基于多模型粒子滤波的机动多目标跟踪算法

针对密集杂波环境下机动多目标跟踪中系统强非线性以及运动模式切换对于滤波精度的不利影响,提出了一种基于多模型粒子滤波的机动多目标跟踪算法.新算法实现了多模型粒子滤波和广义概率数据关联算法的有机结合.通过在粒子状态采样过程中引入模型信息改善了交互式多模型和粒子滤波结合中导致的计算量膨胀问题,并利用广义概率数据关联算法实现回波的有效确认和回波信息的充分利用.给出了应用该方法的具体步骤,最后,理论分析和仿真实验证明该算法的有效性.     

自适应蒙特卡罗无线传感器网络移动节点定位算法

针对无线传感器网络中蒙特卡罗定位算法在节点的无线射程为非理想条件下定位精度不高、采样率低等缺点,提出一种自适应蒙特卡罗移动节点定位算法。该算法利用不同区域的采样粒子对未知节点的定位精度影响不同,自适应地调整不同区域的采样粒子的影响权重,对未知节点进行定位;同时,利用上一时刻采样粒子增加限定条件,提高定位精度。仿真结果表明,本算法在规则度不同的条件下节点的定位误差平均下降了约13%,在速度不同的条件下定位误差平均下降了约10%,网络覆盖率可达到99.19%。     

水中非合作运动磁性目标跟踪及参数估计

针对水中非合作运动磁性目标的跟踪及参数估计问题,提出了一种基于Hopfield神经网络和磁梯度张量定位结合粒子滤波的方法对磁性目标进行跟踪,利用Hopfield神经网络和磁梯度张量定位为粒子滤波算法提供一部分更加优化的粒子,以增加粒子滤波算法中粒子的多样性,能够有效克服粒子退化现象,同时保证动态跟踪的速度和精度,并解决了远场磁定位中信噪比下降的问题.通过模拟仿真和磁性船模磁定位实验验证了算法的有效性,该算法可用于空中磁探潜和港口磁防御以及一般的UXO探测和定位问题,具有一定的军事和民用意义.     

磷虾群优化的改进粒子滤波算法

标准的粒子滤波存在着权值退化问题,重采样可以解决权值退化问题,但也会带来样本贫化现象.为解决样本贫化问题,提出了一种利用磷虾群优化的改进粒子滤波算法.该算法结合粒子滤波的求解过程,以磷虾个体的诱导、觅食和随机扩散运动引导粒子向高似然区域移动.首先,将粒子滤波中粒子的状态值作为磷虾群的个体位置,从而将粒子的状态估计转化为磷虾群的寻优;其次,针对粒子滤波的特点,分析了磷虾算法中可以改进的参数,对磷虾算法中个体诱导、觅食运动的权值设计了新的动态更新策略,保证算法前期全局快速寻优后期局部精确寻优,同时为保持粒子的多样性,对磷虾个体进行遗传算法中的交叉操作,并设计了新的交叉概率更新公式;最后,在标准磷虾算法的基础上分析了改进算法的收敛性,并选用一种单静态非增长模型进行仿真试验. 仿真结果表明, 所提出的算法与标准粒子滤波以及粒子群、蝙蝠算法优化的粒子滤波相比具有更高的状态估计精度和更小的均方根误差,粒子的分布更合理.     

基于广义回归神经网络的粒子滤波算法研究

针对基本粒子滤波算法存在的粒子退化问题,提出了一种基于广义回归神经网络(GRNN)的重要性样本调整的粒子滤波算法。利用广义回归神经网络优化从重要性密度函数采样的样本,将样本作为神经网络的输入,以观测值作为神经网络的目标向量,通过多次训练优化光滑因子逼近目标向量,用样本值和其周围的调整值作为训练后神经网络的输入向量,通过神经网络的输出向量指示用最优点来取代样本值。利用GRNN对样本进行调整,使得样本更接近于后验概率密度。仿真结果表明:基于广义回归神经网络的粒子滤波算法的性能在有效粒子数和均方误差参数方面优于基本粒子滤波算法,在改善滤波精度方面取得了较好的效果,验证了广义回归神经网络在粒子滤波算法中是可用的和有效的。     

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．     

粒子群优化粒子滤波算法及其在循环流化床床温辨识中的应用

在基于现场数据的神经网络训练中,粒子滤波算法对非线性、非高斯噪声系统的适应性及全局寻优能力都优于传统BP算法。针对粒子滤波算法的粒子贫乏以及初始状态未知时需要大量粒子才能进行鲁棒状态预估等问题,将粒子群优化思想引入粒子滤波过程,使粒子在权重更新前更加趋向于高似然区域;同时,优化过程使得远离真实状态的粒子趋向于真实状态出现概率较大的区域,提高了每个粒子的作用效果。将优化前后的粒子滤波算法训练2-1-1结构的神经网络并进行比较,结果表明优化算法提高了神经网络模型预测精度,降低了精确预估所需粒子数。最后,应用该算法对基于现场数据的循环流化床床温神经网络模型进行训练并预测,验证了算法的有效性。     

WSN中基于多功率移动锚节点的智能定位算法

针对无线传感器网络节点定位,提出一种基于多功率移动锚节点的改进鸡群定位算法。移动锚节点按照移动模型遍历定位区域,通过功率控制发射信标信号,未知节点接收到信标信号后,利用测距模型建立距离方程并采用最小二乘法计算节点坐标,再使用鸡群算法对节点坐标进行修正。仿真结果表明,改进鸡群定位算法的定位精度和收敛速度皆有所提高。     

基于多目标灰狼优化的PHD粒子滤波改进算法

针对传统PHD粒子滤波算法存在目标数目估计精度低且位置估计误差大的缺陷,提出一种结合多目标灰狼优化的PHD(MOGWO-PHD)粒子滤波算法.该算法在预测和更新过程之间加入多目标灰狼优化算法,利用最新的观测信息将预测后的粒子集进行重新优化分布,使粒子移动至目标存在的高似然概率区域,减轻重采样后易出现的粒子贫乏问题;然后使用基于密度聚类(DBSCAN)算法对粒子进行聚类并提取目标状态.仿真结果表明,在不同杂波密度下,MOGWO-PHD算法对目标数目和状态的估计精度均优于传统PHD粒子滤波算法.     

组网无源雷达高速多目标初始化及跟踪算法

针对无源相参雷达系统多个高速机动目标跟踪问题,提出一种扩展的多模型概率假设密度滤波器的粒子滤波实现方法． 传统的多模型概率假设密度滤波器假定新生目标的强度函数先验已知,但是无源雷达背景下新生目标可在监视区域任意位置出现,且速度取值范围大,此时传统方法失效． 基于传统多模型概率假设密度滤波器,利用各时刻远离多目标状态估计的定位结果,自适应初始化各时刻新出现的目标,有效跟踪多个高速机动目标． 仿真实验验证了该方法的有效性．