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．     

一种新型交互式多模型算法

通过在线辨识交互式多模型（ＩＭＭ）算法各波滤模型噪声，提出一种新型自适应ＩＭＭ（ＡＩＭＭ）。仿真表明该算法的估计精度明显优于标准ＩＭＭ，反映了参数的辨识的有效性。     

基于交互式多模型的雷达单目标跟踪算法

针对民用小型无人机被广泛应用而带来的安全隐患问题,本文将交互式多模型算法应用于雷达单目标跟踪系统,并对其进行了研究与仿真.首先,建立常见的目标运动模型,对每个运动模型的状态方程进行分析,介绍了交互式多模型算法的原理及计算方法.然后,分析了坐标转换误差对雷达跟踪性能的影响,并给出转换误差的补偿结果.最后,通过蒙特卡洛仿真...     

基于自适应采样速率交互式概率数据关联的机动目标跟踪算法

在交互式多模型和概率数据关联算法融合的基础上,又将自适应采样速率算法融合到交互式多模型概率数据关联滤波器中,提出了自适应采样速率交互式概率数据关联算法,该算法不但能有效地跟踪高速机动的目标,且能使系统的采样间隔根据目标的运动状态做自适应调整. 仿真结果表明该算法扩大了机动目标的跟踪范围,且对高速机动的目标有很好的跟踪效果和较强的跟踪精度.     

目标机动性未知时的多平台交互式多模型融合算法

多平台的交互式多模型（IMM）Kalman滤波器是一种比较有效的机动目标跟踪估计方法．但当目标存在未知机动时,基于模型的估计器的精度就会下降．目标跟踪中的输入估计技术可对未知机动性进行估计．本文在给出过程噪声和量测噪声相关情况下最小方差无偏（MVU）输入、状态滤波估计的基础上,提出了基于上述滤波器的分布式IMM多传感器多平台融合算法．仿真表明了该算法的有效性．     

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.     

一种基于抗差自适应的交互式多模型定位算法

针对无线传感器网络研究中距离信号传播过程存在的非视距现象,假定无线网络中的视距和非视距信道切换是一种具有两种状态的马尔可夫过程,提出了一种基于抗差自适应的交互式多模型算法,基于蜂窝网络到达时间和信号衰减值,利用抗差自适应扩展卡尔曼滤波器平衡交互式多模型中马尔可夫链的模式信任平衡,得到蜂窝网络中相应基站和移动站之间的平滑距离。仿真结果表明,在相同程度的非视距效应的环境下此算法具有良好的定位精度和稳健性,相较于基本交互式多模型算法其定位精度可提升15%以上,且随着非视距效应程度加深,其定位精度可提升至25%。     

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.     

基于交互式多模型Kalman滤波的手势跟踪算法研究

针对任意变形手势跟踪过程中,手势运动轨迹方向发生改变时,传统滤波跟踪算法跟踪精度迅速下降的问题,提出了一种基于交互式多模型Kalman滤波的改进型手势跟踪算法。该算法在传统非机动状态空间模型的基础上增添了两个机动模型,以更加准确的描述手势的状态空间。首先采用三个不同模型分别描述不同的目标运行模式;同时,以模型匹配似然函数为基础更新模型概率;最终组合所有滤波器修正后的状态估计值以得到最优状态估计。实验对比结果表明,该算法能够取得较高地跟踪精度。     

基于自适应交互式多模型粒子滤波的分布式说话人跟踪算法

针对分布式麦克风网络中的说话人跟踪问题,提出一种自适应交互式多模型粒子滤波算法,以实现复杂环境下对说话人的分布式跟踪.首先,对分布式麦克风网络中的说话人跟踪问题建立状态空间模型,并利用贝叶斯滤波理论求解该问题.然后,将交互式多模型与粒子滤波相结合,提出一种双粒子滤波方法对运动模型的转换概率进行自适应估计,以更好地对多种...     

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.     

基于切分模板的实时跟踪算法

相关匹配算法是一种经典的匹配算法 ,通过计算模板图像和待匹配图像的互相关值来确定匹配的程度 ,具有很高的准确性和适应性 ,在目标跟踪中得到了广泛应用。但是相关匹配算法计算耗时过于庞大 ,难以达到实时要求 ,并且当目标在模板中所占比例很小时 ,很难确定模板的准确位置 ,使得此算法在实时目标跟踪中难以得到应用。文中在相关匹配的基础上提出了一种基于切分模板的实时跟踪算法。匹配的模板被分为几个部分 ,每个部分均有不同的加权值 ,最后的相关匹配度为各部分匹配度的加权和。算法中还设置了一个不是实时更新的加权模板 ,以提高算法的抗干扰能力 ,并采用金字塔搜索算法进行加速。实验结果显示 ,此算法有效地克服了相关匹配算法的缺点 ,具有较好的匹配精度和实时性     

机动目标的模糊多模型跟踪算法

设计了一种基于模糊逻辑推理的机动目标多模型跟踪新算法（FMMTA）,把量测新息对其协方差的逆的加权二次函数作为模糊推理系统的输入,并通过模糊逻辑推理得到模型集中各模型的匹配度,代替了交互式多模型（IMM）算法中的模式概率计算,降低了计算的复杂度。该算法将测量空间的不确定性映射到模糊空间,从而解决了从测量空间的不确定性到模式空间不确定性的模糊推理问题,并将模糊推理与多模型卡尔曼滤波结合,进行并行处理,有利于机动目标的实时跟踪。Monte Carlo仿真结果表明,在模糊规则设计恰当的情况下,FMMTA算法相对于IMM算法在降低机动目标位置和速度的跟踪误差方面更有效。     

基于多模型的自适应控制研究进展

基于多模型的自适应控制（ＭｕｌｔｉｐｌｅＭｏｄｅｌＢａｓｅｄＡｄａｐｔｉｖｅＣｏｎｔｒｏｌ,ＭＭＡＣ）其目的在于对各种复杂的、具有高度不确定性的、快时变的系统给出一种行之有效的控制方法．文中对这一领域的研究进展进行了回顾、分析与总结．介绍了ＭＭＡＣ的基本原理和基本思想,给出了ＭＭＡＣ的结构框图,分析讨论了其中存在的几个重要问题,并指出了与这些问题相关的未来的研究方向     

当前统计模型自适应滤波算法改进

由于"当前"统计模型自适应滤波算法对于最大加速度的过分依赖,使其对于弱机动目标并不具有较高的跟踪精度,基于"当前"统计模型自适应滤波算法的研究及目标跟踪性能的分析,提出了将目标的机动状态划分为强机动和弱机动,当目标在作弱机动运动时,可通过修正最大加速度来提高跟踪精度,分别针对常速、常加速、弱变加速三种弱机动情况进行了数学仿真,仿真结果表明,通过修正最大加速度的方法,可使该算法对于弱机动目标的跟踪精度大大提高。     

基于机动频率自适应的目标跟踪算法

利用观测新息在目标机动时发生变化的信息，设计了一种自适应的机动目标跟踪算法，通过对目标状态误差的估计，从而自适应的改变机动频率，使跟踪算法与目标的真实状态更接近，该算法具有运算量小、跟踪精度高、易于工程化实现的特点。     

基于多传感器信息融合理论的交互式多模型算法

在经典的交互式多模型算法中,对似然函数的高斯近似以及概率密度函数与概率质量函数的混合计算使得所求得的模型概率仅为贝叶斯意义下的次优值.为解决此问题,基于各滤波器估计误差的相关性和多传感器最优信息融合准则,提出了一种重新加权的交互式多模型算法.该算法通过计算估计误差的互协方差阵对模型概率进行更新,在此基础上利用最优信息融合理论对各滤波器的滤波结果进行融合.理论分析及仿真结果表明:经过重新加权的交互式多模型算法较原始算法以及其他忽略误差相关性的交互式多模型的改进算法在估计精度上均有显著的提高.     

基于似然函数的自适应Singer模型滤波算法

Singer模型滤波算法可以对机动目标进行有效跟踪,但其模型参数的确定依赖于先验知识,且一旦确定,将在滤波过程中不再变化.因此,当事先确定的参数与目标机动不匹配时,跟踪精度会变得比较差.针对模型参数失配时,传统Singer模型不能有效跟踪机动目标的问题,提出一种自适应Singer模型滤波算法.在滤波过程中,构造多模型的模型似然函数,并随着滤波过程实时计算模型似然函数,根据似然函数的变化,自适应调整Singer模型加速度参数.仿真表明,该算法能够有效跟踪目标不同的机动情况,滤波效果较固定参数的Singer模型算法和离散自适应Singer模型算法更优.