被动多传感器改进交互多模型粒子滤波算法

将改进的粒子滤波算法即基于均匀重采样的粒子滤波(AUPF)与交互式多模型算法(IMM)相结合,提出交互式多模型均匀重采样粒子滤波算法(IMM-AUPF),并将其应用于被动多传感器的机动目标跟踪中。均匀重采样粒子滤波在标准粒子滤波的基础上通过改进重采样过程,在解决粒子退化问题的同时,增加了粒子的多样性,提高了滤波性能。在多模型中应用均匀重采样粒子滤波,提高被动多传感器系统的机动目标跟踪精度。将该方法与交互式多模型粒子滤波算法(IMM-PF)进行仿真对比,结果表明该方法具有更好的跟踪性能。     

基于粒子群优化粒子滤波的声呐目标检测前跟踪

针对传统固定粒子数粒子滤波算法计算量大、复杂环境下声呐微弱目标检测与跟踪鲁棒性不强的问题，提出基于粒子群优化（PSO）算法的粒子滤波检测前跟踪方法（IPSO-PF-TBD）。该算法在滤波预测与步骤更新之间加入PSO算法，结合预测信息和更新完成的粒子分布状态进行优化，将粒子集合转移到后验概率密度较大的区域，并充分利用声呐回波信号中目标粒子的权重信息设置粒子自适应采样策略，通过检测前跟踪（TBD）技术的数据帧间能量累积和目标检测，提高目标检测前跟踪的性能。仿真试验结果表明，提出的检测前跟踪处理方法对低信噪比及快速机动等复杂环境下的目标进行跟踪时，在位置估计精度和误差值方面明显优于粒子滤波（PF）和PSO-PF算法，具有一定研究和应用价值。     

基于均值漂移粒子滤波的目标跟踪算法研究

针对粒子滤波计算量大的问题,将视觉跟踪领域的均值漂移算法（Mean Shift）与粒子滤波（PF）算法相结合,该算法利用均值漂移算法在重采样之后将粒子收敛到靠近目标真实状态的区域内,改善了传统粒子滤波器的退化现象,减少了算法的运行时间,通过被动跟踪仿真实例,同时使用均值漂移粒子滤波与传统粒子滤波进行跟踪仿真,分析了轨迹跟踪性能,利用均方根误差比较了误差性能。仿真结果表明,Mean Shift PF具有更高的跟踪精度,并且运行时间显著减少。     

基于权值优选粒子滤波的雷达目标跟踪

本文详细分析了粒子滤波的特点,给出了基于权值优选的粒子滤波算法,对雷达目标进行了跟踪。仿真结果表明,基于权值优选的粒子滤波算法在N值较小的情况下较标准粒子滤波算法具有更明显的优势。     

粒子滤波和无轨迹粒子滤波算法比较

解决水下水声目标的定位跟踪问题,需要建立动态的非线性非高斯模型,粒子滤波直接采用未含有最新量测信息的状态转移先验分布函数作为重要性密度函数来逼近后验概率密度函数,无轨迹粒子滤波是在粒子滤波的过程中引入重采样技术,通过无轨迹变换设计重要性密度函数,使其更加接近系统状态后验概率密度。仿真结果表明粒子滤波和无轨迹粒子滤波算法都可以提高定位跟踪精度,但无轨迹粒子滤波算法的估计精度更高,更适用于工程实践。     

基于一种改进粒子滤波算法的目标跟踪研究

为了解决非线性、非高斯系统目标跟踪问题,研究了一种新的滤波方法——高斯粒子滤波算法。通过基于重要性采样和蒙特卡罗模拟方法得到一高斯分布来近似未知状态变量的后验分布。并讨论了此算法在机动目标非线性转弯运动中的跟踪应用,与粒子滤波算法相比,其优点是不需要重采样步骤。在闪烁噪声下比较了高斯粒子滤波器、粒子滤波器和扩展卡尔曼滤波器在滤波精度、运算时间等方面的差异,仿真结果表明该算法性能优于其他算法。     

移动视频目标跟踪中的智能过滤算法研究

在海上智能交通中,对移动船舶的目标跟踪会受到背景颜色、物体遮挡、亮度等问题的影响,从而降低了跟踪率,因此在实际的工程应用中需要过滤不利因素,得到更有利的目标特征。本文将粒子滤波应用于移动视频目标跟踪的智能过滤中,并对粒子滤波进行优化,最后通过对比实验来说明优化后的算法鲁棒性强、系统的估计误差更小。     

单通道混合信号粒子滤波盲分离算法的快速实现

粒子滤波可以处理非线性非高斯问题,可以应用于混合信号的盲分离中,是一种有效的盲分离算法。但是粒子滤波算法存在一个很大的缺陷,其复杂度太大,为了减少粒子滤波运算时间、提高运算效率,通过对粒子滤波实现过程中的符号向量进行前置扩维,从而改进了粒子滤波实现方法。仿真结果表明：改进后的算法在运算速度上相比之前有了比较明显的提升。     

云平台和神经网络的舰船目标检测

为了解决当前舰船目标检测过程中存在的检测误差、检测实时性差的缺点,设计了一种云平台和神经网络的舰船目标检测方法。首先采用混合高斯模型对舰船目标所在区域进行获取,然后采用粒子滤波算法对舰船目标进行跟踪和检测,并采用神经网络对舰船目标粒子滤波算法的权值进行优化和更新操作,解决粒子滤波算法的缺陷,最后基于云平台对舰船目标检测方法进行了设计,并进行了舰船目标检测仿真模拟实验。结果表明,本文方法可以对各种环境中的舰船目标进行准确的检测,提高了舰船目标检测的鲁棒性,而且舰船目标检测实时性也得到了明显的改善,克服了当前舰船目标检测方法存在的缺陷,是一种有效的舰船目标检测方法。     

基于无味粒子滤波和交互多模型算法的多机动目标跟踪

闪烁噪声是一种非高斯噪声．为了提高闪烁噪声下多机动目标跟踪的精度，在交互多模型IMM（Interacting Multiple Models）算法的基础上将非线性非高斯系统滤波算法——粒子滤波与IMM算法相结合，采用无味粒子滤波UPF（Unscented Particle Filter）代替IMM算法中各模型的卡尔曼滤波，提出了一种UPF—IMM算法，并应用该算法代替传统IMM_JPDA数据关联方法中的IMM部分，解决了闪烁噪声环境下的多目标跟踪问题，实验结果表明该算法可以明显地提高跟踪精度．     

非高斯条件下基于无味粒子滤波器的目标跟踪

研究了无味粒子滤波器的基本思想和具体算法实现步骤,在给出的闪烁噪声统计模型基础上,将PF、UKF和UPF算法应用在雷达目标跟踪中,解决了闪烁噪声情况下的雷达目标跟踪问题,仿真结果表明,UPF的状态估计性能优越。     

基于重要性重采样粒子滤波器的机动目标跟踪方法

采用重要性重采样技术改进了标准粒子滤波算法,通过设定有效采样尺度来减少权值较小的粒子数目,在一定程度上克服了退化现象。仿真结果表明,采用PF跟踪机动目标,其跟踪精度要高于IMM,说明PF具有较强的处理非线性系统的能力;对标准PF采用重要性重采样策略后,PF的跟踪精度和平稳性都得到了进一步改善。     

基于粒子滤波的无人机侦察图像跟踪算法研究

针对无人机侦察图像跟踪的实时性以及战场环境复杂的特点,研究了在复杂背景下实现对单一目标跟踪,提出了一种基于粒子滤波的快速目标跟踪算法,通过计算机仿真将此方法与传统的目标跟踪方法进行了对比,实验结果表明,该算法能够稳健地跟踪目标,具有很好的准确性、实时性和鲁棒性。     

粒子滤波在机动目标自适应参数辨识算法中的应用

针对目前机动目标跟踪算法无法有效跟踪反舰导弹末段机动的问题,提出一种引入粒子滤波算法的参数辨识模型.通过仿真分析目标作匀速圆周运动情况下该算法的跟踪性能.结果表明,该算法可有效提高跟踪收敛速度和精度,具有一定工程实际意义.     

基于UKF和线性优化的改进粒子滤波算法

针对标准粒子滤波算法存在的粒子退化问题,提出了一种改进的粒子滤波算法,该算法将不敏卡尔曼滤波算法（UKF）、线性优化的思想和基本粒子滤波算法相结合,运用不敏卡尔曼滤波算法获得重要性概率密度函数,提高了粒子的使用效率;运用线性优化的思想,保证了所有粒子都以一定的概率对状态估计作出贡献,提高了粒子的多样性。仿真结果表明,改进的算法很好的解决了基本粒子滤波存在的粒子退化问题,具有更高的状态估计精度。     

卡尔曼滤波在水下载体被动弹道跟踪系统中的应用

由于水声环境和信道的复杂性及水下航行载体的高速机动性,被动弹道跟踪系统测量的弹道样点野值较多,平滑性差.要对弹道进行较准确的实时跟踪,需要对弹道测量样点进行统计平滑处理.为了提高被动跟踪系统的定位精度和对机动目标的跟踪适应能力,采用卡尔曼滤波算法对弹道进行处理是常用的做法.介绍一种经过实用且效果较好的卡尔曼滤波算法,阐述了卡尔曼滤波算法原理和系统采用的信号模型及算法实现,并通过水下目标实航试验监测弹道及算法滤波处理结果的比较,说明该算法具有良好特性.     

基于采样的非线性滤波算法比较

在处理目标跟踪等动态系统实时估计问题中,通常采用EKF作为状态估计方法提高估计精度。由于EKF进行非线性估计存在一些缺陷,将系统进行线性化近似存在估计误差,从而影响目标跟踪的精度。为了获得更高的估计精度,介绍了几种非线性滤波算法,包括unscented卡尔曼滤波算法、简单粒子滤波算法以及无味粒子滤波算法（UPF）。分析了这几种算法的原理和实现,对各种算法的适应性进行了比较。通过目标跟踪仿真实验,表明UKF、PF较EKF估计精度和收敛速度有所提高。     

基于UPF的神经网络辅助机动目标跟踪

为提高机动目标跟踪性能，提出了一种神经网络辅助下的滤波方法。基于Unscented卡尔曼滤波方法，Unscented粒子滤波器（UPF）能够产生较准确的建议密度分布，因此相对于其它蒙特卡洛方法，UPF能够获得对非线性目标跟踪问题更好的近似。利用目标的机动特征建立和训练神经网络，将神经网络的输出作为加速度控制参数，用于修正目标的运动模型。仿真结果表明，与扩展卡尔曼滤波相比，神经网络辅助下的UPF具有更好的跟踪性能。     

一种改进的指令调节自适应控制器在无人水下航行器深度控制中的实验研究（英文）

Command governor-based adaptive control(CGAC) is a recent control strategy that has been explored as a possible candidate for the challenging task of precise maneuvering of unmanned underwater vehicles(UUVs) with parameter variations.CGAC is derived from standard model reference adaptive control(MRAC) by adding a command governor that guarantees acceptable transient performance without compromising stability and a command filter that improves the robustness against noise and time delay.Although simulation and experimental studies have shown substantial overall performance improvements of CGAC over MRAC for UUVs,it has also shown that the command filter leads to a marked reduction in initial tracking performance of CGAC.As a solution,this paper proposes the replacement of the command filter by a weight filter to improve the initial tracking performance without compromising robustness and the addition of a closed-loop state predictor to further improve the overall tracking performance.The new modified CGAC(M-CGAC) has been experimentally validated and the results indicate that it successfully mitigates the initial tracking performance reduction,significantly improves the overall tracking performance,uses less control force,and increases the robustness to noise and time delay.Thus,M-CGAC is a viable adaptive control algorithm for current and future UUV applications.