基于幅值信息的联合概率数据关联粒子滤波算法

针对非线性非高斯环境下多目标被动跟踪的低可观测问题,将粒子滤波、联合概率数据关联和量测的幅值信息相结合,提出了一种基于幅值信息的联合概率数据关联粒子滤波算法。将联合概率数据关联算法中的关联似然与幅值似然比相结合,利用粒子滤波算法进行跟踪滤波,用幅值量测来改善低可观测条件下的目标跟踪性能。仿真结果表明,该算法提高了数据关联的可靠性和目标跟踪的精度。     

基于改进高斯粒子滤波器的目标跟踪算法

针对现有机动目标跟踪中粒子滤波算法的不足,提出了一种改进的粒子滤波方法。该方法在高斯粒子滤波的基础上通过利用当前时刻量测值对量测误差的分布参数进行实时的统计和更新,并以此得到粒子的权值,从而考虑到了量测值对估计值的影响,该方法适合于量测误差分布为高斯白噪声且状态量与量测误差相关条件下的非线性估计。仿真结果表明,与传统的自举粒子滤波(boot trap particle filter, BPF)、高斯粒子滤波（Gaussian particle filter, GPF)以及无迹粒子滤波（unscented particle filter, UPF)相比,该方法具有较高的精度和较少的计算量。     

基于双马尔可夫链的SMC-CBMeMBer滤波

大部分多目标跟踪滤波器都是假设目标及其量测符合隐式马尔可夫链(hidden Markov chain,HMC)模型,而HMC模型隐含的独立性假定在很多实际应用中是无效的,双马尔可夫链(pairwise Markov chain,PMC)模型相对于HMC模型更具有普适性。已有的基于PMC模型的势均衡多目标多伯努利(cardinality balanced multi-target multi-Bernoulli,CBMeMBer)滤波的高斯混合实现仅适用于线性高斯系统,针对基于PMC模型的非线性多目标跟踪系统,将每一条假设航迹的伯努利随机有限集用一组加权粒子来近似,提出了基于PMC模型的势均衡多目标多伯努利滤波的序贯蒙特卡罗(sequential Monte-Carlo,SMC)方法实现(SMC-PMC-CBMeMBer)滤波。仿真实验结果验证了SMC-PMC-CBMeMBer算法的有效性,在基于PMC模型的非线性多目标跟踪系统中,SMC-PMC-CBMeMBer算法性能优于基于HMC模型的SMC-CBMeMBer滤波器和基于PMC模型的SMC-PHD滤波器。     

高斯厄米特粒子PHD被动测角多目标跟踪算法

针对传统粒子概率假设密度（probability hypothesis density, PHD）滤波跟踪被动多目标时,估计精度不高,且存在粒子退化,容易导致滤波器发散的问题,提出一种新的被动多目标跟踪算法--高斯厄米特粒子PHD滤波算法。该算法采用一族高斯厄米特滤波产生的高斯分布拟合更优的重要性密度函数,充分考虑了当前时刻的最新量测,并将该方法融入高斯混合粒子PHD（Gaussian mixture particle PHD, GMP-PHD）滤波框架中,在解决观测非线性的同时,有效提高了被动多目标的跟踪精度。实验结果表明,该算法较传统的GMP PHD滤波算法具有更高的状态估计精度,且有效降低了目标的失跟率。     

高斯和粒子滤波器及其在被动跟踪中的应用

为提高被动跟踪性能,提出了一种高斯和粒子滤波方法。在建立目标被动跟踪模型的基础上,使用高斯和滤波(GSF)近似目标状态的后验密度,利用粒子滤波方法处理GSF中的均值和方差计算问题,推导了高斯和粒子滤波器(GSPF)应用的具体算法步骤,使用机动目标被动跟踪仿真实例,与其它滤波器进行了仿真对比,分析了跟踪性能和RMSE误差。仿真结果表明,对于机动目标被动跟踪问题,GSPF不仅具有较高的跟踪精度,而且与一般粒子滤波器相比,GSPF具有较好的跟踪稳定性和较低的计算量。     

多传感器量测自适应Rao-Blackwellised粒子滤波算法

针对量测不确定下非线性系统状态估计中多传感器量测数据的有效利用和计算复杂度的简化问题,给出了一种多传感器量测自适应Rao-Blackwellised粒子滤波算法。首先,通过随机采样策略和量测模型先验转移概率实现用于评估粒子权重的传感器有效量测集合的采样;其次,利用重采样步骤和概率最大化原则完成对不含扰动影响传感器量测模型的辨识;最终,依据Rao-Blackwellised粒子滤波中非线性状态分量和线性状态分量的独立求解方式实现当前时刻系统的状态估计。理论分析和仿真实验结果验证了算法的可行性和有效性。     

一种改进粒子滤波器在雷达目标跟踪中的应用

在实际雷达目标跟踪系统中,雷达量测常受到闪烁噪声干扰,传统卡尔曼或扩展的卡尔曼滤波算法在闪烁噪声环境下,滤波性能将急剧下降甚至滤波发散。提出了将粒子滤波与无迹变换结合的改进粒子滤波算法UPF(uncented particle filter)应用在雷达目标跟踪中,解决了闪烁噪声情况下雷达目标跟踪问题。仿真结果表明,在高斯条件下扩展的卡尔曼算法和基于无迹变换的粒子滤波算法跟踪性能相近,但在闪烁噪声环境下,随着闪烁影响的增强,扩展的卡尔曼算法跟踪性能严重下降,而UPF算法能保持较好的跟踪精度。     

基于UT变换的MMPHD机动目标跟踪

基于序列蒙特卡罗方法的多模概率假设密度(probability hypothesis density, PHD)滤波算法及其改进方法,在预测过程中依据多个并行的状态转移模型将大量粒子散布到下一时刻目标所有可能出现的状态空间,从而实现目标状态的捕获。由于这些方法大量使用粒子,造成计算量巨大、算法实时性差。为此,提出了基于无迹变换的多模PHD机动目标跟踪方法。该方法利用最新量测信息获得粒子预测过程中的建议密度函数,从而将粒子聚合在目标最可能出现的状态空间邻域中,充分实现粒子的有效利用。仿真实验表明,论文提出的算法不仅显著减少了多模PHD算法的计算量,而且在一定程度上提高了多模PHD算法的精度。     

基于粒子滤波的机动目标跟踪改进算法

粒子滤波是指利用Monte Carlo仿真方法处理递推估计问题的非线性滤波算法,这种方法不受模型线性和Gauss假设的约束,是一种处理非线性非高斯动态系统状态估计的有效算法。在粒子滤波的基础上融合扩展卡尔曼滤波(EKF)算法,融合后的新算法在计算提议概率密度分布时,粒子的产生充分考虑当前时刻的量测,使得粒子的分布更加接近状态的后验概率分布。仿真结果表明,该算法对机动目标有更好的跟踪效果。     

基于交互式多模型的粒子滤波算法

融合交互式多模型和粒子滤波，提出了一种新的多模型粒子滤波算法。该算法采用多模型结构以跟踪目标的任意机动。各模型采用粒子滤波算法，以处理非线性、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。与通用的交互式多模型算法进行了比较，试验仿真结果证实了本文新滤波算法的有效性。     

基于VB近似的自适应δ-GLMB滤波算法

目前,基于δ-扩展标签多伯努利(δ-generalized labeled multi-Bernoulli, δ-GLMB)滤波器的多目标跟踪方法假设量测噪声协方差先验已知,而实际中量测噪声协方差可能是未知或随着环境改变而变化。针对上述问题,提出一种基于变分贝叶斯(variational Bayesian, VB)近似的自适应δ-GLMB滤波算法。该算法以δ-GLMB滤波器为基础,利用逆威沙特和高斯乘积混合分布近似量测噪声协方差和多目标状态联合后验分布,通过VB近似技术推导滤波迭代。仿真结果表明,所提算法对于线性未知量测噪声协方差场景具有很强的多目标跟踪鲁棒性,在有效估计量测噪声协方差的同时实现准确的目标数和目标状态估计。     

δ-广义标签多伯努利滤波算法的非线性扩展

针对高斯混合(Gaussian mixture, GM)实现的变分贝叶斯-δ-广义标签多伯努利(variational Bayesian-δ-generalized labeled multi-Bernoulli, VB-δ-GLMB)滤波算法在非线性场景下跟踪性能较低这一问题, 结合基于临近点算法(proximal point algorithm, PPA)和变分贝叶斯(variational Bayesian, VB)的迭代优化与容积卡尔曼滤波(cubature Kalman filtering, CKF), 提出一种适用于非线性模型的机动多目标跟踪算法。该算法在GM-VB-δ-GLMB的基础上采用逆伽马(inverse-Gamma, IG)和高斯乘积混合分布近似量测噪声协方差和状态联合后验分布; 利用PPA-CKF-VB(PCKF-VB)方法对传递过程中的高斯项参数进行预测更新; 最后为提高滤波精度进行变分贝叶斯容积RTS(VB cubature Rauch-Tung-Striebel, VB-CRTS)平滑。仿真结果表明, 对于量测噪声未知的非线性系统, 所提的算法与现有的VB-δ-GLMB算法相比目标跟踪精度有显著提高。     

考虑配准时空误差的多目标标签多伯努利滤波

针对多传感器协同跟踪目标过程中存在多节点间的信息时间延迟和空间配准偏差问题,提出基于配准偏差和时间延迟的标签多伯努利滤波(labeled multi-Bernoulli based on the registration errors and time delay, LMB-ReDe)算法。首先,通过排队论对节点个数随机变化的网络时间随机延迟进行建模;然后,构建了延迟环境中的非固定周期的目标转移过程和时间延迟过程中的伪量测;最后,在LMB滤波基础上提出LMB-ReDe算法实现目标状态的实时估计。仿真结果表明,在节点数随机变化的多传感器协同探测中,采用LMB-ReDe滤波器跟踪位置精度优于标准的LMB滤波器。     

基于单快拍空间平滑的多伯努利DOA跟踪算法

针对阵列信号处理中单快拍情况下的多源时变波达方向(direction of arrival, DOA)跟踪问题, 提出了一种基于单快拍空间平滑的多伯努利DOA跟踪算法。首先，利用多伯努利随机有限集(random finite set, RFS)描述状态过程的随机性, 并直接利用从传感器阵列中获得单快拍量测。其次, 采用空间平滑技术对单快拍量测进行处理, 得到伪协方差矩阵, 并进行奇异值分解。最后，用多重信号分类(multiple signal classification, MUSIC)谱函数作为伪似然函数进行多伯努利DOA跟踪。仿真结果表明, 该算法能实时有效跟踪单快拍量测下的时变信源DOA状态, 且能准确估计信源个数。     

结合聚类的GM-PHD滤波器辐射源群目标跟踪

群目标跟踪是一种情况更为复杂的多目标跟踪问题,由于军事辐射源目标经常出现雷达关机的情况,因此常用的多目标跟踪方法对于这类辐射源群目标的跟踪效果并不理想。为此,结合聚类技术提出了一种改进的高斯混合概率假设密度(Gaussian mixture probability hypothesis density,GM-PHD)滤波器跟踪方法。该方法在GM-PHD滤波器的更新过程中,通过引入群中心产生的虚拟量测信息以提高目标跟踪性能,但不进行量测集划分。获得单一个体目标的估计状态后利用Jensen-Shannon divergence计算其相似度,然后再对估计目标进行聚类以实现群目标的跟踪。最后通过对相邻时刻的群中心轨迹点进行关联匹配,从而获得群目标的完整运动轨迹。仿真实验结果表明,所提方法能够对辐射源群目标进行有效跟踪,并具有较好的目标跟踪性能。     

杂波环境下可移动主被动传感器长时调度方法

针对杂波环境下的多目标跟踪问题, 基于可移动主被动传感器系统, 提出了一种辐射控制的长时调度方法。首先, 建立调度模型, 对多目标运动状态和量测结果、传感器调度动作等进行数学描述; 同时, 基于雷达工作原理和截获概率的思想, 提出改进的辐射风险量化方法。随后, 利用高斯混合概率假设密度滤波算法预测长时跟踪精度, 利用所提改进的量化方法预测长时辐射代价, 并利用改进的灰狼优化算法求解传感器调度方案。最后, 执行调度方案获得多目标量测信息, 采用联合广义标签多伯努利滤波算法计算目标估计状态。仿真实验表明, 所提调度方法在保证跟踪精度的基础上, 能够实现对辐射代价的有效控制, 与其他方法相比具有明显的优势。     

基于双马尔可夫链的概率假设密度滤波器

隐式马尔可夫链(hidden Markov chain,HMC)是传统多目标跟踪的理论基础。在分析了HMC模型的局限性基础上,介绍了更具普适性的双马尔可夫链(pairwise Markov chain,PMC)模型,对基于PMC模型的概率假设密度(PMC-probability hypothesis density,PMC-PHD)滤波算法进行了推导,并对其高斯混合(Gauss-mixture,GM)实现进行了改进,利用椭圆波门给每一个高斯分量建立一个对应的缩减量测集合来对其进行更新。仿真实验证明在杂波密度较大的场景中,PMC-PHD滤波器GM实现的改进在不影响跟踪精度的情况下运行时间缩短为原来的三分之一;仿真实验还证明在HMC模型场景下PMC-PHD滤波器针对邻近目标的跟踪性能要优于HMC-PHD滤波器。     

雷达与ESM综合多目标检测、跟踪与识别

为在预警监视系统中对多目标的检测、跟踪、识别过程进行统一处理,提出一种基于跳转马尔可夫系统模型高斯混合概率假设密度滤波(jump Markov system model Gaussian mixture probability hypothesis density filtering,JMS-GMPHDF)算法的雷达、电子支援措施（electronic support measures,ESM）综合多目标检测、跟踪与识别方法。该方法首先根据不同类别目标设计各自的多目标多模型高斯混合概率假设密度滤波器,并在各滤波器处理过程中同时对高斯项进行编号;然后,根据目标速度与加速度模型信息进行高斯项综合与类别判决,同时根据ESM测量信息进行型号判决;最后,通过航迹综合管理,形成具有运动状态信息以及类别、型号、航迹编号信息的确定航迹。仿真实验验证了该方法能够有效综合雷达、ESM测量数据,在进行多目标检测、跟踪的同时进行正确的类别、型号判决,并形成确定航迹。