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.     

曲线模型的自适应跟踪算法

针对机动目标跟踪问题,提出了一种基于曲线模型的自适应跟踪算法.算法中设计了一种角速度估计方法,即通过采用内嵌交互多模型方法针对目标的角度进行实时滤波,获得目标的角速度和角加速度,从而自适应调整与目标转弯相关的法向加速度和切向加速度.算法简化了计算复杂度,扩大了适用范围.仿真试验证明了该算法的有效性.     

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。     

IMM迭代无迹Kalman粒子滤波目标跟踪算法

针对传统交互式多模型(interactive multiple model,IMM)算法跟踪机动式再入目标精度差和实时性不高的问题,提出一种交互式多模型迭代无迹Kalman粒子滤波算法.该算法在多模型滤波过程中采用改进的粒子滤波算法,通过迭代无迹Kalman滤波融入最新观测信息,进而生成粒子滤波的重要性密度分布,从而提高采样质量,改善滤波算法性能.仿真结果表明,提出的算法相对于交互式多模型粒子滤波算法具有更好的跟踪效果.该算法对提高跟踪机动式再入目标的精度与实时能力具有一定的理论意义.     

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.     

基于粒子滤波的灰度目标跟踪算法

粒子滤波主要利用粒子集来表示概率,可以用在任何形式的状态空间模型上.提出了一种基于粒子滤波的灰度图像目标跟踪方法,粒子滤波适合各种形式状态空间模型.算法目标特征采用了灰度直方图、灰度梯度直方图对灰度图像序列进行跟踪.粒子滤波跟踪算法有状态转移和状态观测两大重要模型.利用高权值的粒子替代低权值粒子这样的粒子重采样来保证粒子集的健壮性,得到目标最终位置.利用Matlab进行仿真证明了本文算法的有效性和稳健性.     

基于粒子滤波和在线随机森林分类的目标跟踪

针对粒子滤波跟踪过程中不精确的状态模型或观测模型会降低跟踪精度的问题,提出一种基于粒子滤波与在线随机森林分类的目标跟踪算法框架.通过在线样本学习,随机森林中的样本集可以准确地近似目标外观的概率分布;在粒子滤波跟踪中,采用随机森林分类结果及区域直方图相似度来估计粒子相似度,从而提高了观测模型的精度.当出现跟踪漂移时,通过随机森林检测目标来重新初始化粒子滤波器,可以防止由于误差积累而造成的跟踪失败.采用vc 6.0+opencv实现了本算法,并设计两类试验分别来验证算法的跟踪精度和抗漂移能力.结果表明,该算法跟踪正确率比粒子滤波提高23%,比随机森林提高16%,因此可以防止无规则运动等因素造成的跟踪漂移,实现了长序列可靠跟踪.     

基于小波变换的粒子滤波目标跟踪算法

针对纯方位被动目标跟踪中粒子滤波算法固有的计算复杂性问题,提出了一种基于小波变换的粒子滤波算法(WMPF).对粒子权重进行小波多分辨率分解,通过设定阈值对高通部分的粒子权重进行滤波,再根据重构后的粒子权重去掉重复粒子,生成新的粒子集来近似后验概率密度函数,从而在保证滤波精度的同时大量减少粒子数,提高粒子滤波的计算效率.将WMPF算法与标准粒子滤波算法应用于具有非线性非高斯特点的纯方位目标跟踪问题,仿真结果表明,WMPF算法的跟踪精度与标准粒子滤波算法相当,计算效率却远高于标准粒子滤波算法,增强了跟踪的实时性,并且该算法有望进一步扩展粒子滤波的应用范围.     

一种改进的变结构交互多模型被动跟踪算法

针对干扰环境下跟踪机动目标时常常无法获得距离信息的问题,提出了一种新的被动跟踪算法对目标进行精确的跟踪定位。算法针对被动跟踪中状态与量测之间存在的非线性关系,首先采用最小二乘原理对角度量测进行预处理,然后以预处理结果作为输入,进行交互多模型滤波,从而减小非线性量测方程的线性化过程带来的误差。然而,交互多模型滤波中所采用的固定结构模型集并不能保证跟踪精度,为解决这一问题,算法引入序列似然比检测对模型集进行调整,使模型对不同的目标机动模式有更强的自适应能力,从而减小模型之间的竞争,确保跟踪效果。为了验证新算法的有效性,在相同实验条件下,用2种算法分别对同一设定轨迹进行仿真估计,结果表明,新算法可以进一步提高跟踪精度。     

一种用于运动跟踪的加窗粒子滤波新算法研究

为了提高粒子滤波算法在视频跟踪中的性能,在基本粒子滤波算法的基础上,采用窗口滤波更新粒子集合,根据对目标位置估计的情况动态更新粒子集合大小,得到一种改进的粒子滤波算法--加窗粒子滤波算法.该算法利用估计窗内的混合抽样粒子集描述后验分布,通过对估计窗内具有不同权值的粒子集依据其权值大小进行抽样,并根据当前观测值对抽取的粒子状态进行更新,实现对目标的跟踪.仿真实验结果表明:这种跟踪算法在不影响跟踪精度的情况下,大大减少了计算量,较好地解决了视频目标跟踪这一非线性非高斯状态在线估计问题.     

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。     

基于改进粒子滤波算法的Bouc-Wen模型参数在线识别方法

在线模型参数更新是提高结构混合试验中数值子结构模型精度的有效手段。为了提高强非线性模型参数在线识别精度,在标准粒子滤波算法的基础上提出了一种改进的辅助无迹粒子滤波算法。在重要性采样中,基于最新观测信息采用无迹卡尔曼滤波方法计算每一个粒子估计,以提高粒子非线性变换估计精度;在重采样过程中,引入辅助因子修正粒子权值,以丰富粒子多样性、削弱粒子退化现象。采用改进粒子滤波算法针对Bouc-Wen模型进行了在线参数识别,并与标准粒子滤波算法、扩展卡尔曼粒子滤波算法以及无迹粒子滤波算法的参数识别精度和计算效率进行对比分析。结果表明,与其它3种算法相比,辅助无迹粒子滤波算法在单步计算耗时增加的基础上,在线参数识别精度明显提高,参数识别值波动幅度显著降低。最后,通过橡胶隔震支座拟静力试验,验证了采用改进粒子滤波算法在线识别Bouc-Wen模型参数方法的有效性。     

自适应模型集交互式多模型算法

针对交互式多模型(IMM)算法的目标跟踪精度问题,提出了一种自适应模型集IMM算法.利用IMM算法中的模型概率含义,并以此对模型集的收缩比例因子进行设计,这样模型集通过向中心模型收敛可完成自适应调整,而自适应调整过程能有效、实时地利用观测信息.仿真实验结果表明,所提算法能有效跟踪机动目标,而且比IMM算法的跟踪精度更高,但其受到目标机动模型的先验性的限制.     

Maneuvering target tracking algorithm based on cubature Kalman filter with observation iterated update

Reasonable selection and optimization of a filter used in model estimation for a multiple model structure is the key to improve tracking accuracy of maneuvering target.Combining with the cubature Kalman filter with iterated observation update and the interacting multiple model method,a novel interacting multiple model algorithm based on the cubature Kalman filter with observation iterated update is proposed.Firstly,aiming to the structural features of cubature Kalman filter,the cubature Kalman filter with observation iterated update is constructed by the mechanism of iterated observation update.Secondly,the improved cubature Kalman filter is used as the model filter of interacting multiple model,and the stability and reliability of model identification and state estimation are effectively promoted by the optimization of model filtering step.In the simulations,compared with classic improved interacting multiple model algorithms,the theoretical analysis and experimental results show the feasibility and validity of the proposed algorithm.     

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.     

一种带重采样控制器的IMM-AUPF算法

为了减轻粒子滤波计算复杂性,提出了一种基于交互式多模型(IMM)架构的自适应Unscented粒子滤波算法(AUPF)。IMM-AUPF算法在粒子滤波重采样步骤中设计了一个重采样控制器,根据滤波性能在线调节重采样粒子的数量。并将自适应粒子滤波算法应用于交互式多模型估计方法中,有效地解决了地面机动目标跟踪问题。实验结果表明:基于粒子滤波的多模型滤波器在估计精度方面优于标准的交互式多模型滤波器,且IMM-AUPF算法在计算复杂性方面优于交互式多模型Unscented粒子滤波算法。     

自适应多速率交互式多模型算法

为提高交互式多模型算法性能，在交互式多模型算法的框架下引入了“当前”统计模型和多速率常速模型，开发了自适应多速率交互式多模型算法．Monte Carlo仿真结果表明，自适应多速率交互式多模型算法在减少计算量的同时，跟踪滤波效果优于采用常速和常加速模型的标准交互式多模型算法．     

基于EMA_UKF的移动机器人传感器故障诊断

针对移动机器人多传感器单个或组合故障的情况,提出一种基于EMA_UKF(expected mode augmentation-unscented Kalman filter)方法,用于解决传统固定结构交互多模型算法(FSMM)因模型数量多而造成实时性较差,以及扩展卡尔曼滤波(EKF)计算复杂且精度不高的问题。EMA_UKF方法将期望模型扩张算法(EMA)与无味卡尔曼滤波方法(UKF)相结合,首先利用模型集合自适应来确定期望模型;然后用期望模型扩张初始模型集,通过UKF滤波得到接近真实模型状态的估计结果,判断传感器故障类型。最后,通过与传统的FSMM方法的实验对比,表明该方法能够有效地判断出移动机器人单个或组合传感器故障类型,并且明显地提高了诊断精度。