基于粒子滤波的多传感器交互式多模型多机动目标跟踪

针对单传感器交互式多模型联合概率数据关联滤波算法(Interacting Multiple Model Joint Probabilistic Data Association Filtering,IMMJPDAF)在非线性情况下跟踪精度低,且对于非高斯问题不适用的情况,文中提出一种基于粒子滤波的多传感器交互式多模型多...     

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.     

自适应交互式多模型算法改进探讨

交互式多模型算法是一种较为有效的机动目标跟踪算法.介绍交互式多模型算法的设计思想和算法结构,归纳几种自适应交互式多模型算法的特点及相互关系.通过分析自适应交互式多模型算法的不足,探讨自适应交互式多模型算法的改进问题.     

基于粒子滤波的水下目标被动跟踪算法

针对水下被动目标跟踪的非高斯噪声环境和弱可观性的特点,提出了将粒子滤波算法应用于水下被动目标跟踪中的非线性问题,克服了常规的线性化方法易发散且跟踪精度低、误差大的缺点.仿真结果表明:粒子滤波算法提高了滤波的稳定性,跟踪精度优于扩展卡尔曼滤波算法和无迹卡尔曼滤波算法,收到了良好的效果,具有较高的实用价值.     

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。     

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。     

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。     

基于概率假设密度滤波的水下多目标被动跟踪

针对水下多目标跟踪过程中存在多种干扰因素,如噪声污染、杂波环境、量测数据处理等,本文将概率假设密度滤波应用到水下目标跟踪领域。首先,在单目标匀速运动场景下,提出一种二维搜索法,探究目标估计的均方根误差随2个被动声呐距离和目标初始链距取值变化的规律,为后续目标跟踪中参数选取提供参考。接着,对于多目标编队航行和航迹交叉的运动场景,分别探究目标间距和量测噪声对目标跟踪性能的影响。仿真结果表明,二维搜索法能够有效指导算法参数选取,并且所提算法具有目标数和目标状态估计精度良好的优点。     

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．     

改进的中心差分卡尔曼滤波水下被动目标跟踪

中心差分卡尔曼滤波是目标跟踪领域中常用的非线性滤波方法之一,但在单站的纯方位目标跟踪中,有时受观测站的运动轨迹、观测噪声等影响,中心差分卡尔曼滤波会出现滤波不稳定甚至发散的情况。针对这一问题,本文提出一种基于奇异值分解平方根的中心差分卡尔曼滤波改进方法。通过采用QR分解和奇异值分解2种不同的方式计算协方差的平方根,代替协方差矩阵参与运算,增强算法的稳定性。通过3种不同情形下的仿真结果均表明,所提方法与常规的中心差分卡尔曼滤波和经典的平方根无迹卡尔曼滤波方法相比,具有最低的均方根误差。     

基于UKF的Rao-Blackwellized粒子滤波器多传感器多目标跟踪算法研究

在纯方位多传感器多目标跟踪问题中,状态的测量通常是来源未确定的观测量,在杂波环境尤为如此,需要同时解决多个目标的测量和目标之间的关联问题。本文提出一种新的基于Rao-Blackwellized思想的RBPF-UKF算法。该算法利用Rao-Blackwellized将多目标跟踪问题转化为2个子问题:数据关联及单目标跟踪问题,利用粒子滤波中的序列重要性重采样原理解决多目标跟踪的数据关联问题,用UKF滤波器实现单目标跟踪。仿真结果表明,RBPF-UKF算法能很好地解决多目标数据关联问题,与RBPF-EKF算法相比具有更高的滤波精度及稳定性,体现了该算法的优越性。     

基于S修正卡尔曼滤波的自适应网格模糊交互多模型算法研究

针对机动目标跟踪问题中,固定结构多模型(FSMM)算法费效比不高以及交互式多模型(IMM)算法马尔可夫转移概率难以准确确定的问题,研究一种基于S修正卡尔曼滤波的自适应网格模糊交互式多模型(AGFIMM-SKF)算法。该算法通过自适应网格调整实现了模型集自适应,通过模糊逻辑推理得到模型集中各个模型的匹配度,并且对标准卡尔曼滤波器进行S修正。仿真结果表明,AG-FIMM-SKF算法与标准的IMM算法相比,可以有效提高多模型算法的精度和费效比,且适合工程应用。     

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．     

An algorithm of the adaptive grid and fuzzy interacting multiple model

This paper studies the algorithm of the adaptive grid and fuzzy interacting multiple model （AGFIMM） for maneuvering target tracking, while focusing on the problems of the fixed structure multiple model （FSMM） algorithm＇s cost-efficiency ratio being not high and the Markov transition probability of the interacting multiple model （IMM） algorithm being difficult to determine exactly. This algorithm realizes the adaptive model set by adaptive grid adjustment, and obtains each model matching degree in the model set by fuzzy logic inference. The simulation results show that the AGFIMM algorithm can effectively improve the accuracy and cost-efficiency ratio of the multiple model algorithm, and as a result is suitable for enineering apolications.     

一种改进的粒子滤波算法

为提高非线性滤波的性能,提出一种改进的粒子滤波算法(MUPF),该算法将新构造的辅助模型和无迹卡尔曼滤波(UKF)相结合产生新的建议分布函数。与传统的无迹粒子滤波(UPF)相比,该算法充分利用了新的测量信息。在非高斯条件下与其他滤波器进行了仿真对比,分析了跟踪性能和均方根误差。仿真结果表明,MUPF不仅具有很高的跟踪精度,而且用很少的粒子就可以达到更好的滤波性能。