标签多伯努利机动目标跟踪与分类算法

针对密集杂波下现有的多机动目标跟踪算法性能衰减严重的问题,提出了一种标签多伯努利目标跟踪与分类算法。首先,引入类别信息对目标状态进行扩维;然后利用类别属性对目标机动模型转移密度进行修正,并推导新的状态转移密度函数,抑制了错误机动模型对目标状态预测的影响;同时,建立目标位置与属性的联合量测似然函数,增大了目标与杂波的区分度,从而增强杂波抑制能力;最后,基于多模型标签多伯努利滤波器框架推导了新的预测、更新方程。仿真实验结果表明:所提算法在高杂波环境下仍能对多机动目标进行有效跟踪,其目标数估计误差及最优子模式分配距离分别约为多模型概率假设密度联合检测、跟踪、分类滤波器的1/2和1/4,为多模型势平衡多伯努利联合检测、跟踪、分类滤波器的3/4和1/2。     

鲁棒标签多伯努利机动目标跟踪算法

针对未知杂波和检测概率的跟踪环境下,标准的标签多伯努利(LMB)算法对机动目标跟踪性能较差等问题,提出鲁棒标签多伯努利机动目标跟踪算法(R-LMB).首先建立真实目标、杂波与检测概率的增广空间模型,然后结合多模型(MM)系统,推导出基于蒙特卡罗(SMC)实现的带有状态标签和LMB元素标签的预测与更新方程.研究结果表明:在杂波和检测概率先验未知的情况下,所提出的算法可实现对目标数和目标状态的准确估计,同时在低检测概率和高杂波强度环境中仍可保证良好的多机动目标跟踪性能.     

高斯混合扩展目标多伯努利滤波器

针对杂波环境下多扩展目标跟踪中数据关联过程复杂的问题,提出一种可同时估计扩展目标状态和目标数的高斯混合扩展目标多伯努利(GM-ET-MBer)滤波器,该滤波器无需对测量与扩展目标进行关联。首先采用伯努利随机有限集和泊松随机有限集分别描述扩展目标的状态和观测;然后结合扩展目标状态的预测信息,推导了扩展目标状态的更新方程,并在线性高斯条件下采用高斯混合方法递推地对扩展目标的状态进行估计跟踪。与高斯混合扩展目标概率假设密度(GM-ET-PHD)滤波器相比,GM-ET-MBer滤波器有效地提高了对目标数的估计精度。仿真结果表明,GM-ET-MBer滤波器和GM-ET-PHD滤波器对目标数估计的标准偏差分别为0.267 3和0.395 3,可知所提滤波器对目标数的估计更稳定。     

箱粒子广义标签多伯努利滤波的目标跟踪算法

针对序列蒙特卡罗广义标签多伯努利滤波(SMC-GLMB)算法计算效率低、实时性差的问题,提出了箱粒子广义标签多伯努利滤波的目标跟踪(Box-GLMB)算法。该算法使用带标签的随机有限集描述多目标的状态,包括目标的位置和速度,并且对每个目标用互不相同的标签进行区分;然后利用箱粒子滤波算法近似单目标状态的概率密度,即用一组带权值的均匀分布拟合单目标状态概率密度;最后通过广义标签多伯努利滤波对多目标状态的概率密度进行预测与更新,从多目标状态后验概率密度中估计单目标的位置与速度,根据目标的标签可以实现航迹跟踪。BoxGLMB算法结合了箱粒子滤波与GLMB算法的优势,能够跟踪目标航迹,同时提高计算效率。仿真结果表明,Box-GLMB算法可以有效估计目标状态以及跟踪目标航迹,相比于SMC-GLMB算法,计算效率提升了62%。     

δ-广义标记多伯努利滤波器的非线性应用扩展

针对非线性模型下δ-广义标记多伯努利(δ-GLMB)滤波器的序贯蒙特卡洛(SMC)实现过程计算复杂度过高、难以实现快速准确滤波的问题,给出了δ-GLMB滤波器的积分卡尔曼高斯混合(QK-GM)实现过程。该算法基于Gauss-Hermite数值积分规则获取一组带权重的积分点,利用这些积分点求取多目标密度函数的均值和协方差矩阵。将该算法与已有的扩展卡尔曼高斯混合(EK-GM)实现、无味卡尔曼高斯混合(UK-GM)实现和SMC实现在不同的杂波强度和检测概率条件下就多目标跟踪精度和时间消耗等方面做了较为详细的对比,结果表明,与SMC实现方法相比,QK-GM-δ-GLMB算法能以完全可接受的时间开销为代价,将多目标跟踪精度提高10%以上。该算法为δ-GLMB滤波器在非线性场景中的应用提供了一种新的实现方法。     

基于贪婪量测划分的隐身目标跟踪MS-LMB滤波器

针对隐身目标的跟踪,本文将贪婪量测划分的方法应用于多传感器标签多伯努利(MS-LMB)滤波器中,较好地解决了低检测概率下的多雷达跟踪问题. 传统的MS-LMB滤波器一般采用吉布斯采样来解决量测划分问题. 当雷达网中多数雷达对隐身目标的检测概率较低而处于漏检状态时,目标的似然权值将偏小而很难被吉布斯采样获取,从而难以准确估计隐身目标的状态. 贪婪量测划分机制由于单独考虑了包含漏检项的量测集,可有效解决此问题. 仿真实验结果表明,在隐身目标的跟踪中,采用贪婪量测划分的MS-LMB滤波器的滤波性能明显优于采用吉布斯采样的MS-LMB滤波器的性能.      

基于遗传算法混合有源滤波器参数的多目标优化

为了解决混合有源滤波器(hybrid active pow erfilter,HAPF)参数匹配以及无源部分和有源部分容量的合理分配,提出一种基于小生境遗传算法的多目标满意优化设计方法,较为全面地考虑HAPF的容量、滤波效果、无功补偿等因素,使得多目标参数求解达到协调满意的效果。优化结果表明:有源部分容量仅为滤波器容量的6.4%,电流总畸变率降低到0.8%,同时满足系统无功功率需要,降低了HAPF系统的投资,提高性能价格比,达到HAPF实用化及谐波抑制的目的。     

基于粗糙熵和目标威胁等级的多传感器管理方法

随着现代化武器平台的快速发展,多传感器管理在信息融合系统中所占据的地位越来越重要,因此,需要对有限的传感器资源进行科学合理的管理,提高防空作战能力.针对多传感器资源管理优化问题,分析了粗糙熵的定义,提出了基于粗糙熵和目标威胁等级的多传感器管理方法.该方法通过计算传感器对目标的粗糙熵,获得每个传感器对每个目标最大的信息增益,以此作为代价函数,考虑目标的威胁等级,利用线性规划思想进行多传感器对多目标的优化分配,实例分析表明了该方法的有效性.     

多传感器单通道信息融合Wiener滤波器

应用现代时间序列分析方法,对于带白色观测噪声的单通道ARMA信号,基于ARMA新息模型,提出了多传感器线性最小方差最优信息融合Wiener滤波器,可统一处理滤波、平滑和预报问题。同单传感器情形相比,可提高滤波精度、算法简单、便于实时应用。一个跟踪系统的仿真例子说明了其有效性。     

多传感器加权观测融合Wiener反卷积滤波器

基于Kalman滤波方法,应用加权观测融合方法,提出了全局最优观测融合Wiener反卷积滤波器。同集中式观测融合方法和分布式状态融合方法相比,不仅可获得全局最优Wiener反卷积滤波器,而且明显减小计算负担,便于实时应用。一个四传感器加权观测融合仿真例子说明了其有效性。     

基于无迹卡尔曼滤波和协方差交叉融合的分层多簇无线传感器网络多速率跟踪算法

针对无线传感器网络(WSNs)在跟踪过程中精度低,性能差等缺点,提出基于无迹卡尔曼滤波(UKF)和协方差交叉(CI)融合的分层多簇WSNs多速率跟踪算法。将传感器分成多个簇,同一簇中的传感器可以采用不同的采样和传输速率对目标的数据进行采集和传输。首先,采用UKF处理传感器节点采集的数据,生成局部估计。然后,利用CI融合算法将收集到的局部估计值形成融合估计。通过定义一个附加权重因子,为真实协方差的不确定性定义一个更严格的界限。仿真验证了方法的有效性,采用多速率分层融合估计的精度更高,效果更明显。     

基于卡尔曼滤波多目标追踪的家用精子活力检测算法研究与验证

针对传统精液分析方法存在的主观性差异、操作繁琐和不适合便携式家用检测等问题,研究并验证了一种基于卡尔曼滤波多目标追踪技术的精子活力检测系统算法. 首先,通过叠加平均法,获取静态精子数量,根据三帧差法获取运动精子质心位置;然后,使用卡尔曼多目标追踪方法绘制运动目标轨迹,再根据筛选条件获取运动精子数量;最后,综合静态与运动精子数量评价精子活力. 通过对实际采集的7组样本图像进行分析,研究结果表明：该系统所检测精子的活力值与人工检测的活力值相差较小,基本满足了家用精子活力检测的需求.     

有源电力滤波器常用控制策略的分析比较

针对有源电力滤波器(APF)的控制,将几种适用于有源滤波控制算法进行对比分析,简要介绍了比例积分控制、滞环控制、无差拍控制、三角波调制、单周控制、空间矢量控制、变结构控制及滑模控制、重复控制、预测控制、模糊控制等几种目前应用较为广泛的控制策略.在分析其工作原理的同时,指出各自的优缺点和应用范围,并对部分控制算法的发展方向进行了探讨性阐述.     

无线传感器网络在战场目标跟踪中的应用

介绍了无线传感器网络的基本概念和体系结构,探讨了无线传感器网络技术在战场目标跟踪定位方面的应用原理,实现了一个简易的目标跟踪系统,并对系统运行结果进行了分析。     

无线传感器网络多目标跟踪数据融合

在基于无线传感器网络多目标跟踪数据融合系统研究的基础上，提出了改进的模糊聚类平均算法，并给出了相应的集中式数据融合整体方案．算法将每一批观测数据按照航迹估计位置的关联门限进行划分，然后分别对航迹和关联门限内的采集信息进行模糊关联，再把获得的最大关联度数据分配给各条航迹作为目标的实际位置．数据融合的思路是，删除所有关联门限内的数据，将剩余数据再进行航迹起始模块处理．模拟实验表明，所提算法可解决多目标跟踪的误跟、漏跟和振荡问题，数据融合方案既能保存有用信息，又能去除冗余数据，进而有效避免了漏跟和重复跟踪的问题．     

基于能效的分布式轻量级WSN目标跟踪算法

针对不确定性复杂运动目标跟踪中的节点调度以及节能问题,提出了基于能效的无线传感器网络分布式多节点协作的目标跟踪算法.根据监控区域内目标的运动状态以及局部区域的节点密度,利用节点的剩余能量和调度情况,确定无线传感器网络在跟踪目标过程中的簇规模,使网络的局部能量消耗达到均衡.利用高斯Cost-Reference粒子滤波对目标进行跟踪,以减少对噪声建模的依赖性.仿真结果表明,该算法达到了跟踪精度的要求,解决了节点调度问题,并有效地均衡了网络能耗.     

基于LCL滤波的PWM整流器新型控制策略

针对LCL滤波器存在的谐振问题,提出一种基于固定开关频率控制的LCL滤波PWM整流器控制策略.利用系统延时和固定开关频率控制本身的阻尼,通过调节PI调节器的采样时间实现系统稳定,采用简化电容传感器设计,优化系统结构.仿真实验及结果分析表明,系统动态性能良好,网侧电流谐波明显减少,滤波器产生的谐振得到了有效抑制.     

错误测量下节点选择策略对跟踪精度的影响

为了实现一定比例错误测量下的目标跟踪,构造了节点与目标的简化模型;在粒子滤波基础上,采用贝叶斯估计获得先验概率;利用前一时刻的位置、速度估计和估计因子,得到每一个在探测范围内的节点到目标的最远和最近距离;再结合节点本身的测量值计算每一粒子相应的权值,然后加权得到范围内节点测量值的可靠性集合,从该集合中选择可靠的测量值作为跟踪估计依据.根据不同的权值计算方法,分为节点关联选择策略和二进制节点选择策略.仿真结果表明：在目标运动速度〈3m/s和错误测量概率〉0.1的情况下,采用节点关联选择策略的RBMCDA算法的跟踪精度优于单纯选择3个较大RSSI值的RBMCDA算法至少1倍.     

三相四开关并联型有源电力滤波器控制策略研究

提出将改进的七段式SVPWM算法运用于三相四开关并联型有源电力滤波器(TFSSAPF),并设计比例积分和快速重复控制并联的指令电流控制系统.文中SVPWM算法在传统clark变换基础上,基本电压空间矢量通过坐标旋转方法使之与两相静止坐标系的坐标轴相重合,简化了参考电压矢量扇区判断和合成参考矢量的相邻矢量作用时间的计算量.仿真结果证明该SVPWM算法的有效性和正确性,所设计的指令电流控制系统能优化APF补偿效果.     

基于卡尔曼滤波的多特征加权最近邻数据关联与跟踪算法

针对传统最近邻数据关联算法正确率较低且容易出现漏关联的问题,提出一种多特征加权的最近邻关联算法。根据智能车环境感知系统获得的障碍物特征数据,定义了一种相似度函数,提出基于生命周期计算有效关联度的方法,从而判定目标是否关联;基于卡尔曼滤波对关联目标进行迭代更新,实现对目标的跟踪;通过实验对比了静止目标、无交互的低速运动目标和有交互的低速运动目标的跟踪轨迹。结果表明,与传统的最近邻数据关联算法相比,所提出的改进算法可以实现对低速运动目标准确连续的关联跟踪,不会出现目标丢失或位置突变的现象,且跟踪目标的交互与遮挡对跟踪效果影响较小,具有较高的有效性与实用性。研究结果可为智能车辆的目标跟踪设计提供参考。