并行高斯粒子滤波被动多目标跟踪新算法

针对多目标跟踪的数据关联及多目标状态空间尺寸随目标数增多而增长的问题,提出了一种跟踪新算法,假定各目标的状态与过去的观测相互独立,可以多路并行处理,采用马尔可夫链蒙特卡罗(MCMC)方法计算目标与观测的关联概率,利用高斯粒子滤波(GPF)独立估计单个目标的状态,采用拟蒙特卡罗(QMC)方法近似各目标的预测及更新分布.将该算法应用于被动多传感器多目标跟踪,仿真结果表明,所提算法比联合概率数据关联滤波器(JPDAF)、马尔可夫链蒙特卡罗数据关联滤波(MCMCDAF)及蒙特卡罗联合概率数据关联滤波(MC-JPDAF)具有更好的跟踪性能.     

基于序贯重要采样算法的被动单站机动目标跟踪

将序贯重要采样(SIS)与交互多模型(IMM)算法相结合,提出了一种新的机动目标跟踪方法——IMM-SIS算法,并将其应用于被动单站跟踪系统,同高斯和粒子滤波器(IMM-GSPF)算法相比,其优点是不需要重采样步骤,也不会出现采样粒子的退化和贫乏现象．通过跟踪一个机动目标的仿真过程,对算法性能进行了检验,结果表明,该算法在计算速度和跟踪精度方面均优于IMM-GSPF算法,同经典的IMM-EFK算法相比,两种算法在鲁棒性和精度上都是优越的．     

拟蒙特卡罗聚合重采样粒子滤波无源定位算法

提出一种基于拟蒙特卡罗聚合重采样粒子滤波的机载无源定位算法．首先利用基于离散状态空间的粒子聚合技术对空间相近粒子进行加权聚合,在保证粒子空间分布合理性的同时有效抑制了粒子的退化;然后采用拟蒙特卡罗技术将重采样后的粒子向高似然区移动,优化了粒子在状态空间中的分布特性,提高了滤波精度．仿真结果表明: 新算法对比拟蒙特卡罗高斯粒子滤波算法,在保证滤波精度的同时,提高了运行效率．     

马尔可夫链蒙特卡罗容积粒子滤波器

针对非线性、非高斯系统状态估计问题,提出了一种基于重要密度函数的改进粒子滤波器-马尔可夫链蒙特卡罗容积粒子滤波器。在状态转移概率的基础之上综合考虑了当前的量测信息,利用容积卡尔曼滤波对每个采样粒子进行估计,使得重要密度函数更加贴近于真实后验;同时为避免粒子贫乏,在重采样后加入马尔可夫链蒙特卡罗步骤。理论分析和实验仿真表明:马尔可夫链蒙特卡罗容积粒子滤波器的性能要优于容积粒子滤波器以及其他参照滤波器。     

一种新的红外弱小目标检测前跟踪算法

针对低信噪比复杂环境下红外弱小目标检测问题,提出了一种基于拟蒙特卡罗抽样的检测前跟踪算法.采用新的基于拟蒙特卡罗抽样的高斯粒子滤波算法(QMC-GPF)估计目标运动状态和红外小目标幅度状态,同时利用该滤波算法中迭代更新的协方差矩阵的收敛特性构建判断逻辑,实现目标"软判决"检测.对仿真红外图像序列的实验表明,该算法可快速有效地跟踪和检测信噪比不小于1dB的弱小目标.     

基于序列Monte Carlo方法的运动目标跟踪

针对移动机器人中的非线性非高斯特性,提出用粒子滤波的方法对运动目标进行跟踪,研究在贝叶斯框架下进行目标跟踪的原理,分析粒子滤波算法及存在的问题.应用这种方法,针对移动机器人的实际情况,建立了具体的系统模型和测量模型,比较不同的重采样算法,实现了对运动目标的跟踪任务.仿真结果表明,粒子滤波对于非线性非高斯的动态系统有良好的估计效果,在3种常用的重采样算法中,残差重采样的准确性稍高,分层重采样的计算比较简单,而多项式重采样是一种基本的重采样算法.     

随机集粒子滤波的快速被动数据关联算法

针对杂波干扰环境下的被动多目标跟踪问题,将多站集中式融合方法与概率假设密度粒子滤波递归过程相结合,实现被动多目标跟踪．进一步,将概率假设密度粒子滤波递归过程并行化处理,每个目标使用单独滤波器跟踪,避免了大量粒子的聚类过程,简化算法复杂度,进而提出一种快速被动数据关联算法．实验结果表明,与传统算法相比,新算法可以在不增加额外计算负担的基础上,有效得到每个目标的航迹．特别对于目标发生交叉的情况,能很好地区分每个目标的航迹．     

基于确定性重采样的粒子滤波算法

复杂背景下的运动目标跟踪往往要面对非线性非高斯问题,粒子滤波算法在非线性非高斯模型中的良好处理能力,使其得到广泛的应用.引入重采样方法(SIR)解决粒子退化问题的同时导致了样本枯竭.针对上述问题,文中提出了一种融合基本重采样方法和确定性重采样方法的新方法,能有效保持粒子的多样性.通过仿真实验表明,该方法能有效提高粒子滤波算法的准确性.     

基于MCMC方法的粒子滤波改进算法

粒子滤波算法广泛应用于现代的跟踪与定位,它适用于非线性非高斯系统,其算法的性能很大程度上取决于重要性分布的选择.分析粒子滤波的原理,论述蒙特卡罗方法在贝叶斯分析中的应用,同时将蒙特卡罗方法引入粒子滤波算法的实现中,通过仿真实验结果比较分析了改进的粒子滤波算法的性能.     

新遗传粒子滤波的红外弱小目标跟踪与检测

针对传统粒子滤波器的粒子退化和贫乏问题,提出基于进化思想的新遗传粒子滤波算法．将算术相加,快速Metropolis-Hastings移动作为遗传算法的交叉和变异算子,与赌轮选择一起作为粒子滤波重采样的一类方法．将新遗传粒子滤波用于红外弱小目标的跟踪与检测,利用目标的幅度特性和运动特性,进行多帧图像滤波输出的似然比假设检验,来判断目标是否存在．仿真实验结果表明,基于快速Metropolis-Hastings 变异的遗传重采样方法可以快速提高粒子的多样性,避免粒子退化;所提出的检测方法在虚警率为10^-3,信噪比为2.0时,检测概率可以达到98.5％,检测性能明显优于传统重采样粒子滤波算法．     

基于改进粒子滤波的传感器网络目标跟踪研究

在分析粒子滤波算法(PF)的基础上研究了一种改进的粒子滤波算法-无迹粒子滤波算法(UPF).UPF算法使用无迹卡尔曼滤波(UKF)算法产生重要密度函数.动态组织传感器网络节点成簇,将UPF算法和PF算法应用于无线传感器网络(WSNs)的目标跟踪,实现了对网络中做匀速直线运动的单个目标的跟踪.最后将UPF算法与PF算法进行比较.仿真结果表明,改进算法UPF滤波提高了粒子利用效率,精度更高,跟踪性能更好.     

BF粒子滤波算法在快速目标跟踪中应用的研究

为了对快速目标进行跟踪,在高斯加性白噪声的条件下(AGWN),文章把BF粒子滤波算法和迭代的Kalman滤波器方法结合起来对快速目标状态进行处理,状态估计用BF粒子滤波算法,能减小方差和运算量,同时用Kalman滤波器能提高跟踪精度和对目标状态的估计。仿真结果表明,文中所设计的快速和精确的BF算法能真正地解决快速目标跟踪问题。     

粒子滤波算法仿真分析

针对广泛应用于定位与导航、目标跟踪和模式识别的粒子滤波算法,通过仿真实验研究了不同的估计输出、采样阈值、重采样算法以及运动模型和观测模型不准确对粒子滤波效果的影响,仿真实验结果表明,粒子滤波器鲁棒性较好。     

Tracking Algorithm Based on Improved Interacting Multiple Model Particle Filter

一种改进的交互多模粒子滤波跟踪算法

冯海林,郭娟丽

（西安电子科技大学 数学与统计学院,西安 710126）

创新点说明：

1）针对闪烁噪声建立一种新的模型,即混合高斯噪声模型。已有文献中都是使用高斯白噪声模型,这不符合实际问题中涉及到的闪烁噪声的特点,而本文所建立的混合高斯噪声模型能更准确地描述闪烁噪声的拖尾性,这是本文的创新点之一。

2）在粒子滤波中重要性密度函数的选取上做了改变。本文以观测似然函数作为重要性密度函数,并建立其与观测噪声之间的联系。这解决了传统粒子滤波中粒子抽样的困难,而且这样做最大的好处是能用到最新观测信息,降低粒子退化问题。这是本文的创新点之二。

3）文献[14]中交互多模粒子滤波不能很好地处理闪烁噪声问题,文献[18]中改进的处理闪烁噪声的粒子滤波不能较好地解决目标机动问题。本文第三个创新点是结合交互式多模型算法和本文改进了重要性密度函数的粒子滤波,从而解决闪烁噪声环境中的机动目标跟踪问题。据我们所了解到的文献,这方面的工作几乎没有。这也是本文在目标跟踪问题中的一个尝试。

研究目的：

解决闪烁噪声环境中机动目标的跟踪问题。

研究方法：

1）理论方法：状态估计方法;贝叶斯估计方法。

2）试验方法：蒙特卡罗重要性抽样方法,重采样方法。

3）主要设备：计算机。

研究结果：

在闪烁噪声存在的条件下,即使目标发生机动,通过此算法也能对其进行较为准确地跟踪,即对目标在每一时刻的状态都能做出估计。

结论：

仿真实验表明,本文算法对闪烁噪声环境中的机动目标进行跟踪的结果比已经存在的一些算法更加准确,跟踪精度更高,误差更小,且算法具有较强的鲁棒性和较快的收敛速度,符合对闪烁噪声中的机动目标跟踪的期望。

关键词：观测噪声,交互式多模型,目标跟踪,粒子滤波

     

Gaussian mixture PHD smoothing filter in unknown clutter

Aiming at the Multi-target tracking in the unknown clutter environment, this paper proposes a Gaussian Mixture Probability Hypothesis Density (GM-PHD) forward-backward smoothing algorithm, which improves the poor performance of the PHD filter when the clutter model and the prior knowledge are mismatching by estimating the clutter intensity with the finite mixture model. The forward-backward smoothing recursions are applied to improve the state estimation accuracy. Simulation results show that the proposed algorithm performs well in the unknown clutter environment and better than the conventional Gaussian Mixture PHD Filter without smoothing processing in the unknown clutter environment.     

雷达微弱目标探测的改进检测前跟踪算法

针对基于Hough变换的检测前跟踪(TBD)算法存在大量虚假航迹,无法有效得到真实目标航迹的缺点,提出了一种基于修正Hough变换和粒子滤波相结合的TBD算法.该算法首先利用修正Hough变换估计目标航迹,得到目标可能存在的范围;再将该范围作为粒子滤波的先验信息,利用粒子滤波计算的权重构造似然比检测目标,进一步剔除虚假...     

两种外辐射源雷达跟踪算法性能分析

针对以调频广播电台为辐射源的无源雷达跟踪精度较低的问题,将到达时间定位方法分别与扩展卡尔曼滤波和粒子滤波算法结合来提高跟踪精度．分析了高斯噪声环境、闪烁噪声环境及雷达布站方式对两种算法跟踪精度的影响,并比较了两种算法的运算时间．仿真和实测数据表明：粒子滤波算法更适合于闪烁噪声环境下的跟踪,而扩展卡尔曼滤波能满足实时处理的要求．另外,合理的雷达布站方式可进一步提高无源跟踪精度．     

A RBPF Algorithm with Non-intact Particle Data for FastSLAM

一种应用于FastSLAM的非完整数据RBPF算法

陈炜楠,管贻生,张宏,朱蕾

（广东工业大学 机电工程学院, 广州 510006）

创新点说明：

本文研究了SLAM问题中的RBPF算法,进行粒子数据分离,根据权重将粒子个体的携带数据分为完整及非完整两个集合,以实现RBPF算法中数据存储量的控制;并通过对非完整数据粒子的数据补全,实现对原有算法框架的兼容。通过实验证明本算法有效提升了原有算法效率。

研究目的：

尝试解决SLAM问题中RBPF算法数据量巨大,时间耗时长问题。

研究方法：

使用FastSLAM 2.0作为研究基础,利用激光雷达SLAM数据集以及实际实验数据进行算法验证,以普通计算机作为运行平台统计算法的精度以及运行效率,以验证本研究工作。

结果：

实验证明,在相同算法耗时内,本算法可通过增加粒子数目,以提高SLAM结果精度（13%）;在相同粒子数目条件下,本算法可在一定幅度降低精度情况下（16%）大幅度提升（34%）算法效率

结论：

本算法通过对粒子集合进行分类以及数据分离,实现RBPF算法效率的提升,并随着粒子规模的增大,该提升优势更为明显;同时,通过对非完整粒子集合的数据补全,实现对原有算法框架的兼容。

关键词：RBPF,非完整粒子数据,SLAM

     

一种伪粒子滤波的多目标跟踪方法

针对经典粒子滤波方法进行多目标跟踪的发散问题,基于经典粒子滤波原理和聚类算法,提出一种伪粒子滤波方法．通过对经典粒子滤波重要性重采样结果进行聚类分析,获得相应目标的粒子子群集合以及相应的不动点．并证明了选取近于目标区域大小的聚类核函数带宽,聚类不动点即逼近目标的最大后验概率分布．通过数据关联确定多目标的最终状态．实验结果表明,该算法解决了经典理论的发散问题,可以完成实时多目标跟踪,且具有鲁棒性能和一定的生物视觉仿生功能．