISST)理论框架下, 采用多伯努利随机有限集(MBer-RFS)和泊松RFS (Possion-RFS)分别描述多扩展目标的状态和观测, 并给出扩展目标势均衡多目标多伯努利(ET-CBMeMBer)滤波器.其次, 利用RHM去描述任意星凸形扩展目标的量测源分布, 提出了容积卡尔曼高斯混合星凸形多扩展目标多伯努利滤波器.此外, 本文给出了一种多扩展目标不规则形状估计性能的评价指标.最后, 通过多扩展目标和具有形状突变的多群目标的跟踪仿真实验验证了本文方法的有效性.     

改进的GMPF在动态跟踪系统中的应用

针对动态跟踪系统的非线性问题,提出一种非线性非高斯性能较优的状态估计器:考虑最新观测值的影响,使用基于平方根二阶差分(SRDD2)的高斯混合(GM)模型给出粒子滤波的建议分布.重要性采样和再采样阶段分别采用基于蒙特卡罗的重要性采样和进化的再采样方法,以减轻粒子滤波(PF)的样本退化问题,增强样本的多样性.实验结果表明,与平方根二阶差分Kalman滤波、PF、GM粒子滤波相比,该状态估计器提高了动态跟踪系统状态估计器的综合估计性能.     

基于泊松-高斯混合噪声的最大似然改进算法

传统的图像复原算法仅针对高斯噪声进行处理,没有考虑高斯及泊松混合噪声污染。为此,引入泊松-高斯混合分布的成像模型,对基于混合模型的最大似然算法进行有效近似,在此基础上提出基于泊松-高斯混合噪声的最大似然改进算法,避免对噪声敏感性和PSF初始估计的依赖。实验结果表明,与原有算法相比,改进算法复原效果明显,且稳健性较好。     

基于GLMB滤波和Gibbs采样的多扩展目标有限混合建模与跟踪算法

本文针对杂波条件下多扩展目标的状态估计, 目标个数估计, 扩展目标形状估计问题, 提出了一种基于标签随机有限集(Labelled random finite sets, L-RFS)框架下多扩展目标跟踪学习算法, 该学习算法主要包括两方面:多扩展目标动态建模和多扩展目标的跟踪估计.首先, 结合广义标签多伯努利滤波器(Generalized labelled multi-Bernoulli, GLMB)建立了扩展目标的量测有限混合模型(Finite mixture models, FMM), 利用Gibbs采样和贝叶斯信息准则(Bayesian information criterion, BIC)准则推导出有限混合模型的参数来对多扩展目标形状进行学习, 然后采用等效量测方法来替代扩展目标产生的量测, 对扩展目标形状采用椭圆逼近建模, 实现扩展目标形状与状态的估计.仿真实验表明本文所给的方法能够有效跟踪多扩展目标, 并且在目标个数估计方面优于CBMeMBer算法.此外, 与标签多伯努利滤波(LMB)计算比较表明: GLMB和LMB算法滤波估计精度接近, 二者精度高于CBMeMBer算法.     

基于ET-GM-PHD的机动多扩展目标跟踪算法

针对原始扩展目标高斯混合概率假设密度（Extended Target Gaussian Mixture Probability Hypothesis Density,ET-GM-PHD）滤波算法不能解决机动目标跟踪问题,在高斯混合概率假设密度（Gaussian Mixture Probability Hypothesis Density,GM-PHD）滤波框架下,引入修正的输入估计算法（Modified Input Estimation,MIE）,可以有效地处理多扩展目标的机动问题。此外,提出的算法虽然可以实现对未知数目的多机动扩展目标进行跟踪,但无法获得各个目标的航迹。针对此问题,进一步引入高斯分量标记方法,有效地将多机动扩展目标的航迹进行准确关联,获取各个目标的航迹。实验结果表明,提出的算法在弱机动扩展目标跟踪中具有较好的跟踪性能,同时能够有效地估计多扩展目标的航迹。     

基于循环检测的气动退化图像混合域去噪算法

气动退化图像中存在先验信息未知以及噪声成分复杂不易进行滤波处理的问题,为此,提出一种气动退化图像混合域去噪算法。设计针对高斯噪声、泊松噪声、固定值脉冲噪声和随机值脉冲噪声的混合检测方法,使用改进的滤波方法在空域去除固定值脉冲噪声和随机值脉冲噪声,进行非下采样轮廓波变换多层分解,在变换域使用阈值方法去除高斯噪声和泊松噪声。进行噪声循环检测,设定迭代停止条件控制算法循环从而实现算法自适应。仿真实验结果表明,该算法的噪声检测性能和滤波性能较好,图像细节信息得到正确恢复。同时,算法复杂度较低,实时性较好,可满足气动退化图像去噪处理的需要。     

基于GGIW-PMB的衍生扩展目标跟踪

针对标准的扩展目标泊松多伯努利(Poisson multi-Bernoulli, PMB)滤波器难以有效跟踪衍生目标的问题,提出一种改进的PMB跟踪算法.算法采用随机矩阵法对扩展目标外形和尺寸建模,在滤波预测阶段利用多假设模型对衍生事件进行预测,得到多个伽玛高斯逆威沙特(gamma Gaussian inverse Wishart, GGIW)预测假设分量,最后在滤波更新阶段对预测分量更新得到扩展目标的运动状态和扩展形状估计.仿真结果表明,与标准的PMB滤波算法相比,所提算法有效改善衍生扩展目标的跟踪性能.     

用于多个机动目标的混合高斯概率假设密度跟踪器

现有的混合高斯概率假设密度（GM—PHD）跟踪器不仅可以估计时变的多目标状态,还能辨识不同目标并保持其轨迹连续性．但当多个目标发生机动时,其稳定性较差,容易丢失目标．针对这一问题,本文提出一种能跟踪多个机动目标的混合高斯概率假设密度跟踪器算法．算法在GM—PHD滤波的框架上采用修正的输入估计方法将目标的概率假设密度（PHD）表示成混合高斯形式,并利用不同的标记辨识各个高斯分量,然后通过PHD滤波方程迭代这些高斯分量和对应的标记,最终达到跟踪多个机动目标的目的．仿真实验表明,和传统的GM—PHD跟踪器相比．新算法能以更高的稳定性跟踪多个机动目标．     

基于高斯和近似的扩展切片高斯混合滤波器及其在多径估计中的应用

全球卫星导航系统(Global navigation satellite system, GNSS)信号的多径估计问题实际上是条件线性状态空间模型下的状态估计问题. 根据高斯和理论提出了适用于非高斯噪声环境的扩展切片高斯混合滤波(Extension of sliced Gaussian mixture filter, ESGMF)算法. 该算法将非高斯噪声的状态概率密度函数(Probability density function, PDF)表示为高斯和的形式,将ESGMF通过一组并行的切片高斯混合滤波器(Sliced Gaussian mixture filter, SGMF)来实现.同时, 在ESGMF算法中利用粒子滤波(Particle filter, PF)中重采样的思想对成指数增加的状态预测PDF的高斯混合个体进行约简, 以提高贝叶斯推理的效率.该算法可以获得非高斯噪声下状态PDF的迭代解析表达式. 最后, 将ESGMF应用于GPS多径参数估计, 仿真结果表明, ESGMF算法的估计精度优于基于PF和扩展卡尔曼滤波(Extended Kalman filter, EKF)的算法.     

高斯混合交互式多模型容积信息滤波算法

针对机动目标跟踪中由于目标机动使系统的非线性强度增大,导致系统的线性误差增大和跟踪精度明显下降、甚至发散的问题,提出了基于高斯混合的交互式多模型容积信息滤波（ GMIMM-CIF）算法,实现对机动目标的精确跟踪。新算法在每次输入交互之后,保留概率较大的几个假设,并利用一个高斯混合项替换最优多模型算法中剩余的假设,从而使算法中假设的数量保持恒定;用容积信息滤波器（ CIF）代替传统的非线性滤波器,通过估计信息状态向量和信息矩阵而不是估计状态向量和协方差,可以减小系统的非线性误差。通过仿真对比实验,验证了该算法可以提高机动目标的跟踪精度。     

基于箱粒子滤波的混合标签多伯努利跟踪算法

针对标签多伯努利滤波器在目标处于近邻或目标量测与轨迹关联模糊情况下,更新步中由于近似产生信息丢失,导致跟踪效果下降的问题,引入区间分析技术,结合标签多伯努利滤波器及广义标签多伯努利滤波器各自的优势,提出一种箱粒子滤波下的混合标签多伯努利跟踪算法.建立两种滤波器的参数模型,通过Kullback Leibler散度和熵两项评定标准在两种滤波器间进行切换,在特殊环境中使用广义标签多伯努利滤波器提高跟踪性能,在其他环境中使用标签多伯努利滤波器近似降低算法的复杂度,提高运算效率;同时基于箱粒子滤波实现混合标签多伯努利算法.仿真实验表明,在特定环境中,与原有滤波算法相比,所提出的改进算法在保证计算效率的同时,可提高跟踪的精确度及稳定性.     

多模型GM-CBMeMBer滤波器及航迹形成

提出了一种可适用于杂波环境下对多个机动目标进行跟踪并能形成多目标航迹的多模型势平衡多目标多伯努利（Cardinality balanced multi-target multi-Bernoulli,CBMeMBer）滤波器. 随后,在多机动目标时间演化模型和观测模型均为线性高斯的假设条件下利用高斯混合（Gaussian mixture,GM）技术获得了该滤波器解析的递推形式——-多模型 GM-CBMeMBer 滤波器,并简要给出了它在非线性条件下的扩展卡尔曼（Extended Kalman,EK）滤波近似. 仿真实验结果表明所建议的多模型 GM-CBMeMBer 滤波器能有效地对多个机动目标进行跟踪而单模型 GM-CBMeMBer 滤波器则会产生明显的航迹丢失和虚假航迹,并且对于信噪比较低的仿真场景,它的性能优于多模型高斯混合概率假设密度（GM probability hypothesis density,GM-PHD）滤波器,接近于多模型高斯混合势概率假设密度（GM cardinalized PHD,GM-CPHD）滤波器.     

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。     

基于高斯–广义双曲混合分布的非线性卡尔曼滤波

本文研究带非平稳厚尾非高斯量测噪声的非线性系统状态估计问题.考虑到广义双曲分布包含多种常见厚尾分布特例,且其混合分布为共轭的广义逆高斯分布,选用广义双曲分布建模厚尾噪声;进而引入伯努利变量构建高斯–广义双曲混合分布来建模非平稳厚尾噪声,并利用该分布的高斯分层结构得到系统的概率模型.随后采用变分贝叶斯方法实现对系统状态以及噪声参数的后验估计,得到针对此类噪声系统的卡尔曼滤波(Kalman filter, KF)框架,现有的几种鲁棒滤波算法均是本文算法的特例.机器人跟踪仿真实验表明,所提算法与同类算法相比具有更好的估计精度和数值稳定性,且对于初始参数具有较好的鲁棒性.