基于集合卡尔曼滤波的线性目标跟踪算法

针对目标跟踪系统的非线性问题,将集合预报思想和卡尔曼滤波技术相结合,提出了基于集合卡尔曼滤波的非线性目标跟踪算法,讨论了初始集合的不同选择对跟踪性能带来的影响,实现了与其它常用非线性跟踪算法间的比较.利用到达角和多普勒频率测量数据实现非线性系统中目标跟踪,验证了算法的有效性和可行性.仿真结果表明集合卡尔曼滤波技术能够应用到非线性目标跟踪系统中,并且计算复杂度较低,具有很好的跟踪性能.     

基于IMMBPF的纯方位区间量测机动目标跟踪

针对纯方位区间量测下机动目标跟踪问题,提出了一种交互式多模型箱粒子滤波(IMMBPF)算法。该算法通过交互式多模型算法估计每个箱粒子的状态,利用多传感器交叉定位构建用于非线性测角区间分析的包含函数。在滤波更新阶段,引入二次压缩算法,使得更新的箱粒子具有更大的新息区间和存活概率,从而达到提高箱粒子多样性和目标状态估计性能的目的。利用等效浮点运算测度,从理论上推导分析了算法的复杂度。通过仿真实验对比了IMMBPF、交互式多模型粒子滤波(IMMPF)和匀速运动模型箱粒子滤波(CV-BPF)三种算法的目标跟踪性能,仿真结果证明了所提算法的有效性。     

基于自适应卡尔曼滤波的机动目标跟踪算法

在机动目标跟踪过程中,由于目标运动的不确定性,雷达系统接收的数据存在噪声,使预置目标运动模型通常很难得到较高的跟踪精度。为此,以自适应卡尔曼滤波为基础,将直角坐标系和球坐标系相结合,提出了一种混合坐标系下的自适应卡尔曼滤波算法。算法避免了两个坐标系变换引起的噪声统计规律变化问题,并针对目标发生大机动运动的情况,自适应的调整动态模型中机动目标运动参数。蒙特卡洛仿真结果表明,改进算法的收敛速度和对状态的估计精度均得到优化,并对机动目标具有较好的跟踪性能。     

IMM-UPF算法在机动目标跟踪中的研究

为解决机动目标跟踪的非线性和噪声不确定等问题,提出了一种新的滤波算法：融合了交互式多模型（IMM）、粒子滤波（PF）和无迹卡尔曼滤波（UKF）的IMM-UPF算法。该算法采用多模型结构以跟踪目标的任意机动,粒子滤波能处理非线性、非高斯问题,而采用UKF产生粒子,由于考虑了当前观测值,使得粒子的分布更接近后验概率密度分布,克服粒子的退化现象,从而提高估计精度。系统的模型集根据实际的目标系统设计了三个非线性模型。通过实例仿真,结果证明了IMM-UPF算法的有效性,且其性能优于PF、UPF算法。     

基于IMM多传感器顺序粒子滤波跟踪机动目标算法

针对交互式多模型粒子滤波在跟踪机动目标时精度受限问题,提出一种基于交互式多模型(IMM)的多传感器顺序粒子滤波算法。采用IMM机制实现目标运动模式的确认;在合理利用单传感器量测和多传感器量测中冗余和互补信息的基础上,引入顺序重抽样方法改善粒子分布,并将改善后的粒子应用于IMM粒子滤波算法框架。仿真实验结果表明:新算法能够估计出强机动目标状态,且精度明显优于标准IMM粒子滤波算法。     

基于粒子滤波的机动目标跟踪

在单机动目标跟踪中,目标的机动情况是未知的,提出的算法用粒子滤波器求加速度的估计,由Kalman滤波得到加速度的重要性概率密度函数。仿真实验结果表明,该算法可较好地跟踪目标状态（包括加速度）的变化。     

强机动目标跟踪自适应交互式多模型算法

针对机动目标跟踪过程中建立的目标模型和目标的实际运动模式出现失配的问题,提出了从一组离散模型集中选出最优模型,并自适应调整模型参数,使模型逼近目标实际运动模式的交互式多模型算法.蒙特卡罗仿真表明,该算法与传统的常速模型与自适应协同转弯模璎交互算法(IMM-CV/ACT)相比,在目标发生强机动时,能及时有效的把跟踪误差峰值控制在测最标准差之下,适合于强机动目标跟踪.     

一种自适应的机动目标融合跟踪算法

该文主要研究了分布式传感网络中的机动目标跟踪问题。为了在降低传感器节点的通信负债的同时,提高系统的跟踪精度,该文提出了一种新的自适应多传感器机动目标跟踪算法。该算法与交互式多模型算法相结合,将远端传感器获得的局部状态估计与本地传感器的累计量测信息进行融合,并通过信息去相关算法消除了传感器间的相关性。从而实现了对机动目标的状态估计与量测信息的融合。提出的算法能够充分利用本地传感器量测的有效信息,以提高目标跟踪精度。仿真实验验证了该算法的有效性。     

基于粒子滤波的机动目标跟踪算法仿真研究

针对非线性多目标模型,应用粒子滤波算法,这种方法不受模型线性和Gauss假设的约束,是一种处理非线性非高斯动态系统状态递推估计的有效算法。在粒子滤波的基础上融合扩展卡尔曼滤波算法和无迹卡尔曼滤波算法。融合后的新算法在计算提议概率密度分布时,粒子的产生充分考虑当前时刻的量测,使得粒子的分布更加接近状态的后验概率分布,再用平滑算法处理滤波的结果。仿真结果表明,算法有较好的跟踪效果。     

基于萤火虫优化粒子滤波的新型机动目标跟踪算法

交互式多模型粒子滤波算法需要多个模型才能对强机动目标进行跟踪,并且粒子滤波的重采样会导致粒子贫化现象,针对该问题提出一种新型机动目标跟踪方法.该方法首先将萤火虫群体的吸引和移动机制引入粒子滤波;再将改进粒子滤波引入交互式多模型中,通过智能寻优的方式提高交互式多模型的跟踪精度和稳定性.实验结果表明,相对于IMM-PF,改进方法可以用更少的时间达到同等精度,提高了机动目标跟踪的效率.     

基于均值漂移与卡尔曼滤波的目标跟踪算法

均值漂移算法在目标跟踪过程中没有利用目标的运动方向和速度信息,在目标受到干扰时容易跟踪失败,而Kalman滤波能够较为准确地预测目标的速度和位置。因此,提出了一种结合均值漂移与Kalman滤波的跟踪算法,使用Kalman滤波对目标运动速度和空间位置进行预测。根据干扰的不同情况,使用不同的比例因子将两算法的跟踪结果线性加权得到目标的最终位置。实验结果表明该算法是可行有效的。     

基于加性无迹卡尔曼滤波的雷达目标跟踪方法

提出一种基于加性无迹卡尔曼滤波的雷达目标跟踪方法。雷达跟踪系统为离散非线性系统,传统的解决方法是使用扩展卡尔曼滤波。无迹卡尔曼滤波用少量采样点表示随机变量的分布,通过非线性系统传播,能以三阶精度获得非线性变换的均值和方差的估计。用无迹卡尔曼滤波进行雷达目标跟踪。通过Monte Carlo仿真,验证了该滤波算法比传统的扩展卡尔曼滤波具有更高的滤波精度。     

高转弯频率下机动目标跟踪算法研究

UKF_IMM算法对任何非线性高斯系统都有较好的跟踪性能,但在用于强非线性、非高斯系统时将产生极大的误差。PF_IMM算法适用于任何非线性非高斯系统,但它因计算量很大而导致实时性太差。在现有的基于PF或UKF的IMM滤波算法中,PF或UKF通常被用于每一个模型,基于此,提出了IUS_IMM算法,即在转弯模型中使用标准粒子滤波器（SPF）,在其他模型中用UKF滤波器,仿真结果表明,对于转弯频率高的机动目标,IUS_IMM的性能要好于UKF_IMM算法。     

高超声速强机动目标改进IMM-CKF跟踪算法

高超声速强机动目标的运动具有复杂性、突变性和强非线性特点,针对单模型算法难以实现对此类目标的精确跟踪,提出一种改进的交互多模型(IMM)算法,克服了单模型算法跟踪强机动目标的缺陷和标准IMM算法对似然函数计算不准确的问题,实现了不同子模型之间的变维交互;采用容积卡尔曼滤波(CKF)算法实现了雷达观测数据与目标状态量之间的高精度非线性转换.仿真结果表明:改进的IMM算法相比单模型算法和标准的IMM-CKF算法,明显提高了高超声速强机动目标的跟踪精度.     

基于鲁棒容积卡尔曼滤波的自适应目标跟踪算法

目标跟踪系统的观测野值将大大降低滤波算法对目标状态的估计精度.为了解决这个问题,提出了一种基于鲁棒容积卡尔曼滤波的自适应目标跟踪算法.借鉴Huber等价权函数的思想,构造了基于平方根平滑逼近函数的修正因子以抑制观测野值的影响,并结合容积卡尔曼滤波器求解框架推导出该算法.区别于Huber方法对观测残差的每个维度分别进行处理,提出的算法能够对观测残差进行综合评判.理论分析证明所提算法具有更好的数值稳定性.仿真实验表明,所提算法能够自适应地减少异常值的不利影响,与现有算法相比具有更优的滤波性能.在仿真实验中还对几种滤波算法的计算花费进行了比较,发现所提算法未大幅增加计算成本.     

基于高斯和SCKF 的姿态角辅助三维目标跟踪

首先, 根据目标运动与姿态角的关系, 分析目标在偏航角和俯仰角下的速度变化, 进而推导出姿态角辅助三维目标跟踪模型; 然后, 针对姿态角量测非高斯情况, 在分析均方根容积卡尔曼滤波的基础上, 提出新的高斯和均方根容积卡尔曼滤波算法, 以提高非线性非高斯的处理能力; 最后, 结合不同运动模式下姿态角分量的特点, 建立姿态角分量不同的跟踪模型, 通过模型切换实现对姿态角机动的跟踪. 仿真结果验证了所提出跟踪模型和滤波算法的正确性和有效性.     

强跟踪卡尔曼滤波在视频目标跟踪中的应用

针对经典卡尔曼滤波器在滤波数学模型与实际过程的数学规律不匹配、滤波特性较差的情况,提出利用强跟踪卡尔曼滤波器对视频序列图像中的运动目标进行跟踪。该方法是在经典卡尔曼滤波递推公式中的一步验前误差方差阵中引入可在线计算的时变渐消矩阵,从而调节增益K,使之能够不断变化,保证对新息序列的自适应调节,使状态滤波更准确。实验结果表明,较之经典卡尔曼滤波,该方法具有对运动目标更强的跟踪能力,跟踪精度更高,均方误差更小。     

改进扩展卡尔曼滤波算法的目标跟踪算法

为了获得更加理想的运动目标跟踪效果,提出了一种基于改进扩展卡尔曼滤波的目标跟踪算法。构建时间差和信号到达方向的观测方程,利用几何和代数关系化简得到伪线性模型,通过改进卡尔曼滤波算法对目标运动轨迹进行跟踪,采用仿真实验对算法性能进行测试。结果表明,相对于传统扩展卡尔曼滤波算法,在相同条件下,该算法不仅提高了目标跟踪精度,而且使目标跟踪结果更加稳定。