基于改进IMMPF的空间激光通信移动平台跟踪方法研究

基于空间移动平台的空间激光通信是实现未来超大容量空间通信的主要途径,而高精度空间平台动态跟踪问题一直是其研究的难点之一。空间移动平台跟踪是一个纯角度的非线性跟踪,用单一的模型很难准确描述空间移动平台的运动状态,需要采用多个模型描述机载平台的运动状态,但交互多模型估计(IMM)需用先验知识和复杂计算量,研究将模型转移概率与模糊推理相结合解决测量空间的不确定性和复杂计算量。标准粒子滤波(PF)能够处理非线性问题,但会引起粒子滤波器粒子退化和发散,采用无迹粒子滤波(UPF)克服了标准粒子滤波没有考虑最新量测信息的问题。仿真结果表明模糊交互多模型粒子滤波算法能较大地提高跟踪性能。     

基于代价参考粒子滤波的机动目标跟踪算法

代价参考粒子滤波算法通过动态优化自定义代价函数和风险函数来衡量状态滤波估计的质量,选取最优的状态估计.与粒子滤波算法相比其优点是不需要任何先验概率知识的假定和重采样过程可实现并行处理.将代价参考粒子滤波与当前统计模型的优点相结合,提出一种新的当前统计模型自适应跟踪算法,用于非线性非高斯系统的机动目标跟踪.Monte Carlo仿真表明,该算法跟踪精度优于标准的交互多模型算法和当前统计模型自适应跟踪算法,实时性好于当前统计模型高斯粒子滤波算法.     

改进的交互式多模型粒子滤波跟踪算法

通常的交互多模型卡尔曼滤波(IMMKF)或交互多模型扩展卡尔曼滤波(IMMEKF)对于非高斯问题无能为力;对于非线性问题,其性能不及交互多模型粒子滤波算法(IMMPF)。粒子滤波能够处理非线性/非高斯问题,其与交互式多模型结合用来获得更好的跟踪性能。然而,粒子滤波的主要问题是巨大的计算量,由于粒子滤波通常采用大量的粒子数目,将带来很大的计算负荷。该文提出了一种改进的交互多模型粒子滤波算法,其利用多模型综合使用了卡尔曼滤波和粒子滤波,与常规交互式多模型粒子滤波(IMMPF)相比,大大改善了计算效率。对于非线性/非高斯问题,其性能与IMMPF相当;对于线性问题,其性能与IMMEKF相当,并优于IMMPF的性能。     

粒子滤波的机载激光通信自适应参数辨识跟踪方法

机载空间激光通信是实现未来超大容量空间通信的主要途径,机载空间激光通信终端的高精度实时动态跟踪一直是其研究的难点问题。为了解决机载空间激光通信终端的机动形式多样性的问题,提出了自适应参数辨识粒子滤波方法。在连续的时间域中,基于三阶线性微分方程的参数辨识模型描述机载空间激光通信终端运动,该模型能适应机载激光通信终端的多种运动模式,粒子滤波能处理非线性/线性高斯问题,因此可以引入到参数辨识模型中。实验结果表明:该算法能改善收敛精度,对工程应用也有重要意义。     

基于粒子滤波的机载目标跟踪系统设计

基于微小型机载成像跟踪系统设计思想及需求,设计并实现了以高性能的DSP芯片TMS320-DM642为核心处理器,结合可编程逻辑器件CPLD和FPGA的实时图像跟踪处理平台。平台采用基于粒子滤波的目标跟踪算法,实现对目标的实时跟踪。采用卡尔曼滤波器,提高了粒子的利用效率,在改进了算法实时性的同时解决了图像跟踪系统的延时性问题,提高了跟踪系统的稳定性。算法仿真结果表明,与传统相关匹配算法相比,基于粒子滤波的跟踪算法具有更好的鲁棒性和实时性,能满足机载成像跟踪系统实时图像跟踪的要求。     

一种多速率的交互式多模型粒子滤波算法

针对融合交互式多模型和粒子滤波,提出了一种采用多速率方法的交互式多模型粒子滤波(MRIMMPF)算法.该算法采用多模型结构来跟踪任意机动的目标,各模型采用粒子滤波,以处理非线性、非高斯问题.但是粒子滤波的问题是计算量过大,特别是应用到IMM算法时,多速率方法则可以在保证算法性能的同时解决此问题.仿真结果表明,MRIMMPF算法在性能上明显优于交互多模型粒子滤波(IMMPF)算法,具有较小的计算量.     

机载空间激光通信平台间跟踪理论研究

随着自由空间光通信应用的深入,以机载平台为节点的激光通信链路已成为研究热点。机载平台的跟踪预测性能决定了通信的成败,机载平台间跟踪预测是一个典型的非线性问题,为解决这个问题,提出了一种改进的粒子滤波方法,且在此基础上,仿真实验验证了该种方法对机动平台具有良好的自适应跟踪性能。     

基于EPF-IMM算法的高机动目标跟踪研究

融合粒子滤波与交互多模算法的优势,提出了一种基于进化粒子滤波的交互多模算法(EPF-IMM)。该算法将遗传进化思想引入到传统的粒子滤波,在粒子迭代中采用遗传算法中的编码、交叉、变异等算子实现粒子的自适应进化且隐含重采样,从而改进其粒子退化现象。然后利用粒子滤波信息,在交互多模型中进行更新运算。既解决了IMM算法对非线性、非高斯环境的适应性问题,又解决了PF的无关联对应模型问题。与标准IMM算法进行高机动目标跟踪性能比较,试验仿真结果表明,EPF-IMM算法的跟踪精度高。     

水下目标的多速率交互多模型跟踪算法

为解决水下机动目标精密跟踪定位的实时性和可靠性问题,根据水下目标运动速度慢、机动性能弱的特点,该文利用小波变换技术实现了模式空间与测量空间的混合滤波,建立了水下机动目标多速率交互多模型跟踪定位算法,给出了多速率常速度和常加速度多模型滤波算法的统一表示形式。仿真试验的结果表明水下目标的多速率交互多模型跟踪算法具有较低的计算复杂度,能够改善水下目标跟踪的可靠性和实时性。     

水下目标的多速率交互多模型跟踪算法

为解决水下机动目标精密跟踪定位的实时性和可靠性问题,根据水下目标运动速度慢、机动性能弱的特点,该文利用小波变换技术实现了模式空间与测量空间的混合滤波,建立了水下机动目标多速率交互多模型跟踪定位算法,给出了多速率常速度和常加速度多模型滤波算法的统一表示形式。仿真试验的结果表明水下目标的多速率交互多模型跟踪算法具有较低的计算复杂度,能够改善水下目标跟踪的可靠性和实时性。     

杂波环境下被动多传感器机动目标跟踪新算法

针对杂波环境被动传感器机动目标跟踪问题,该文研究了一种基于粒子滤波的被动多传感器机动目标跟踪新算法。 在该算法中,首先推导了杂波环境下粒子滤波的似然函数表达式。其次将粒子滤波与交互多模型(IMM)相结合,用IMM方法实现模型的切换,以适应目标的机动变化。用粒子滤波实现对观测方程的非线性处理。最后,建立了被动多传感器的非线性观测模型,避免了目标的不可观测性,并且算法还能够处理非高斯噪声情况。仿真实验结果表明,提出的算法能够有效地对被动机动目标跟踪,且性能优于交互多模型概率数据关联滤波器(IMM-PDAF)。     

一种改进的粒子滤波和Mean Shift联合跟踪算法

为了提高视频运动目标跟踪的准确性和实时性,提出一种改进的粒子滤波和Mean Shift联合跟踪算法.针对传统粒子滤波跟踪算法中颜色直方图观测模型存在的局限性,提出了一种基于分块颜色直方图的观测模型描述方法,并根据该分块直方图的特点,重新设计了粒子权值的更新策略;针对粒子滤波算法实时性差的问题,提出了一种基于积分直方图的颜色特征快速计算方法,极大地降低了算法的运算量;为了降低相似背景干扰对跟踪效果的影响,提出了一种基于Gabor幅度谱的Mean Shift跟踪算法,并利用改进的Mean Shift算法对粒子滤波跟踪结果进行优化,提高了跟踪算法在复杂背景下的搜索能力.实验结果表明了算法的有效性.     

被动传感器阵列中基于粒子滤波的目标跟踪

针对被动传感器阵列中的机动目标跟踪问题,该文提出了一种基于多模Rao-Blackwellized粒子滤波的机动目标跟踪新方法。算法首先基于Rao-Blackwellization理论将机动目标跟踪问题划分为模型选择和目标跟踪两个子问题;采用多模Rao-Blackwellized粒子滤波对目标运动模型进行选择,扩展Kalman滤波对目标进行更新,有效降低了抽样粒子状态维数,节省了计算时间;最后,建立了被动传感器阵列的非线性观测模型。实验结果表明,提出方法可以有效地对目标模型进行选择,算法的跟踪性能及稳定性要好于交互多模型(IMM)方法。     

基于粒子滤波的机载单站无源跟踪算法

针对空中观测平台对远距离海面慢速运动目标定位跟踪这一非线性估计问题,介绍了专门处理非线性估计问题的粒子滤波算法,将粒子滤波算法(Particle Filter,PF)应用于机载单站无源定位跟踪问题,有效提高了对慢速运动目标的单站无源定位跟踪性能,解决了传统的扩展卡尔曼滤波算法在非线性估计时存在收敛速度慢的问题。通过与扩展卡尔曼滤波算法的仿真比较表明,粒子滤波算法可实现对慢速运动目标的高精度定位跟踪,且性能优于扩展卡尔曼滤波算法。     

适于无源阵列跟踪机动目标的IMM-PF算法

针对无源阵列对机动目标跟踪效果较差的问题,在融合交互式多模型和粒子滤波方法的基础上,提出了一种基于粒子滤波的交互多模型(IMM-PF)算法.该算法采用多模型结构以跟踪目标的任意机动;各模型采用粒子滤波算法,以处理非线性、非高斯问题.各模型中相对固定数目的粒子群经过相互交互、粒子滤波后再进行重抽样以减少滤波退化现象.与典型的交互式多模型算法(IMM-KF)进行了比较,计算机仿真结果证实了新算法的正确性和有效性.     

融合粒子滤波与交互多模的单站被动定位算法

融合交互式多模型和粒子滤波算法提出了一种新的单站被动定位算法.该算法采用多模型结构,各模型匹配粒子滤波算法,从而适用于非高斯系统噪声、非线性量测方程条件下,具有任意运动轨迹的目标跟踪问题.各模型粒子经过输入交互,充分体现交互式多模型优点.粒子滤波的重要密度函数采用UKF方法产生,使得较少的粒子即可更加接近系统状态的真实后验概率,从而减少了运算量.仿真结果表明:本文新算法性能明显优于标准交互式多模型算法,具有一定的工程实用价值.     

一种基于卡尔曼滤波及粒子滤波的目标跟踪算法

针对卡尔曼跟踪算法在非线性非高斯情况下跟踪结果不再准确,以及粒子滤波跟踪算法计算量大难以满足实时性的缺陷,提出了卡尔曼滤波及粒子滤波相结合的算法。利用卡尔曼滤波进行跟踪得到候选目标并计算目标模型与候选模型的匹配程度,若与目标模型匹配度小于一定阈值,则转换跟踪方式利用粒子滤波进行跟踪来修正卡尔曼滤波结果;同时,采用"模板缓冲区法"对目标模型进行更新以保证跟踪的连续性、稳定性及准确性。实验结果表明,这种跟踪算法既发挥了卡尔曼滤波的实时性又保持了粒子滤波的准确性,有较好的跟踪性能。     

基于粒子滤波的交互式多模型说话人跟踪方法

 本文提出一种基于采样交互的多模型粒子滤波方法,实现了对随意运动说话人的有效跟踪。该方法根据说话人跟踪问题的特点,用马尔可夫跳变系统描述说话人的动态特性,用粒子滤波方法估计说话人的位置。在说话人跟踪过程中,通过调整滤波粒子的采样区域,完成交互式多模型方法中的输入交互,这不仅实现了各子滤波器中粒子数目的任意设定,避免了模型转换过程中的性能退化现象,而且取消了对模型后验概率密度函数的高斯分布假定,增强了说话人跟踪系统的鲁棒性。计算机仿真实验结果验证了本文方法的有效性。     

多模型粒子滤波跟踪算法研究

针对机动目标跟踪问题,该文设计了一种改进的多模型粒子滤波(EMMPF)算法。与传统的多模型粒子滤波(MMPF)算法按照模型概率分配粒子数不同,该算法可根据用户定义的准则灵活控制各个模型的粒子数,且无需对模型间的粒子进行交互。模型估计和状态估计分开计算,并用模型似然函数更新模型后验概率。与MMPF进行的仿真比较表明,该算法能用较少的粒子数获得更好的滤波性能。     

单站被动目标的多假设距离粒子滤波跟踪

针对单站被动目标跟踪的无距离信息,多假设距离粒子滤波方法利用多个粒子滤波的并行运算,对不同初始距离的粒子滤波器进行计算,利用各子滤波的残差概率对并行处理的粒子滤波运算进行自适应采样实现单站纯方位目标跟踪,并与粒子滤波、多假设距离滤波方法进行比较,仿真结果表明该算法收敛速度快,跟踪精度高。