强噪声背景下鲁棒的说话人跟踪

针对强噪声背景下的说话人跟踪系统,提出了一种适应于噪声统计特性未知的无迹扩展H∞粒子滤波方法,并将其应用于强噪声背景下的说话人跟踪问题.首先,将无迹变换(UT)变换引入到适用于噪声统计特性未知的EHF中取代复杂的雅克比矩阵计算,降低观测方程线性化引起的误差;接着,采用生成的无迹扩展H∞滤波优化重要性概率密度函数,将最新观测信息引入到粒子修正过程;最后,对本方法的粒子采样实现和权重更新步骤进行了详细分析.仿真分析表明:本方法有效提升了在信噪比较低情况下的跟踪精度和鲁棒性.     

考虑观测噪声扰动的修正H_∞滤波方法

为有效改善观测噪声方差对滤波估计精度的影响,提出了一种考虑噪声扰动的修正H_∞滤波方法.首先,在扩展H_∞滤波架构内利用无迹变换代替运算复杂的雅克比矩阵计算,并采用高斯密度近似滤波的方法来减小了观测方程线性近似误差;然后,对状态协方差矩阵的均方根进行柯西分解,采用对角元素求解的方法,降低了观测噪声的扰动误差对滤波估计精度的影响.仿真结果表明,该方法对观测噪声的扰动效应具有较强的鲁棒性.     

非高斯噪声背景下计算机视觉目标跟踪方法

针对杂波背景下计算机视觉目标跟踪问题,提出一种非高斯噪声背景下计算机视觉目标跟踪方法.在视频目标运动模型和观测模型的基础上引入了柯西混合噪声模型,对非高斯噪声运动目标的状态进行建模;然后,在传统高斯噪声粒子滤波的框架内给出文中方法的具体实现步骤.针对大面积遮挡和夜晚光照改变的极端情况下对路上行驶的车辆进行实时跟踪实验,结果表明:文中方法明显提升极端杂波环境下的目标运动过程的建模精度,有效提升目标跟踪精度.     

基于平方根UKF的水下纯方位目标跟踪

为了避免被动跟踪中非线性性带来的计算复杂化及跟踪精度的下降,该文将平方根无迹卡尔曼滤波(SR-UKF)算法应用到水下仅测角目标跟踪.利用协方差平方根代替协方差参加递推运算,解决了标准无迹卡尔曼滤波(UKF)算法中由于计算误差和噪声等因素有可能引起误差协方差矩阵负定而导致滤波结果发散的问题,保证了滤波算法的数值稳定性,提高了跟踪的精度和可靠性.仿真结果表明,SR-UKF非线性滤波算法应用于水下仅测角目标跟踪系统是有效的,而且滤波精度、稳定性和收敛时间明显优于扩展卡尔曼滤波(EKF)和标准UKF算法.     

基于H_∞滤波器的交互多模型算法

为了解决在实际情况中噪声的统计特征信息经常残缺甚至完全未知的问题,在量测噪声的协方差未知的前提下,提出了一种方法解决含有马尔可夫参数线性离散系统的估计问题.在交互多模型算法的基础上融合H_∞滤波器构造估计器,得到交互过程中必需的噪声统计特征,进而对目标的状态进行估计.该方法不但解决了噪声信息缺失问题,而且保留了交互多模型算法的优异性能.通过与单模型H_∞滤波进行比较,试验仿真结果证实了该算法的有效性.     

非高斯条件下基于粒子滤波的目标跟踪

介绍了粒子滤波的基本思想和具体算法实现步骤，在给出的闪烁噪声统计模型基础上，将粒子滤波算法应用在雷达目标跟踪中，解决了闪烁噪声情况下的雷达目标跟踪问题．仿真结果表明，在满足高斯噪声条件下，扩展卡尔曼算法和粒子滤波算法跟踪性能相近，但若考虑雷达的闪烁噪声，则随着闪烁影响增强，扩展卡尔曼算法跟踪性能严重下降，而粒子滤波算法能继续保持较好的跟踪精度．     

一种基于自适应粒子滤波的多层感知器学习算法

针对神经网络状态空间模型中系统噪声统计特性未知导致滤波发散或者滤波精度不高的问题,提出一种自适应的粒子滤波神经网络训练算法.该算法用粒子滤波估计网络的权时,利用序贯更新先验信息的序贯可信度最大化方法在线估计未知系统噪声方差.仿真结果表明:该自适应粒子滤波算法明显优于其他传统的神经网络训练算法,如扩展卡尔曼滤波、噪声可调的扩展卡曼滤波、普通粒子滤波等.     

噪声误差自适应修正的子空间盲信道估计方法

因多径衰落的影响,信道估计过程中无法精确获取噪声先验信息,固定方差的估计方法容易导致估计精度降低、鲁棒性变差,为克服噪声协方差引起的误差累积效应,提出了一种考虑噪声统计特性自适应修正的子空间盲信道估计方法.采用自回归过程对信道进行建模,并在粒子滤波框架内建立信道估计与噪声统计特性之间的关系,将粒子预测值和估计值加权求和处理,通过状态和观测模型的噪声协方差自适应调整权值大小来克服信道噪声累积引起的模型漂移问题.对接收信号进行盲信号子空间分解,将估计的信道特征作为初始粒子集合进行滤波初始化设置.仿真结果表明:本文方法不仅能对多径慢衰落信道进行鲁棒精确的估计跟踪,对快衰落信道也保持了较好的估计效果.     

基于集员估计的光电系统目标状态预测方法研究

在光电跟踪系统目标状态估计过程中,噪声统计特性不确定是导致滤波精度下降的主要原因之一。针对该问题,研究了一种基于扩展集员估计的目标状态估计方法,并与扩展卡尔曼滤波算法做了比较。结果表明,在保证滤波精度前提下,基于噪声特性未知但能量有界(Unknown but Bounded-UBB)假设的扩展集员估计方法能有效克服噪声统计特性不确定造成的影响,具有较强的工程实用性。     

基于CRPF的MIMO雷达目标检测前跟踪算法

在对机动弱目标进行检测过程中,由于回波信号含有杂波、干扰等噪声,其统计特性未知,难以对回波信号进行数学建模,无法得到后验概率密度函数,传统的粒子滤波算法性能大幅下降.针对此问题,提出了基于代价参考粒子滤波的MIMO雷达目标检测前跟踪算法.该算法无需背景噪声的统计特性,只需利用目标状态的估计值与真实值之间的差值计算各粒子的代价和权值,避免了通过对噪声进行建模来求得后验概率密度的问题.实验仿真证明,当噪声统计特性未知时,所提算法检测跟踪性能明显优于传统粒子滤波算法.     

基于支持向量回归机的自适应差分滤波算法研究

针对差分滤波(DDF)算法存在因噪声统计特性与实际不符而导致的滤波精度降低甚至发散的问题,提出了一种基于支持向量回归机的自适应差分滤波(SVRADDF)算法.将测量值的新息协方差与理论协方差之间的差值作为支持向量回归机的输入、输出调节噪声统计特征的自适应因子,实时修正DDF噪声协方差,根据实际噪声变化调整噪声协方差矩阵,从而提高滤波精度.针对水下目标纯方位角跟踪系统的蒙特卡洛仿真实验表明,在相同初始噪声特性条件下,所提出的SVRADDF算法具有较好的估计效果和鲁棒性,估计精度、稳定性及收敛时间等性能明显优于单纯DDF算法.     

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.     

基于扩展H_∞粒子滤波算法的视觉伺服雅可比矩阵在线辨识

为提高图像雅可比矩阵在线辨识精度,进而提高机器人轨迹跟踪的准确性,研究了基于图像的机器人视觉伺服系统中雅可比矩阵在线辨识方法。在非高斯环境下以机械手跟踪运动为应用实例,采用一种扩展H_∞粒子滤波算法对图像雅可比矩阵进行在线辨识,并且与卡尔曼滤波算法进行对比实验研究。实验结果表明,扩展H_∞粒子滤波算法具有较高的辨识精度和较强的鲁棒性,机器人轨迹跟踪精度得到提高,而且耗时较短,验证了扩展H_∞粒子滤波算法的有效性。     

迭代无味卡尔曼滤波的目标跟踪算法

针对目标跟踪迭代无味卡尔曼滤波(IUKF)算法中跟踪精度较差的问题,提出一种基于状态扩展技术的改进迭代无味卡尔曼滤波(IIUKF)算法.新算法首先将观测噪声扩展进状态,构造关于扩展状态的零噪声观测方程,然后在观测迭代过程中将最新的扩展状态后验估计代入更新公式,进行观测迭代更新.相比IUKF算法,IIUKF算法不仅形式上更为简洁,而且避免了IUKF算法中先验估计和观测噪声非统计正交的问题,滤波精度更高.数值仿真表明,IIUKF算法的跟踪误差比IUKF算法减小了20%以上.     

闪烁噪声下目标跟踪的容积粒子滤波算法

针对闪烁噪声下非线性非高斯系统的目标跟踪问题,首先建立了闪烁噪声的数学模型;然后分析了传统粒子滤波算法的优劣点,在此基础上,引入容积卡尔曼滤波算法,重新设计粒子滤波的重要性密度函数,提出用容积粒子滤波算法来跟踪目标。最后进行了仿真分析与对比。仿真结果表明,闪烁噪声条件下,容积粒子滤波算法的跟踪误差分别是传统粒子滤波算法和无迹粒子滤波算法的1/5和1/2,有更高的跟踪精度;而运行时间仅是无迹粒子滤波算法的1/2,且跟踪稳定性更好。     

基于色彩相关直方图和粒子滤波的目标跟踪

为了提高视频运动目标跟踪的准确性,特别是为了提高在运动目标与背景颜色相近的情况下,或者目标发生了旋转或部分遮挡情况下的跟踪效果,提出一种基于色彩相关直方图和粒子滤波的彩色物体跟踪算法.该算法在粒子滤波基本框架之下,将目标色彩自相关直方图作为目标的描述特征,用于衡量不同预测状态与观测状态之间的色彩相关性.色彩相关直方图将...     

无人机组合导航系统的自适应算法研究

无人机组合导航滤波器的设计需要考虑器件和外部环境不稳定带来的影响。同时在飞行过程中也面临着组合导航系统噪声和量测噪声统计特性不确定问题,从而导致滤波精度低、稳定性差,还有可能发散。采用常规卡尔曼滤波无法解决此问题。为此研究了一种基于UKF的自适应卡尔曼滤波算法。在系统噪声统计特性未知时,此算法能自动平衡状态信息与观测信息在滤波结果中的权比,实时调整状态向量和观测向量的协方差,从而提高系统的性能。仿真结果显示,使用自适应UKF算法与普通的UKF算法相比,可以获得更优的导航精度和稳定性。     

基于EM算法的随机动态系统建模

提出一种在噪声统计信息未知的情况下,对随机动态系统模型进行建模的方法.采用状态空间模型描述随机动态系统,模型的参数通过EM算法进行估计,通过改进该算法中的Kalman滤波,实现了对噪声协方差矩阵的估计.基于改进的Kalman滤波,EM算法可以用于噪声统计信息未知的动态系统建模.     

融合背景信息的改进粒子滤波跟踪算法

为消除传统粒子滤波算法在跟踪目标受到相似背景干扰和遮挡时,容易造成跟踪误差增大或跟踪失效的影响,提出融合背景信息的改进粒子滤波跟踪算法.利用对数似然函数将背景信息融入目标模型,并将目标分为多个子区域增强目标模型的可靠性,有效克服了相似背景对目标的干扰;然后存储一定时间的历史轨迹信息,通过最小二乘法进行拟合并预测下一帧目标出现的位置,有效克服了遮挡对跟踪的影响.实验结果表明,该算法比传统的粒子滤波算法具有更强的抗背景干扰能力,在遮挡情况下也有更好的跟踪精度.     

基于自适应UKF的锂离子动力电池状态联合估计

针对由静态的电池模型参数而造成的状态估计累计误差、噪声统计特性的时变不确定性等实用化的问题,基于无迹卡尔曼滤波(unscented Kalman filter, UKF)框架设计了一种自适应UKF的电池状态联合估计算法.在无迹变换(unscented transform,UT)时,对量测方程进行准线性化处理,降低了循环迭代过程中的计算开销;利用带遗忘因子的Sage-Husa自适应估计方法对过程噪声的统计特性参数进行递推估计与修正,提高了UKF估计算法的自适应容错能力;实时跟踪滤波的收敛性,若呈发散趋势时,通过自适应衰减因子对误差协方差进行调整以抑制滤波发散,保证了滤波过程的数值稳定性;采用联合估计策略对一阶Thevenim电池欧姆内阻模型参数进行在线更新,以确保动态测试工况下电池模型的准确性,从而提高了电池荷电状态(state of charge,SOC)以及电池健康状态(state of health,SOH)的估计精度.实验与仿真结果验证了该电池状态联合估计算法的可行性与有效性.