自适应转移概率交互式多模型跟踪算法

针对标准的交互式多模型算法（Interacting Multiple Model,IMM）存在模型集设计困难和采用固定转移概率矩阵导致模型切换缓慢、跟踪精度下降的不足,提出一种自适应转移概率IMM算法.首先,提出了一种新的模型集设计方法,将强跟踪修正输入估计（Strong Tracking Modified Input Estimation,STMIE）模型和匀速运动（Constant Velocity,CV）模型作为IMM算法的模型集,利用STMIE算法对高机动目标的跟踪能力以及CV模型对非机动目标跟踪的高精度,实现对目标的全面自适应跟踪.其次,提出一种依据模型似然函数值对Markov转移概率进行实时修正的方法,增强匹配模型的作用,削弱不匹配模型的影响.仿真结果表明,依据模型似然函数修正转移概率的方法使IMM算法的模型切换速度和跟踪精度都得到提高,提出的IMM-STMIECV算法的跟踪精度高于IMM-CVCA、IMM-CVCACT以及IMM-CVCS算法.     

鲁棒的交互式多模粒子滤波跟踪器概率计算方法

针对传统交互式多模粒子滤波(IMMPF)跟踪器概率 计算方法在复杂环境下鲁棒性不足的缺陷,提出 一种新型的基于联合似然函数模型的子跟踪器概率计算方法。首先,计算基于跟踪结果与当 前外观 模型的巴氏距离作为瞬时似然函数,度量目标外观的剧烈变化;其次,利用l ₂范数规则化最小二乘算法构 建目标的重构外观模型,将其与跟踪结果的误差指数函数作为平稳似然函数,度量目标的缓 慢变化; 然后,基于加权求和策略得到跟踪器基于多种特征的联合似然函数;最后,将建立的联合似 然函数结 合上一帧的先验状态交互概率完成子跟踪器概率的更新。对复杂环境下跟踪器性能的在线评 估对比 结果验证了联合似然函数模型能有效评估跟踪器因不同干扰因素导致的性能变化,将其应用 于子跟踪器概率的计算能获得比主流算法更好的鲁棒性。     

基于变换观测模型的粒子滤波跟踪算法

针对视频目标突变转向时产生的重尾问题,提出了一种变换观测模型的粒子滤波跟踪算法.该算法根据提出的变换准则,目标稳定运动时采用高斯分布观测似然函数,当目标突变转向时采用多变量拉普拉斯分布观测似然函数较好的逼近重尾分布,提高跟踪的精度.视频跟踪仿真试验表明,该算法是稳健的,能够对突变转向的运动目标进行有效、可靠地跟踪.     

基于非线性滤波的交互式多模型算法

为了使交互式多模型算法更好的应用于非线性系统,将转换测量卡尔曼滤波引进到交互式多模型算法中,通过建立IMMCVCACT模型进行仿真,仿真结果表明,相对于单模型结构,引入转换测量卡尔曼滤波算法明显提高了跟踪精度.     

适用于慢衰落信道的联合最大似然序列估计

为了克服移动通信中存在的多径衰落效应,基于Viterbi算法的最大似然序列估计需要不断跟踪信道参数的变化.在建立有限带宽信号的多径衰落信道传输模型的基础上,提出了一种适合于慢衰落信道特性的降阶联合信道跟踪与最大似然均衡算法D-PSP.该方法根据信道特性选择不同的降阶维数N,在保证数据正确接收率的条件下,不同程度的有效减小PSP算法的计算时间和存储空间.     

一种基于最大似然概率准则的迭代DDF算法

随着定位跟踪技术的不断发展,非线性滤波逐渐成为研究的重点和实现非线性定位跟踪的关键.DDF 算法是一种基于 stirling 内插公式的非线性插值滤波算法,在系统的可观测度较低且测量误差通常较大时,其跟踪滤波的收敛速度、精度和稳定性都不高.在推导了最大似然概率迭代策略的基础上,提出基于最大似然准则的 IDDF 滤波算法.该方法迭代过程以似然概率增加为准则,改善了跟踪滤波精度和收敛速度.仿真实验表明,与 EKF 和 DDF 相比,IDDF 具有更高的估计精度和更快的收敛速度.     

隐马尔科夫模型修正的交互多模跟踪算法

针对交互式多模型目标跟踪算法中模型转移概率固定对跟踪精度造成的影响,提出了一种隐马尔科夫模型修正的模型转移概率自适应交互多模跟踪算法。该算法通过对跟踪过程建立隐马尔科夫模型,采用Viterbi 算法求解修正系数,在检测到目标运动发生机动性变化时,将修正系数用于交互式多模型算法以达到实时调整模型转移概率的目的。仿真结果表明,该算法的跟踪结果优于传统的交互式多模型算法,具有很好的稳健性、实时性,有效降低了主观因素对跟踪精度造成的影响。     

自由空间激光通信中APT粗跟踪研究

自由空间激光通信APT(Acquisition,Pointing and Tracking)系统主要由粗跟踪系统和精跟踪系统组成,粗跟踪系统主要是完成对目标信号的捕获,以确保入射的信标光在精跟踪控制系统的动态范围内.介绍了粒子滤波在APT粗跟踪系统中的应用,针对粒子滤波在跟踪算法中存在的问题进行了改进,设计了颜色和轮廓双重信息融合的似然模型;为提高目标跟踪算法在异常情况下的有效性,采用了异常检测和恢复策略,并设计了跟踪光斑目标的模拟系统.实验表明:所提出的多信息融合的似然模型跟踪算法在目标尺度变化、背景干扰、姿态变化、部分遮档等环境下均能稳定地跟踪目标,提高了大气激光通信链路的可靠性.     

基于特征子空间的自适应多视角目标跟踪算法

提出了一种新的自适应特征子空间跟踪算法,该算法通过计算跟踪目标的似然来自适应调整模型更新的权重,以减小更新过程中样本误差积累导致的模型漂移.同时,跟踪算法利用多视角贝叶斯理论框架进行多视角的信息融合,并对跟踪模型进行分块处理和更新,以提高跟踪精确度.仿真结果表明,本算法比对比算法的跟踪误差更小,并能够更好地解决目标遮挡和形变等问题,从而得到精确、高效的跟踪结果.     

改进的IMMPF算法在目标跟踪中的应用研究

改进的交互多模型粒子滤波(IMMPF)算法通过利用最新观测量得到的残差值设置一个自适应系数来调整滤波器的似然函数分布,使得采样点向高似然区域移动,增加了采样区域和似然函数的重叠部分,在一定程度上保持了粒子的有效性和多样性,克服了粒子样本的贫化问题,从而改善了传统的IMMPF算法在滤波采样过程中没有考虑到当前最新的观测信息而导致使滤波性能下降的问题。经过仿真实验验证,该改进方法应用在机动目标跟踪中,可以有效地提高了跟踪性能的稳定性。