模型集自适应的交互多模型辅助粒子滤波算法

为了提高机动目标的跟踪精度,提出一种基于目标转弯率模型的模型集自适应交互多模型辅助粒子滤波算法(AMSIMMAPF).采用转弯率模型实时辨识目标的角速度,根据辨识到的角速度来更新交互多模型的模型集.利用辅助粒子滤波可以避免粒子权值退化、样本衰减,不受线性模型高斯噪声限制的特点,各模型滤波选用辅助粒子滤波算法以提高跟踪精度.理论分析和仿真结果表明,与交互多模型粒子滤波算法相比,本算法具有跟踪精度高,计算量小的特点.     

一种强机动目标自适应跟踪算法

针对强机动目标跟踪精度不高的问题,提出了一种强机动目标自适应跟踪算法(HMIMM-CV/CAT)。首先通过机动检测区别目标的机动性能,分别应用Kalman滤波和交互多模算法对目标进行跟踪。其次对机动段交互多模算法,给出一组转弯模型离散模型集,在目标机动时通过角速度估计在离散模型集中遴选出一个最匹配的模型参加交互计算,使模型更加逼近目标真实运动模式,且不增加参与交互运算模型数量。蒙特卡罗仿真结果表明,该算法与几种类似算法相比,更加适用于强机动目标。     

引入多速率模型的变结构机动目标跟踪

变结构多模型方法(VSMM)能够根据目标机动的实际情况实时确定结构不断变化的模型集合,取代传统IMM方法中的固定模型集.使参与状态估计的模型分布更集中,模型数量相对较少,从而提高算法的跟踪精度.多速率模型(Multirate)能够对原始测量数据进行多分辨分解,有效的抑制量测噪声,从而提高原始数据的信噪比.文章将多速率模型引入变结构多模型方法,提出一种新的机动目标跟踪算法多速率变结构多模型方法(MRVSMM),该方法分别从改善原始数据与改善模型集合两方面对传统IMM方法进行了突破.同时,采用多个多速率模型,并将多个模型的滤波结果相互交织实现对机动目标的全速率跟踪.仿真实验证明,该算法较传统的IMM方法跟踪精度得到了一定程度的提高.     

基于正态截断模型的被动传感器目标跟踪算法

被动传感器只能获得目标的角度信息而无法获得位置信息,因此单被动传感器对目标进行跟踪时难以满足可观测性条件.对单被动传感器高斯-厄米特滤波的量测模型进行扩维,建立了多被动传感器高斯-厄米特滤波模型.由于Singer模型只适用于匀速和匀加速范围内的目标运动,对于强烈的机动将引起较大的模型误差.而正态截断模型本质上是非零均值时间相关模型,能够更加真实地反映目标机动泛围和强度的变化,是目前较好的实用模型.文中基于正态截断模型提出了只有角度量测的双被动传感器高斯-厄密特机动目标跟踪算法,仿真结果表明,该方法能够对机动目标进行稳定的跟踪.     

IMM算法在车辆机动目标跟踪中的应用

针对高速公路车辆的机动目标跟踪问题,采用交互多模型算法(IMM)中的2个模型分别表示车辆的匀速运动状态和匀加速运动状态,并结合目标运动模型对目标当前加速度和其方差进行蒙特卡洛仿真.仿真结果表明该算法不仅可以在匀速运动时将关键测量噪声减低,而且在机动模型中保证状态估计量比未滤波的雷达测量值精确,同时可以对运动模型进行准确的识别,从而改善路面机动目标的跟踪性能,提高车辆的安全性和可靠性.因此,交互多模型算法可以满足高速车辆机动目标跟踪的要求.     

基于VD算法的机动目标跟踪研究

针对机动目标有多个运动模型的特点,建立了机动目标的CA模型和CV模型.采用变维滤波(VD)算法对目标运动轨迹进行跟踪,计算机仿真结果表明VD算法对机动目标跟踪具有较高的精度.     

含预测和容错的自适应Kalman目标跟踪

针对模型不准确时,传统Kalman滤波目标跟踪算法精度有限甚至发散的问题,研究了基于新息协方差在线匹配技术的自适应Kalman滤波算法,提高跟踪精度;并以Kalman滤波估计的目标位置为基础,利用一步Kalman预测得到下一时刻目标可能的位置范围,避免对整幅后帧图像进行遍历搜索,减小了计算量;为了避免存在干扰时异常量测对目标跟踪的影响,研究了量测信息异常检测算法,以Kalman预测的量测代替异常量测,增强抗干扰能力。实验证明,所提算法能够有效提高目标跟踪的精度和鲁棒性。     

考虑目标航向机动信息的机动目标跟踪算法

传统的机动目标跟踪算法大多过于依赖所采用的目标运动模型,没有充分利用目标量测序列中携带的其它有用信息,当目标机动时跟踪性能下降较大。针对该问题,提出了利用目标航向机动序列修正传统跟踪算法滤波值的新算法。仿真结果表明,该算法比传统跟踪算法的跟踪精度高,是一种简单有效的自适应机动目标跟踪算法。     

一种机动目标跟踪的IMM模型优化设计方法

为了提高机动目标的跟踪精度,提出了一种使用2个模型实现对机动目标跟踪的多模型算法,采用当前统计模型和扩展后的常速模型组成的模型集进行交互.该算法不受目标转弯率大小和变化的限制,对目标运动模式的未知参数变化的适应性较强.该算法对目标的跟踪精度优于传统的使用3个以上模型交互的IMM-CV/CT算法,仿真结果证明了该算法的有效性.     

基于多模型GGIW-CPHD滤波的群目标跟踪算法

针对伽马高斯逆威夏特-概率假设密度(GGIW-CPHD)滤波算法跟踪机动群目标误差较大的问题,提出基于最适高斯近似(BFG)和强跟踪的多模型GGIW-CPHD滤波的群跟踪算法.首先,在对群目标量测分割的基础上,采用BFG方法实现CPHD预测阶段的多模型融合.其次,利用强跟踪滤波(STF)中的渐消因子来修正GGIW分量的预测协方差矩阵.最后,在CPHD更新阶段完成群质心和扩展状态估计的基础上,利用多个模型对应的似然函数完成模型概率的更新.实验结果表明:所提算法能够在GGIW-CPHD框架下实现多个模型的交互,有效降低机动阶段时群目标的状态估计误差,并能有效处理群目标的合并和衍生情况.     

基于期望极大化算法的转弯机动目标跟踪

针对目标做转弯机动时产生的运动模式的不确定性问题，提出了基于期望极大化（EM）算法的转弯机动目标跟踪算法，采用转弯速率来描述目标的转弯机动，并将转弯速率作为待估量，用EM算法对转弯速率序列进行估计，从而获得对目标状态的精确估计．最后，给出了该算法的批处理形式和递推形式．新算法有效地提高了目标的跟踪精度．Monte—Carlo仿真表明，与标准的交互式多模型算法相比，批处理EM算法使目标的位置和速度的跟踪精度提高了70％以上，当转弯速率处于稳态时，递推EM算法使目标的位置和速度的跟踪精度提高了20％以上．     

基于跑滑系统约束的航空器滑行跟踪算法

为解决大型机场场面易冲突的问题,研究了将基于跑滑系统和管制约束的变结构多模型算法应用于机场场面目标的跟踪.本文首先建立了复杂跑滑结构下的数学建模方法、跑滑结构约束下跟踪状态修正方法和基于管制指令约束的航空器与跑滑系统的自适应匹配方法.与传统场面目标跟踪不同,本文利用跑滑系统和管制指令约束的最大后验概率估计来激活和终止模型集,进而解决机场场面航空器跟踪过程中模型集切换和路段匹配问题.基于上述方法,本文通过结合最大后验概率估计提出了一种新的交互式多模型算法,改善了场面目标的跟踪性能.仿真结果表明:与交互式多模型算法和变结构交互式多模型算法相比,本文所提出的方法能有效地跟踪机场场面目标,显著提高了跟踪精度.     

一种适于非线性非高斯目标跟踪的MRIMMPF算法

为解决粒子滤波应用到IMM算法时计算量过大的问题,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(multirate interacting multiple model particle filter,MRIMMPF)算法.该算法采用多模型结构来跟踪任意机动的目标;使用一种3模型、one-third速率/全速率跟踪算法,一个one-third速率模型处理非机动或微弱机动,2个全速率模型用于机动模式,以处理非线性、非高斯问题.仿真结果表明,MRIMMPF算法在性能上并不低于交互多模型粒子滤波(IMMPF)算法,但是计算量明显减小.     

中央差分多模型算法在蛇形机动目标跟踪问题中的应用

将中央差分卡尔曼滤波算法整合融入多模型算法,提出一类中央差分多模型算法并将其应用于典型的非线性跟踪问题,针对蛇形机动目标进行仿真验证。结果表明,和经典非线性多模型滤波器相比,该算法具有更高的估计精度和更快的收敛速度,且计算量适中,易于实现实时跟踪。     

适于无源阵列跟踪的粒子滤波交互多模型算法

针对无源阵列被动跟踪效果较差的问题,融合交互式多模型和粒子滤波方法,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跟踪目标的任意机动;各模型采用粒子滤波算法处理非线性、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。在交互阶段,对各模型的相应粒子进行输入交互;在滤波阶段,抽取N个采样点,得到估计采样,从而求得估计输出和有关函数;在混合阶段,获得状态向量的后验条件概率密度函数,通过这个后验概率密度便可获得状态向量的估计量。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本文新算法的正确性和有效性。     

基于当前统计模型的机动目标被动跟踪

介绍了极坐标系下的被动跟踪算法及存在的问题，并分析了其原因，为解决机动目标的被动跟踪问题，选取当前统计模型对加速度进行建模，并建立双机目标测量模型，推导了被动式机动目标自适应跟踪算法。Monte-Carlo仿真表明，新算法能够跟踪任意机动的飞行目标。     

EKF定位跟踪算法研究

为了处理机动目标跟踪过程中的非线性问题,提出了一种基于运动模型的扩展卡尔曼滤波（EKF）算法,该算法精度可以逼近最优估计,适用于任何可用状态空间模型表示的非线性系统。通过仿真表明利用运动模型的扩展卡尔曼滤波方法可以有效地抑制非视距误差（NLOS）对定位精度的影响,从而得到更高的定位跟踪效果。     

EKF定位跟踪算法研究

为了处理机动目标跟踪过程中的非线性问题,提出了一种基于运动模型的扩展卡尔曼滤波(EKF)算法,该算法精度可以逼近最优估计,适用于任何可用状态空间模型表示的非线性系统。通过仿真表明利用运动模型的扩展卡尔曼滤波方法可以有效地抑制非视距误差(NLOS)对定位精度的影响,从而得到更高的定位跟踪效果。     

A novel maneuvering multi-target tracking algorithm based on multiple model particle filter in clutters

To solve the problem of strong nonlinear and motion model switching of maneuvering target tracking system in clutter environment, a novel maneuvering multi-target tracking algorithm based on multiple model particle filter is presented in this paper. The algorithm realizes dynamic combination of multiple model particle filter and joint probabilistic data association algorithm. The rapid expan- sion of computational complexity, caused by the simple combination of the interacting multiple model algorithm and particle filter is solved by introducing model information into the sampling process of particle state, and the effective validation and utilization of echo is accomplished by the joint proba- bilistic data association algorithm. The concrete steps of the algorithm are given, and the theory a- nalysis and simulation results show the validity of the method.