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。     

基于修正的卡尔曼滤波自适应跟踪算法

针对卡尔曼滤波对匀速运动目标能有效的跟踪,但是当目标出现转弯时,很难达到跟踪精度的要求,甚至丢失目标的现象.对卡尔曼滤波算法进行了改进,在观测向量中引入了两个加速度误差变量,它们动态地修正状态估计误差从而减少跟踪精度误差,形成了修正的Kalman算法.但是由于状态变量维数增加,使得计算量增加,实时性下降,将卡尔曼滤波算法与修正的卡尔曼滤波算法两种算法相结合,提出了基于修正的卡尔曼滤波自适应跟踪算法.仿真结果表明,具有良好的稳定性和精确度,优于一般的卡尔曼滤波算法.     

基于支持向量机的自适应卡尔曼滤波技术研究

针对卡尔曼滤波(KF)中噪声的统计特性与实际不符时滤波精度严重降低甚至引起滤波器发散的问题,提出一种基于支持向量机的自适应卡尔曼滤波算法(SVMAKF).根据新息理论方差与实际方差的比值,应用支持向量机产生自适应因子对卡尔曼滤波器的噪声方差阵进行在线修正,使噪声方差阵能够根据实际噪声的变化得到调整.通过对雷达目标跟踪系统的仿真表明,该算法对噪声有较强的自适应性,能够提高滤波精度和滤波器的鲁棒性.     

自适应卡尔曼滤波在目标跟踪系统中的应用

目标跟踪是精确制导系统中的重要组成部分.文中针对运动目标跟踪问题,在建立运动模型的基础上,应用卡尔曼滤波算法进行了跟踪仿真研究.考虑到直角坐标系下的扩展卡尔曼滤波容易发散,可能导致滤波精度变差,所以文章提出一种针对非线性观测模型和线性动态模型的自适应推广卡尔曼滤波器.直角坐标系下的自适应卡尔曼滤波算法,对虚拟噪声进行了估计,动态补偿观测器模型的线性化误差,削减了系统的观测误差,并对其滤波理论及算法进行了仿真研究.结果表明:该算法提高了滤波的稳定性、快速性和精确性,优于一般的扩展卡尔曼滤波算法.     

跟踪机动目标的自适应记忆长度反向滤波算法

本文着重讨论了卡尔曼滤波在机动目标跟踪问题上的应用,提出了反向滤波、反向检测概念,并在此基础上给了一种新的机动目标跟踪算法,即自适应记忆长度反向滤波算法。另外,本文还给出了由速度误差稳态方差确定过程噪声方差的解析表达式。     

基于反向传播神经网络改进的增益修改卡尔曼滤波算法

增益修改的卡尔曼滤波(MGEKF)算法在实际应用时,一般使用带有误差的测量值代替真实值进行增益修正计算,导致修正结果也被误差污染。针对这一问题,提出一种基于反向传播神经网络(BPNN)改进的MGEKF算法,该算法使用训练后的神经网络代替MGEKF的增益修正函数。该算法在网络训练阶段,以实际测量值作为神经网络的输入,真实值修正后的结果作为训练目标;在实际应用中,使用网络的输出修正卡尔曼增益。针对移动单站只测向目标定位问题进行了实验,实验结果表明:该算法与扩展卡尔曼滤波(EKF)、MGEKF、平滑增益修改的卡尔曼滤波(sMGEKF)算法相比:定位精度至少提升10%,并且有更强的稳定性。     

机动目标预测跟踪方法研究

在目标被遮挡条件下的自动预测跟踪中,研究了跟踪机动目标过程中的角位置自适应卡尔曼预测算法。针对估计与预算中出现的发散现象,推导了导引头框架角位置预测方法。建立了目标遮挡预测跟踪测试系统,设计多种不同的目标运动形式,并通过转台实现,测试改进的自适应位置预测算法在典型测试条件下的有效性和准确程度。实验结果表明:当目标进入遮挡区域时,改进的自适应位置预测算法能够有效地实现预测跟踪,保证目标退出遮挡时能够顺利重新捕获和跟踪。     

一种基于卡尔曼滤波的队列长度自适应算法

传统主动队列管理(AQM)算法在处理传感器网络突发流时具有响应速度慢、抗网络突变性能弱的缺点.针对此问题,提出了一种新的AQM算法,算法首先将队列长度作为早期拥塞检测参量,运用卡尔曼滤波理论预测队列长度;其次根据队列长度在缓冲区的占用比来划分网络状态;最后根据不同占用比采取相应的丢包策略,自适应地调整丢包率,当出现网络突变时,加大调整幅度,使队列长度保持在理想区间.仿真实验表明:新算法能够较好地适应网络波动,提高网络服务质量(QoS),算法综合性能优于主流AQM算法.     

带非线性约束的自适应高斯和卡尔曼滤波目标跟踪算法

无线传感网络中运动目标状态通常满足某种非线性状态约束,为了提高对传感网络中运动目标的跟踪精度,降低非高斯噪声对状态估计的影响,避免高斯项数在迭代过程中的冗余累积,提出一种带非线性约束的权值自适应高斯和卡尔曼滤波算法.算法在每个时刻计算目标当前状态的高斯子项集合,并对每个高斯子项分别以无迹卡尔曼滤波进行状态估计.设计了一种高斯子项权值自适应策略动态调节子项权值,以实现无约束状态下的全局估计.将目标的非线性状态约束引入滤波器结构中时,考虑将其看作一类无约束状态估计的约束投影问题,通过状态约束信息先验来修正运动目标的状态估计.仿真结果表明,该算法与目前的非线性约束卡尔曼滤波相比具有更高的跟踪精度.     

自适应UKF算法在目标跟踪中的应用

针对目标跟踪中系统噪声统计特性未知导致滤波发散或者滤波精度不高的问题, 提出了一种自适应无迹卡尔曼滤波(Unscented Kalman filter, UKF)算法.该算法在滤波过程中,利用改进的Sage-Husa估 计器在线估计未知系统噪声的统计特性,并对滤波发散的情况进行判断和抑制, 有效提高了滤波的数值稳定性,减小了状态估计误差. 仿真实验结果表明,与标准UKF算法相比,自适应UKF算法明显改善了目标跟踪的精度和稳定性.     

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。     

基于改进Mean-Shift与自适应Kalman滤波的视频目标跟踪

提出一种改进的Mean-Shift和自适应Kalman滤波器相结合的视频运动目标跟踪算法。对选定的跟踪目标,采用三帧差和区域增长法分割目标并得到主颜色信息。在跟踪过程中,利用自适应的Kalman滤波器估计每一帧的起始迭代位置,再利用改进的Mean-Shift算法得到跟踪位置并作为测量值反馈给自适应Kalman滤波器,并引入遮挡率因子以自适应地调节Kalman估计参数。实验结果表明,该算法能对视频中的运动目标实现检测和连续跟踪,对遮挡也有较好的鲁棒性。     

一种基于遗传算法和卡尔曼滤波的运动目标跟踪方法

提出了一种基于遗传算法和卡尔曼滤波的运动目标跟踪方法。该方法利用卡尔曼滤波预测目标中心在下一帧图像中可能出现的位置,以该位置为中心,建立候选的目标搜索区域。以跟踪目标的灰度统计特征为模板,以Bhattacharyya系数来度量目标模板与候选目标区域的相似性,并以此相似性作为遗传算法适应度函数,以候选目标中心坐标作为参数编码,利用遗传算法进行匹配搜索,最终获得最佳候选区域中心位置,同时以该位置作为观测值,进行下一帧预测。实验结果表明,该方法具有较好的实时性和鲁棒性。     

基于自适应滤波器的电网谐波电流预测法

提出一种新的基于LMS算法自适应滤波器的有源电力滤波器(APF)参考电流的预测方法，针对传统LMS算法的缺陷(如收敛速度慢、对非平稳输入信号的适应性差等)作了3点改进，这些改进措施可有效提高自适应滤波器的综合性能．仿真与实验结果证明，采用该方法可有效减小延时对APF补偿效果的影响．     

Distributed adaptive Kalman filter based on variational Bayesian technique

In this paper, distributed Kalman filter design is studied for linear dynamics with unknown measurement noise variance, which modeled by Wishart distribution. To solve the problem in a multi-agent network, a distributed adaptive Kalman filter is proposed with the help of variational Bayesian, where the posterior distribution of joint state and noise variance is approximated by a free-form distribution. The convergence of the proposed algorithm is proved in two main steps: noise statistics is estimated, where each agent only use its local information in variational Bayesian expectation (VB-E) step, and state is estimated by a consensus algorithm in variational Bayesian maximum (VB-M) step. Finally, a distributed target tracking problem is investigated with simulations for illustration.     

基于量测迭代更新集合卡尔曼滤波的机动目标跟踪算法

在机动目标跟踪中,用于模型辨识和状态估计的非线性滤波器的合理选择和优化是提升滤波精度的关键.融合量测迭代更新集合卡尔曼滤波和交互式多模型(interacting multiple models,IMM)方法,本文提出了基于量测迭代更新集合卡尔曼滤波的机动目标跟踪算法.通过迭代更新思想的引入构建了一种量测迭代更新下集合卡尔曼滤波的实现结构,并将其作为IMM的模型滤波器实现对于目标运动模式和状态的辨识与估计.针对算法结合过程中滤波精度和计算量的平衡,设计了用于输入交互环节的状态估计样本,同时简化输入交互环节和输出交互环节中滤波误差协方差矩阵的交互过程.理论分析和仿真结果验证了算法的可行性和有效性.     

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。     

水下机器人自适应卡尔曼滤波技术研究

水下机器人的位置和速度传感器受环境影响较大,数据滤波问题是运动控制的核心问题之一.给出了离散型卡尔曼滤波的基本方程,描述了卡尔曼滤波所具有的两个计算回路:增益计算回路和滤波计算回路.建立了水下机器人状态方程和量测方程,并在此基础上采用了自适应卡尔曼滤波方法对水下机器人的传感器数据进行了滤波分析.引入了渐消记忆指数加权方法.对时变噪声统计中,强调了新近数据的作用.避免了系统误差和量测误差统计特性的不准确对系统滤波效果的影响.滤波效果分析表明此方法能达到很好的滤波效果.     

基于平方根求积卡尔曼滤波器的弹道目标跟踪

针对再入阶段的弹道目标跟踪问题,提出运用平方根求积卡尔曼滤波器(SRQKF)估计目标的状态.所提出的算法是求积卡尔曼滤波(QKF)算法的平方根实现.该算法传播了目标状态的均值和协方差的平方根,确保了协方差矩阵的对称性和半正定性,改进了数值精度和稳定性,但其计算复杂性稍有增加.仿真实验表明,所提出算法的估计精度优于QKF算法和扩展卡尔曼滤波(EKF)算法,是一种很有效的非线性滤波方法.     

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。