一种基于正则粒子滤波器的目标跟踪算法

滤波技术是实现多目标跟踪的核心技术之一.粒子滤波器是基于序贯Monte Carlo仿真方法的非线性滤波算法.本文采用正则粒子滤波算法来代替标准的粒子滤波算法.正则粒子滤波算法是基于正则再采样算法,即根据后验密度的离散分布重建它的连续分布,然后从后验分布的连续近似中采样获得再采样粒子,从而能减少粒子的退化现象.仿真结果表明,该算法的跟踪误差要小于标准粒子滤波算法,并且具有更好的跟踪性能、较高的实用价值和广泛的应用前景.     

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。     

粒子滤波的技术及应用

粒子滤波是一种基于蒙特卡罗模拟和递推贝叶斯估计的滤波方法,在近几年取得很大进展,出现了一些新的算法和应用,在许多领域得到了成功的应用。本文首先介绍了粒子滤波的特征及算法分类,然后对粒子滤波技术进行归纳分析,并给出了粒子滤波的一些典型应用成果,最后指出了粒子滤波的发展方向。     

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。     

基于入侵野草优化算法的粒子滤波算法

入侵野草优化(IWO)算法是近年来提出的一种简单、有效的基于种群的新颖数值优化算法,在许多领域得到成功运用。将IWO算法与粒子滤波(PF)算法相结合,提出一种基于IWO算法的粒子滤波算法(IWOPF)。该算法将IWO算法运用于粒子滤波的重采样中,以保证粒子的有效性和多样性。最后通过计算仿真验证该算法的有效性和优越性。     

一种基于自适应进化策略采样的粒子滤波算法

提出了一种自适应进化策略算法(AES),该算法利用适应度值控制变异步长的自适应调整,从而提高了进化策略的搜索效率和精度。将AES算法和粒子滤波(PF)相结合,提出了基于自适应进化策略采样的粒子滤波算法(AESPF)。该算法将AES应用于粒子重采样,以保证粒子的有效性和多样性。通过仿真计算表明,提出的算法可以有效提高滤波性能。     

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。     

基于自适应性粒子滤波器的目标追踪

基于蒙特卡洛模拟的粒子滤波算法被广泛地应用于目标追踪领域。传统的粒子滤波算法在其追踪过程中所使用的粒子数通常是固定不变的，而在实际应用中，这会使算法缺乏高效性。针对这个问题，提出了一种自适应性粒子滤波器，它可以根据实际调整算法运行过程中使用的粒子数目，以使算法在保持对目标进行有效追踪的同时节省计算资源。仿真结果显示了算法的高效性。     

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。     

基于PSO-PCNN的图像滤波算法

将粒子群算法（PSO）的基本原理融入到PCNN图像滤波算法中,从而得到了一种适用于PCNN图像滤波的粒子群算法,PSO-PCNN滤波的平均绝对误差明显比PCNN法小得多,PSO-PCNN滤波比PCNN滤波算法的效果好。     

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。     

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。     

基于粒子群优化卡尔曼滤波的水下机器人信号处理

在卡尔曼滤波的基础上,引入粒子群优化算法,对卡尔曼滤波方法进行改进,提出基于粒子群优化的卡尔曼滤波器模型,从而提高水下机器人测量数据的精度,降低系统噪声和量测噪声所带来的误差。水池仿真试验结果表明改进的滤波方法有效、实用。     

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。     

基于传统CIC抽样滤波器的改进与仿真

文章分析了传统CIC（Cascade Intergrator-Comb）滤波器幅频响应不理想的原因,并针对其问题提出了分别用级联余弦滤波器以及增益补偿滤波器来改善其性能。仿真结果表明,改进后的CIC滤波器阻带衰减有26dB的提高,且通带特性有良好的改善。最后其实现结构特性表明,改进后的CIC滤波器在实际应用和深入研究中有着现实意义。     

基于加速度估计的复合导引头机动目标跟踪算法

信息融合算法是毫米波/红外复合导引头的关键技术之一,其中机动目标跟踪能力直接系统的跟踪性能。α-β作为一种常增益滤波器对CV或CA运动目标有良好的跟踪性能,但当目标机动时性能却大大下降。针对机动情况,提出一种目标加速度估计方法,并利用此加速度估计值来修正目标状态估计值,使其具有良好的机动跟踪性能。最后应用Matlab软件进行仿真分析,分析结果表明改进后的滤波器无论是对目标机动还是非机动跟踪性能良好,计算量少。     

基于高斯粒子滤波的语音增强方法

在分析语音信号的时变自回归模型的基础上，采用了一种新的滤波器即高斯粒子滤波器，该滤波器是基于粒子滤波方法得到一高斯分布来近似估计未知状态变量的后验分布，在符合高斯假设和一定粒子数的情况下，可以获得近似最优解，并用它来解决TVAR模型的语音信号增强问题．仿真结果表明，高斯粒子滤波器具有较强的估计TVAR模型参数的能力，降低了算法的计算量．采用高斯粒子滤波增强方法处理过的语音，信噪比明显提高，改善了语音增强系统的性能．     

自适应网格交互多模型不敏粒子滤波算法

将一种变结构多模型算法——自适应网格交互多模型(AGIMM)算法和不敏粒子滤波(UPF)算法相结合,提出了自适应网格交互多模型不敏粒子滤波算法(AGIMMUPF).该算法通过自适应网格实现了模型自适应,从而以较小的模型集合覆盖了目标大范围的机动,并以此来克服固定结构交互多模型粒子滤波(IMMPF)算法存在的缺陷,同时各模型滤波算法采用不敏粒子滤波(UPF)算法,使重要性密度函数融合了最新量测信息,更好地逼近真实状态的后验概率分布.通过计算机仿真证明,提出的算法可以有效提高IMMPF的费效比.