增强型SMC-PHD多目标跟踪算法

概率假设密度(probability hypothesis density,PHD)滤波的序贯蒙特卡罗实现算法性能高度依赖于先验目标生成强度函数和粒子重要性采样(importance sampling, IS)函数。针对上述问题,提出一种改进算法。首先,引入量测驱动机制,提出一种量测分类方法获取潜在的新生目标量测集合,并以此为基础进行新生目标粒子采样,提高了算法的有效性。其次,为了提高存活目标粒子分布的准确性,结合门技术和无迹信息滤波将当前量测信息融入到IS函数设计中。计算机仿真实验表明,所提算法具有更稳健的多目标跟踪能力和杂波适应性。     

面向快速多目标跟踪的协同PHD滤波器

考虑到存活目标与新生目标在动态演化特性上的差异性,提出了面向快速多目标跟踪的协同概率假设密度(collaborative probability hypothesis density, CoPHD)滤波框架。该框架利用存活目标的状态信息,将量测动态划分为存活目标量测集与新生目标量测集,在两个量测集分别运用PHD组处理更新基础上建立了处理模块的交互与协同机制,力图在保证跟踪精度的同时提高计算效率。该框架由于采用PHD组处理方式而具有状态自动提取功能。进一步给出了该框架的序贯蒙特卡罗算法实现。仿真结果表明,该算法在计算效率以及状态提取精度上具有明显优势。     

基于关联的自适应新生目标强度CPHD滤波

量测驱动的自适应新生目标强度基数概率假设密度(adaptive target birth intensity cardinalized probability hypothesis density,ATBI-CPHD)滤波器可以在新生目标强度未知的情况下进行多目标跟踪,然而该方法利用所有量测产生新生目标,没有考虑关联问题。为此,本文提出了一种基于数据关联的改进算法。首先,给出了ATBI-CPHD在高斯混合CPHD(Gaussian mixture CPHD, GMCPHD)框架下的实现。其次,在GMCPHD滤波框架下采用一种基于量测标签的方法进行量测估计关联,并引入高斯元标签进行航迹保持,在此基础上提出了一种航迹管理方法。最后采用量测波门进行量测量测关联,利用关联后的量测产生新生目标。仿真结果表明,该算法可以在提高跟踪效果的同时提升计算效率。     

利用多普勒信息的单步初始化GMCPHD滤波器

标准的带势概率假设密度(cardinalized probability hypothesis density, CPHD)滤波器是一个有效的多目标跟踪算法,但是它假定新生目标的强度函数先验已知,因而无法应用于新生目标在场景中任意位置出现的环境。针对此问题,提出一种单步初始化的高斯混合CPHD滤波器。该滤波器利用位置上远离当前时刻估计状态的观测值单步初始化新生目标。此外,多普勒信息一方面被用来初始化新生目标的速度,另一方面在滤波器更新步骤中,多普勒速度和位置观测信息采用串行更新方法处理。仿真结果表明,所提算法在目标数的估计精度和优化子模式分配距离方面优于已有算法。     

空间机动目标跟踪的改进自适应IMM算法

针对使用模型似然函数比对传统交互多模型(interacting multiple model, IMM)算法模型转移概率实时修正存在奇异的问题, 基于所提修正函数给出一种改进自适应IMM算法。首先, 将白噪声模型与扩展卡尔曼滤波(extended Kalman filter, EKF)算法结合, 设计了非机动模型EKF1及机动模型EKF2作为IMM算法模型集。其次, 预报模型采用适应椭圆参考轨道的非线性相对轨道动力学方程以提高模型预报精度。最后, 分析了速率量测信息对减小机动目标跟踪峰值误差的作用。仿真结果表明, 改进的模型转移概率自适应IMM-EKF算法跟踪精度明显提高, 且优于比较的现有方法; 引入速率量测信息后, 最大峰值误差及估计精度得到了改善。     

基于随机集理论的模糊观测多目标跟踪方法

为解决传感器观测数据具有不确定性和模糊性的多目标跟踪问题, 首先给出了模糊观测的随机子集表示及其似然函数构造方法; 然后利用所构造的似然函数, 并结合概率假设密度(PHD)滤波器来实现模糊观测的多目标跟踪. 仿真结果显示, 标准PHD滤波器在模糊观测下会出现目标数目估计不准确的问题. 针对这一问题, 在分析了该问题产生原因的基础上, 通过改进PHD滤波器的更新过程, 提出了一种单量测独立更新的PHD滤波方法. 仿真结果表明, 在模糊观测下, 改进算法能得到比标准PHD滤波方法更准确的目标数目估计和更高的跟踪精度.     

自适应CS模型的强跟踪平方根容积卡尔曼滤波算法

对于目标跟踪过程中的强机动问题,基于当前统计(current statistical, CS)模型和改进的强跟踪平方根容积卡尔曼滤波器(square root cubature Kalman filter, SCKF),提出新的跟踪算法。在CS模型和改进输入估计算法的基础上,引入加加速度估计,使得状态过程噪声与状态协方差矩阵相联系,实现模型的自适应调整。从正交性原理出发,重新确定了渐消因子的引入位置,并提出了新的渐消因子计算形式,以克服传统渐消因子在雷达量测坐标系中的失效问题,从而构造强跟踪平方根容积卡尔曼滤波器。另外,构造强机动检测函数,利用SCKF的输出来调整自适应CS模型中的机动频率。仿真结果表明,相比基于CS模型的多重渐消因子强跟踪SCKF算法、改进CS模型的强跟踪SCKF(SCKF STF)算法和交互式多模型(interacting multiple model, IMM)SCKF算法,所提算法具有更佳的目标机动适应性和跟踪精度;相比于IMM SCKF算法,实时性有明显改善。     

基于ANFIS的自适应机动目标状态估计算法

针对基于当前统计(current statistics,CS)模型的机动目标状态估计算法对机动目标加速度的极限值依赖性大的缺陷,提出了一种利用自适应神经网络-模糊推理系统(adaptive neuro-fuzzy inference system, ANFIS)自适应调整目标状态噪声方差的方法。首先利用ANFIS算法对目标机动强度进行估计,进而对目标状态噪声协方差矩阵进行自适应调整;然后利用粒子滤波(particle filter, PF)算法对目标状态进行估计。仿真结果表明,与该方法能够有效提高目标状态估计的精度。     

弹道导弹的雷达测轨算法

研究了弹道导弹的雷达轨道估计问题。为了解决雷达探测距离远、角度误差大、椭圆轨道计算量大和目标运动轨迹摄动大等恶劣条件下的测轨预报,并且能充分利用雷达测量误差分布的方向性以提高算法的精度和自适应能力,本文提出了机动检测多模型的目标状态估计器的预处理—给定两个时刻目标位置的轨道参数初算—多目标位置状态参数下的最小方差估计的目标轨道最优估计方法。通过对某型号防空导弹的制导控制系统仿真,可以看出该雷达目标测轨算法使其控制系统有很好的中末制导交接条件。     

截断的自适应容积粒子滤波器

在现有的高斯粒子滤波算法(Gaussian particle filter, GPF)中,粒子的重要性密度函数是由高斯滤波器（Gaussian filter, GF）结合当前最新量测来构建的。在高精度、强非线性的量测条件下,传统GF并不能很好地近似状态真实后验概率密度函数,为了解决这一问题,提出一种截断的自适应容积卡尔曼滤波器,并用其来构建粒子的重要性密度函数,从而推导出了截断的自适应容积粒子滤波器。仿真表明,在高精度、强非线性的量测条件下,所提出的滤波算法比现有的GPF具有更高的估计精度。     

基于GM-PHD滤波的空间邻近多目标跟踪算法

针对传统的高斯混合概率假设密度(Gaussian mixture probability hypothesis density,GM-PHD)滤波器在跟踪空间邻近目标时存在错误估计、虚警和漏警问题,本文提出了一种改进算法.首先,提出一种权值重分配方案,对目标的高斯分量权值进行重分配,以提高目标邻近时GM-PHD滤波器的...     

基于自适应渐消EKF的FastSLAM算法

快速同时定位与建图(fast simultaneous localization and mapping, FastSLAM)算法的采样过程会带来粒子退化问题,为了改进算法的性能,提高估计精度,从研究粒子滤波的建议分布函数出发,提出基于自适应渐消扩展卡尔曼滤波(adaptive fading extended Kalman filter, AFEKF)的FastSLAM算法。该算法基于FastSLAM的基本框架,利用AFEKF产生一种参数可自适应调节的建议分布函数,使其更接近移动机器人的后验位姿概率分布,减缓粒子集的退化。因此在同等粒子数的情况下,该算法有效提高了SLAM精度,以此减少所使用的粒子数,降低算法的复杂度。基于模拟器和标准数据集的实验仿真结果验证了该算法的有效性。     

基于投影滤波的突发事件危险源位置估计问题研究

针对确定突发事件中危险源的位置估计问题,提出一种基于hermit基函数的投影滤波方法.通过将其概率解投影到指定状态空间中,通过投影空间中的艾尔米特基函数构造出近似解,即状态的先验概率密度函数,最后由贝叶斯估计得到状态的后验概率密度函数,给出算法的收敛性和计算复杂度分析.仿真实验证明投影滤波方法有效减少滤波估计中所需的计算量,并提高了估计精度.     

基于雷达辐射源信号特征的类别信息辅助GM-PHD滤波器

雷达辐射源目标跟踪在军事应用领域具有重要的意义。结合目标类别信息有助于提高高斯混合概率假设密度(Gaussian mixture-probability hypothesis density,GM-PHD)滤波器多目标跟踪的性能,但电子侦察系统获得的雷达辐射源信号信息无法直接应用于上述滤波器。为此,先利用辐射源信号特征进行雷达类型识别,然后基于可传递信度模型根据雷达平台的配属关系将该识别结果转换到与已知类别信息相同的辨识框架内。在此基础上,采用相容系数度量其相似度用以近似GM-PHD滤波器中的量测似然值,从而实现类别信息的辅助目标跟踪。仿真实验表明,在不同的杂波密度下所提方法能够有效提高GM PHD滤波器的跟踪性能。     

模糊自适应强跟踪卡尔曼滤波器研究

针对卡尔曼滤波器对系统模型依赖性强、鲁棒性差和跟踪机动目标能力有限的问题,提出了一种具备模糊自适应特点的模糊强跟踪卡尔曼滤波器(fuzzystrongtrackingKalmanfilter,FSTKF)。这种方法主要利用模糊逻辑自适应控制器监测残差均值与标准差,并根据模糊规则动态调整弱化因子,从而对强跟踪滤波器中多重次优渐消因子进行自适应调整,进一步提高滤波器的估计性能。仿真结果表明,该改进滤波器跟踪机动目标的精度高于常规卡尔曼滤波器和强跟踪卡尔曼滤波器。     

分布式无源定位技术的定位精度提高方法

为了提高无线传感器网络在无源定位时的定位精度,提出一种基于偏移圆圆心估计的定位误差校正(positioning error correction, PEC)算法。在PEC算法中，利用两步定位法在传感器获取的目标距离信息中获得的目标位置估计作为初值。在极坐标系中，将沿极径方向的固定偏移量引入到测距残差中形成偏移圆。利用偏移圆圆心的位置矢量对目标位置初始估计进行校正,从而获得更精确的目标位置估计。与经典分布式无源定位算法相比, PEC算法对传感器布局具有更强的适应性和更高的精度,在不同的传感器测距精度下均有较优异的性能,具有良好的工程应用前景。     

分布式无源定位技术的定位精度提高方法

为了提高无线传感器网络在无源定位时的定位精度,提出一种基于偏移圆圆心估计的定位误差校正(positioning error correction, PEC)算法。在PEC算法中，利用两步定位法在传感器获取的目标距离信息中获得的目标位置估计作为初值。在极坐标系中，将沿极径方向的固定偏移量引入到测距残差中形成偏移圆。利用偏移圆圆心的位置矢量对目标位置初始估计进行校正,从而获得更精确的目标位置估计。与经典分布式无源定位算法相比, PEC算法对传感器布局具有更强的适应性和更高的精度,在不同的传感器测距精度下均有较优异的性能,具有良好的工程应用前景。     

基于辅助信标的无人机协同目标跟踪

针对无人机姿态角误差与观测误差影响目标定位精度问题, 构建基于辅助信标的无人机协同目标跟踪模型, 提高了对目标的定位精度。提出基于辅助信标的姿态校正方法, 利用辅助信标的精确位置实时校正无人机的姿态角, 减小姿态角误差对定位精度的影响。根据双无人机的最优观测构型, 设计双无人机协同控制律, 得到无人机观测的优化轨迹, 以提高无人机对目标的观测质量, 最后采用容积卡尔曼滤波算法得到目标的状态估计。仿真结果表明该算法能有效减小无人机姿态角误差和观测误差对目标定位的影响, 提高目标跟踪精度, 具有一定的工程应用价值。     

基于自适应的单形采样UKF组合导航算法

在SINS/GPS组合导航系统中,传统的无迹卡尔曼滤波 (unscented Kalman filter,UKF)采用对称采样无迹变换(unscented transform,UT),计算量大,而且采样点到中心点的距离会随着状态维数的增加而增大,产生采样的非局部效应。针对以上问题,利用最小偏度单形采样策略降低UKF计算量以提高系统的实时性,采用比例UT变换来解决采样过程中的非局部效应,通过自适应调整比例因子来提高UKF的估计精度。由此引入了一种改进的UKF算法——自适应比例无迹卡尔曼滤波(adaptive scaled unscented Kalman filter, ASUKF)用于SINS/GPS组合导航系统中。仿真结果表明,这种方法计算量小且精度较高。