马尔可夫参数自适应IFIMM算法研究

针对新息滤波交互式多模型(IFIMM)算法中切换过程模型概率滞后的问题,提出了模型概率转移矩阵马尔可夫参数自适应的新息滤波多模型算法(AMP-IFIMM),该方法采用后验信息修正不准确的先验信息,自适应的调整马尔可夫转移矩阵的参数.切换时刻较多地遗忘非匹配模型的信息,放大匹配模型的信息,在保证滤波精度的同时,大大提高了模型间切换速度.将该算法应用到CA,CV两模型组合导航系统取得了良好的效果.     

改进的马尔可夫参数自适应IMM算法

针对机动目标跟踪问题,首先推导了马尔可夫参数自适应IFIMM算法自适应调节模型切换矩阵的必要条件,进一步分析了马尔可夫矩阵修正IMM跟踪算法的适用局限性.通过重新定义模型误差压缩率之比,提出了一种改进的马尔可夫参数自适应IMM算法,并阐述了误差压缩率之比的特性.最后进行了仿真实验并指出了马尔可夫自适应IMM算法的适用范围.     

基于非线性滤波的自适应交互式多模型算法

研究了基于非线性条件下的自适应交互多模型算法,并将EKF及UKF引入自适应交互多模型算法(AIMM).交互多模型算法(IMM)是机动目标跟踪中比较有效的方法,然而传统IMM算法中的滤波参数完全是人为先验确定的,并没有利用当前时刻量测中的信息,文中给出基于后验概率的模型转移概率自适应交互多模型算法.最后通过一个仿真实例比较了AIMM中EKF方法与UKF方法及传统IMM方法的优劣,并分析了结论.     

机动目标无源跟踪IMM-MKF算法

为提高运动多站对机动目标的无源跟踪性能,提出了一种新的基于交互式多模型-边缘化卡尔曼滤波(IMM-MKF)的机动目标跟踪算法。该算法将交互式多模型(IMM)结构和边缘化卡尔曼滤波(MKF)结合,利用MKF算法对每个模型进行滤波,对滤波结果进行交互作用来得到跟踪结果。以只测角机动目标跟踪为例对所提算法进行仿真分析,仿真结果表明,相对于采用扩展卡尔曼滤波(EKF)、不敏卡尔曼滤波(UKF)及容积卡尔曼滤波(CKF)算法的典型交互式多模型算法,所提算法具有更好的跟踪性能。     

强跟踪多模型估计器

本文提出了一种基于最小二乘估计的强跟踪滤波器(STF)单重渐消因子求解方法.从参数自适应与模型自适应有机结合的角度出发,将STF与交互式多模型算法(IMM)相结合,设计了强跟踪交互式多模型估计器(STMME).仿真表明:STMME在跟踪机动目标时,对速度,加速度的跟踪精度明显优于传统的IMM,在自适应估计领域有着较好的应用前景.     

基于改进自适应IMM-UKF算法的水下目标跟踪

针对现有自适应交互式多模型算法(AIMM)在水下目标跟踪过程中模型切换和跟踪精度上的不足,该文结合无迹卡尔曼滤波(UKF)算法,提出一种改进的AIMM-UKF算法。该算法在自适应修正马尔可夫转移概率矩阵的基础上,利用判定窗对其进行二次修正,实现匹配模型概率的快速增大和对非匹配模型的抑制。仿真结果表明,改进算法相比原有自适应算法,能更加充分地利用后验信息,拥有更好的模型切换速度,跟踪精度提升约24%。     

一种马尔可夫矩阵自适应的IMM-CKF算法

为了解决标准的交互式多模型(Interacting Multiple Model,IMM)算法中Markov概率转移矩阵固定不变的问题,结合容积卡尔曼滤波(Cubature Kalman Filter,CKF)算法,提出了一种Markov概率转移矩阵自适应的IMM-CKF算法。该算法引入了一个Markov矩阵元素的调整系数,在滤波过程中自适应调整Markov概率转移矩阵的每一个元素。新算法大幅度提高了匹配模型的概率,降低了非匹配模型的影响,同时改善了标准IMM算法的滤波效果。最后,通过蒙特卡洛仿真实验验证了自适应IMM-CKF算法的跟踪效果比IMM-CKF算法更好。     

一种三维机动目标跟踪的改进IMM算法

以三维机动目标跟踪为背景,提出一种参数自适应交互式多模型跟踪算法。该算法采用当前量测信息实时地修正马尔可夫转移概率矩阵,有效地降低了人为因素的影响。由于三维CV（匀速运动）和CA（匀加速运动）模型状态变量维数不一致,从而导致使用IMM算法时数据不能直接交互融合。针对这一缺点,对CV模型进行了改进。Matlab仿真表明,使用改进后的CV模型并结合参数自适应IMM算法比使用常规的IMM算法跟踪效果更好,并具有很好的实用性。     

交互式多区域模型

一种被称为交互式多区域模型(IMRM)的非线性滤波算法被提出,用于对状态和连续系统参数进行联合估计.IMRM将连续的系统参数空间视为由若干子区域所构成的集合,并将每个子区域分别分配给一个子模型.IM-RM使用一组子滤波器并行滤波.在每一时刻,IMRM利用交互操作计算各子模型的混合初始化环境,之后各子滤波器在假设系统参数跳变到特定子区域的前提下,对状态和系统参数进行估计.为了有效地应用IMRM,提出了一种基于无迹变换的交互式多区域模型(UT-IMRM)算法.UT-IMRM对每个子模型使用无迹卡尔曼滤波器(UKF)进行滤波.在目标跟踪实验中对UT-IMRM性能进行测试.实验结果显示当系统参数不属于IMM模型集合时,UT-IMRM能够比IMM获得更好的估计性能.     

基于改进“当前”统计模型的机动目标IMM跟踪算法

交互式多模型(IMM)算法是一种有效的机动目标跟踪算法,但其性能与模型的选择、个数以及参数有关。文中提出了一种基于改进的“当前”统计模型的交互式多模型算法,改进的“当前”统计模型提高了对机动目标的跟踪能力,而常速模型对匀速目标跟踪性能良好,IMM算法通过两种模型的交互作用可以实现对目标状态的自适应估计;同时,该算法结合了模型概率转移自适应技术,实现了对模型转移矩阵的在线估计,降低了人为因素。最后,通过Monte Carlo仿真进一步验证了该算法的有效性。