共查询到19条相似文献,搜索用时 62 毫秒
1.
针对多传感器机动目标跟踪过程中的航迹滤波发散问题,提出了一种将联邦滤波器与交互式多模型滤波算法(IMM)相结合的交互式联邦多模型融合算法IFMM.在IFMM算法中各传感器均具有相同的滤波模型集合,各传感器在同一模型下所产生的滤波结果先采用联邦滤波算法进行融合,然后采用IMM算法对各模型融合结果进行综合,产生目标状态的全局估计.仿真结果表明,IFMM有效提高了机动目标运动状态估计的精确度和稳定性. 相似文献
2.
提出一种不同类型传感器异步量测融合算法,即首先将量测方程线性化,再在融合中心通过建立伪量测方程,得到同步化的量测数据,然后利用一种扩维滤波的思想进行融合处理得到全局估计,最后进行仿真分析。结果表明了该算法的有效性。该算法体现一种并行处理的思想,故数据处理的速度高,特别适用于异步数据的融合处理。 相似文献
3.
4.
5.
6.
7.
8.
针对低检测概率下多机动目标的跟踪问题,该文提出一种新的交互式多传感器多目标多伯努利滤波器(IMM-MS-MeMBer).在IMM-MS-MeMBer滤波器的预测阶段,该文利用当前的量测信息自适应地更新目标的模型概率,并利用更新后的模型概率对目标状态进行混合预测;在IMM-MS-MeMBer滤波器的更新阶段,使用贪婪的多传感器量测划分策略对多传感器量测进行划分,并利用得到的量测划分集合和IMM-MS-MeMBer滤波器对目标的后验概率密度进行更新;除此之外,IMM-MS-MeMBer滤波器能够利用目标的角度和多普勒量测信息同时实现多个机动目标的位置、速度估计.数值实验验证了该文所提IMM-MS-MeMBer滤波器的优越性能. 相似文献
9.
一种新的机动目标跟踪的多模型算法 总被引:11,自引:0,他引:11
采用带渐消因子的当前统计模型与匀速运动模型进行交互,设计了一种新的机动目标跟踪的交互式多模型算法。当前统计模型具有对一般机动目标跟踪精度高的特点,通过渐消因子的引入增强了该模型对突发机动的自适应跟踪能力,同时通过与CV模型的交互保证了对非机动目标的跟踪性能。仿真结果表明,在跟踪一般机动目标时,其误差和当前统计模型与CV模型交互的IMM算法相当;在跟踪突发机动目标时,该文算法的误差明显小于当前统计模型与CV交互的IMM算法。 相似文献
10.
多传感器融合的数据关联问题一直是目标跟踪领域的核心与难点之一.文中提出了一种多传感器融合的多维数据互联算法.首先进行多目标跟踪模式的判断,根据跟踪模式选取不同维数的数据互联算法,对现有的多维数据互联算法存在问题进行了分析和改进,给出了算法实现的伪代码.仿真与实验结果表明,该算法对弹道目标跟踪具有较好的效果,对复杂环境下的多目标也能进行稳定地跟踪. 相似文献
11.
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。 相似文献
12.
13.
在主/被动雷达双传感器目标跟踪背景下,提出一种基于IMM-UKF滤波的加权数据融合算法。该算法采用UKF对观测数据进行滤波估计,避免了计算雅克比矩阵,克服EKF滤波方法受滤波初值影响大、易发散的缺点。与单一传感器进行仿真比较,结果表明该算法可以比任一单传感器滤波精度高,稳定性更好。 相似文献
14.
自学习最小二乘加权数据融合算法已被广泛地应用于融合多传感器系统中的量测信息.但是,通过深入的理论分析和实验仿真发现,自学习最小二乘加权数据融合算法在进行双传感器数据融合时具有较差的融合精度,同时该算法还具有较差的抗干扰性及稳定性.基于以上研究结果,提出了一种基于全局状态估计的多传感器加权数据融合算法,采用卡尔曼滤波的状态估计特性及相关历史信息,使得状态的估计值能够充分逼近真实值,从而使得算法具有较高的融合精度及抗干扰性.最后,MonteCarlo仿真结果显示,相比于已有算法,提出的算法在融合精度及抗干扰性方面具有明显地提高. 相似文献
15.
在飞行目标的靶场试验中,需要对其进行有效的检测、跟踪和精确地完成位置估计.在分析激光跟踪测量系统和红外搜索与跟踪系统的发展现状、工作原理、发展趋势的基础上,提出一种新的基于激光跟踪测量系统和红外搜索与跟踪系统异构传感器的融合模型,对飞行目标在靶场试验的过程中进行数据融合,从而得到更为精确的飞行位置数据. 相似文献
16.
17.
粒子滤波技术通过非参数化的蒙特卡罗模拟方法实现递推贝叶斯滤波,适用于非线性目标运动模型、非线性传感器测量模型和非高斯噪声的目标跟踪。但需已知目标和量测模型,而实际情况往往难以满足此条件。交互多模型算法(IMM)依据各模型对目标前一时刻状态估计的方差,确定各模型在当前时刻状态下存在的概率,利用各模型对目标状态估计的加权和,确定目标的状态。本文采用粒子滤波代替IMM算法中各模型的Kalman滤波,将粒子滤波与IMM的优点相结合。同时,采用UKF(UnscentedKalmanFilter)产生粒子,由于考虑了当前量测,使得粒子的分布更加接近后验概率分布,用较少的粒子就可以逼近目标的真实状态。仿真实验结果表明,本算法可用于标准IMM算法无法实现跟踪的复杂情形,而且使用的粒子数目仅是同类算法的二十分之一。 相似文献
18.
19.
在基于TDOA数据融合算法的基础上,给出了一种在非视距环境下改进型数据融合模型。该模型利用联合卡尔曼法消除偏差较大的测量值对后续估计值的影响,有效抑制了卡尔曼滤波的不收敛,降低了对可采用系数的限制,从而使可采用的系数进一步降低,更大程度地消除了非视距误差,提高定位精度。 相似文献