共查询到19条相似文献,搜索用时 125 毫秒
1.
2.
3.
4.
机动目标跟踪的一种模糊算法 总被引:10,自引:2,他引:8
研究了模糊交互多模型算法(FIMM)和基于当前统计模型(CS)的自适应滤波算法,提出了一种基于当前统计模型的模糊交互多模型算法(CSFIMM)。该算法克服了模糊交互多模型算法精度较低和当前统计模型自适应滤波器方差调整有限的缺点。通过仿真,对所提出的算法和交互多模型(IMM)算法以及FIMM算法在估计精度和计算量两个方面进行了比较。 相似文献
5.
6.
7.
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
8.
9.
10.
针对交互式多模型(IMM)算法计算量大、模型切换时性能不佳的特点,提出了一种新的机动目标跟踪算法——方差模型概率(Variance Model Probability,VMP)算法。该算法结合多模型思想,利用当前量测残差在线推导模型方差,自适应调整模型概率。模型概率大小与方差成反比,滤波输出为各模型加权和。为减小量测噪声引起的误差影响,在设定的时间窗内求方差平均值。仿真结果表明,VMP算法不仅性能优于交互式多模型算法,同时也减少了计算量,提高了费效比。 相似文献
11.
12.
13.
14.
机动目标自适应高斯模型与跟踪算法 总被引:4,自引:0,他引:4
提出了一种描述机动目标运动状态的自适应高斯模型,在这种模型中,机动目标的加速度被认为是具有非零均值、时间相关的随机过程,并假定其概率密度函数服从高斯分布。指出了机动目标运动模型的均值和方差与目标机动加速度最佳当前估计值之间的关系,在此基础上,提出了相应的自适应卡尔曼滤波算法。仿真结果表明,该算法对机动目标在不同机动方式下的位置、速度和加速度均有良好的跟踪效果,且所需计算量小。 相似文献
15.
16.
代价参考粒子滤波算法通过动态优化自定义代价函数和风险函数来衡量状态滤波估计的质量,选取最优的状态估计.与粒子滤波算法相比其优点是不需要任何先验概率知识的假定和重采样过程可实现并行处理.将代价参考粒子滤波与当前统计模型的优点相结合,提出一种新的当前统计模型自适应跟踪算法,用于非线性非高斯系统的机动目标跟踪.Monte Carlo仿真表明,该算法跟踪精度优于标准的交互多模型算法和当前统计模型自适应跟踪算法,实时性好于当前统计模型高斯粒子滤波算法. 相似文献
17.
18.
交互多模型算法(IMM)的子滤波器都是基于Kalman滤波的,它要求知道精确的噪声统计特性,然而在许多情况下噪声信号的统计特性是未知的,只能得到噪声信号的近似模型,这在一定程度上降低了IMM算法的跟踪精度.基于以上问题,将H∞滤波算法应用于IMM算法的滤波过程.H∞滤波对干扰信号的统计特性不作任何假设,与Kalman滤波相比,H∞滤波器对噪声形式的不确定性不太敏感,鲁棒性好.在跟踪过程中还引入了一种数值稳健的模型概率计算方法,能有效防止计算过程中出现数值溢出现象,提高了算法的可靠性.最后通过仿真实验,证明了算法的有效性. 相似文献
19.
针对现有交互多模型箱粒子滤波(Interacting Multiple Model Box Particle Filter,IMMBPF)算法在区间量测目标跟踪过程中模型切换和跟踪精度方面的不足,结合自适应交互多模型算法,提出了一种自适应交互多模型箱粒子滤波(Adaptive IMMBPF,AIMMBPF)算法。该算法利用模型似然后验信息构建修正因子,并结合阈值对马尔可夫转移概率矩阵进行自适应修正,使得匹配模型的概率快速增大,并且可以减小非匹配模型的影响,即使在目标运动模型先验信息不足或者不准确情况下,也能对模型转移概率进行自适应更新。对于量测常受到未知分布和偏差的区间误差所影响而呈现区间形式的问题,将箱粒子代替普通粒子,拟合后验概率密度从而进行滤波。仿真结果表明,相比于原有算法,该算法在区间量测机动目标跟踪的应用中,拥有更优的模型匹配度和目标跟踪精度。 相似文献