一种改进的均方根容积粒子滤波算法

传统的粒子滤波算法在重要性采样估计时忽略了当前量测影响。在非线性场景下,传统的粒子滤波导致个别粒子具有大权值,造成估计结果精度差。针对该问题,结合均方根容积卡尔曼滤波(SCKF)算法和Gating技术,提出了一种新的重要性函数估计算法。本算法将后验概率作为重要性采样函数,通过利用SCKF和统计距离,建立粒子与量测的关联关系,实现对重要性采样函数的均值和协方差矩阵的估计。而后,使用粒子滤波算法,对多目标状态和数目进行估计。实验表明,在非线性跟踪场景下,本算法估计精度高,估计结果稳定。     

基于改进遗传粒子滤波与SME的多目标跟踪算法

针对基于对称量测方程的多目标跟踪,传统的滤波手段无法解决因对称变换带来的非高斯问题,提出一种新的遗传粒子滤波方法。新的滤波算法利用粒子的噪声含量与权值的负相关,改进了更新过程中权值计算所依赖的概率密度函数,避免了新量测噪声的求解。同时利用遗传算法的优势,保障了粒子的多样性,提高了粒子的使用效率,防止了滤波发散及局部最优。仿真结果表明,基于对称量测方程的多目标跟踪中,改进的遗传粒子滤波算法较扩展卡尔曼滤波算法、不敏卡尔曼滤波算法和联合概率数据关联滤波算法跟踪效果更好。     

边缘化粒子概率假设密度滤波的多目标跟踪

针对复杂情况下的多目标跟踪问题,提出一种边缘化粒子概率假设密度滤波(MPF-PHD)方法。该方法首先将复杂情况下多个目标的状态向量分别提取出其中的非线性状态与线性状态。然后利用粒子概率假设密度滤波(PF-PHD)估计非线性状态,利用卡尔曼滤波(KF)估计线性状态,并把其中与非线性状态相关的线性状态估计用来优化非线性状态估计。通过对MPF-PHD方法与传统的PF-PHD方法仿真对比,验证了MPF-PHD方法有效解决了复杂情况下多目标跟踪的漏检问题,提高了多目标状态估计精度。     

基于双层粒子滤波的多传感器多目标TBD算法

针对多传感器多目标检测跟踪问题,提出了一种多传感器多目标双层粒子滤波检测前跟踪算法。算法采用双层粒子滤波结构,在目标检测层中采用量测消除法对多目标逐一检测,形成目标跟踪子粒子群,在目标跟踪层中采用二次重采样的方法对粒子群中粒子分布进行修正,在跟踪过程及时发现并剔除虚假目标。仿真结果表明算法的有效性。     

基于粒子群算法的WSN多目标跟踪能量均衡算法

为了满足无线传感网络下多目标跟踪对于跟踪精度与网络寿命的需求,提出一种基于粒子群算法和势均衡多目标多伯努利滤波（cardinality balanced multi-target multi-bernoulli filter,CBMeMBer）的多目标跟踪能量均衡算法。算法通过粒子群算法计算网络能量中心,围绕能量中心形成传感器簇从而改善网络结构,在CBMeMBer滤波的基础上,借助Cauchy-Schwarz散度作为评价函数优化传感器节点量测更新顺序,以保证多目标跟踪精度。通过仿真结果证明算法在多目标跟踪精度与网络能量均衡性上的优势。     

基于概率假设密度滤波的多目标跟踪算法

概率假设密度(PHD)滤波算法在雷达、红外以及可见光等传感器的多目标跟踪中研究越来越广泛。主要研究了基于PHD滤波的多目标跟踪算法的发展现状,简要介绍了PHD滤波算法的基本原理及其在目标运动模型、多检测情况、杂波分布规律假定等方面的研究进展,概述了PHD滤波的实现方法及研究进展,介绍了PHD滤波的主要应用领域,着眼提高目标跟踪精度和实时性的发展要求提出了PHD滤波的展望。     

基于SVM-UPF的雷达弱小目标检测前跟踪算法

针对低信噪比条件下雷达弱小目标的检测与跟踪,提出了基于支持向量机和无迹粒子滤波的检测前跟踪算法。该算法采用无迹卡尔曼滤波生成粒子滤波的重要性密度函数,提高了粒子的使用效率,在此基础上将支持向量机引入到粒子重采样步骤中,通过构建状态的后验概率密度函数来获得多样性的新粒子,有效解决了粒子贫化问题,仿真结果表明,该算法提高了目标的检测概率和跟踪精度。     

基于均值漂移交互多模型粒子滤波算法

针对交互多模型粒子滤波计算量大的问题,将视觉跟踪领域的均值漂移算法(Mean Shift)与交互多模粒子滤波(PF)算法相结合,该算法利用均值漂移算法在重采样之后将粒子收敛到靠近目标真实状态的区域内,在提高定位精度的同时减少所采用的粒子数,减少了算法的运行时间.通过被动跟踪仿真实例,同时使用均值漂移粒子滤波与传统粒子滤...     

基于观测预测粒子滤波的雷达组网目标状态估计

雷达组网系统跟踪目标时,观测数据与目标跟踪状态成严重非线性关系,难以用卡尔曼滤波最优估计方法,处理非高斯非线性系统滤波估计问题的粒子滤波算法容易产生粒子退化问题。因此,使用观测预测粒子滤波算法解决这个问题,该算法基于观测似然进行重要性采样,结合一步预测信息计算粒子权值,保证了采样粒子处于高观测似然区,并充分利用了一步预测信息。仿真验证表明,将观测预测粒子滤波算法应用于目标状态估计,避免了粒子退化,收敛快,估计精度高。     

压制干扰环境下目标跟踪的改进粒子滤波算法

针对压制干扰环境下传统粒子滤波算法跟踪效果不佳的问题,在传统粒子滤波算法的基础之上,融合压制干扰条件下的有用量测信息,构造了一种新的粒子滤波算法。在算法的实现过程中,通过采用伯努利(Bernoulli)分布重新构造了压制干扰环境下发生量测数据丢失的传感器模型,在此基础上通过充分考虑有效量测值以及量测丢失时的一些有用量测信息,推导出了闪烁噪声条件下的似然函数,直接用于粒子权重更新的计算,并且通过纯方位跟踪以及协同转弯机动模型,仿真验证了该算法极大改善了标准粒子滤波算法的稳定性和提升了粒子滤波算法的估计精度。     

基于分层核粒子滤波的快速运动目标跟踪

针对目标发生快速、运动不规则及遮挡等情况下的跟踪问题,提出了一种分层核采样策略。首先通过先验转移和后验转移分别预测2组粒子来建立联合分布,利用聚类算法近似联合分布粒子集的混合高斯分布;然后对每个聚类进行采样;最后采用均值漂移算法将粒子移动到后验密度的局部极值处。实验结果表明:算法在目标发生快速机动情况时,跟踪性能优于传统粒子滤波、核粒子滤波及分层粒子滤波,且对遮挡具有较好的鲁棒性。     

一种基于灰色粒子滤波算法的机动AUV航深内测方法

本文提出了一种将灰色预测和小波变换与标准粒子滤波相结合的灰色粒子滤波算法（GPF）,并将其应用于机动AUV的航深内测。GPF针对机动AUV航深内测过程中由于AUV运动状态未知和测量噪声不断变化而导致的滤波失效问题,在粒子采样过程中结合了标准采样和灰色预测采样,保证了采样得到充分多的有效粒子。在计算粒子权重时,利用小波变换跟踪测量噪声统计特性的变化,提高了各粒子似然概率计算和权重分配的正确性。最后以外测法测得的高精度的机动AUV航深作为真实航深,对该GPF算法进行了实验对比验证,并与EKF和MMPF算法的结果作对比,实验结果表明了本文方法的有效性和实用性。     

一种使用非等权值粒子的确定性粒子滤波算法

介绍了粒子滤波及随机分布的代表点理论,将统计学中的数论方法应用于粒子滤波,使用随机分布的均方差代表点,对粒子滤波中关键的初始粒子生成、重点密度采样及再采样过程给出了相应的代表点算法,得到了一个包含最少随机操作的、使用非等权值粒子的确定性粒子滤波算法。仿真结果表明,确定性粒子滤波算法不仅是可行的,而且其滤波性能及计算效率均有不同程度的提高。     

基于退化速率跟踪粒子滤波的剩余使用寿命预测框架

毋庸置疑,剩余使用寿命预测对于设备的健康管理越来越重要。近年来粒子滤波方法被越来越多地应用到设备寿命预测技术当中,这是因为粒子滤波方法能更好的解决非线性非高斯系统滤波问题,而且能够获得不确定度信息。但该方法的预测性能却过度依赖于预测模型,并且对于模型参数的初始分布也比较敏感,这在一定程度上限制了粒子滤波预测方法的进一步发展。本文针对基本粒子滤波预测方法的不足,提出了一种基于退化速率跟踪粒子滤波的通用预测框架,以历史观测数据的退化速率统计规律作为指导来跟踪目标数据的退化速率,实现对粒子滤波预测方法的简化。并将该方法用于轴承和锂离子电池的剩余使用寿命预测,验证了方法的有效性。     

多机动目标跟踪的BFG-GMPHD算法

针对高斯混合概率假设密度(GMPHD)滤波算法中的机动目标跟踪问题,提出BFG-GMPHD算法,扩展了GMPHD滤波算法的适用范围。算法利用最佳拟合高斯(BFG)分布来近似目标动态模型中的状态转移矩阵和过程噪声的协方差矩阵,实现了滤波器与不同动态模型的匹配;在对BFG分布进行递推时,引入了模型概率更新过程,解决了BFG仅依赖于先验信息的问题;并利用UKF算法对GMPHD的高斯分量进行递推,使得算法能处理量测方程为非线性的情况。仿真实验表明,BFG-GMPHD算法能快速匹配目标模型的变化,实现对多机动目标的有效跟踪,准确估计出目标的数目和状态。     

基于多雷达组网IMM-GMPHDF的机动多目标检测跟踪

高斯混合概率假设密度滤波(GMPHDF)有牢固的理论基础,是解决高斯条件下跟踪强杂波环境中目标数未知的多目标问题的有效方法。但当目标发生机动时,就难以跟踪到目标,因此,在GMPHDF中引入交互多模型(IMM)算法,对继续存在目标的运动模型进行建模,根据计算的模型概率融合各模型滤波器估计得到的继续存在目标概率假设密度,解决了运动模型机动问题。仿真实验表明,IMM-GMPHDF能实时跟踪到强机动超音速多目标,在多雷达组网系统中跟踪强机动超音速多目标精度(OSPA距离均方根误差)能达到70 m,满足了工程使用要求。     

基于粒子滤波的目标跟踪抗野值算法

运用粒子滤波对目标位置进行跟踪时,测量数据的异常突变点、目标的机动转弯、粒子数量的制约和重要性密度函数的优劣都会导致估计误差较大的野值出现,这将严重影响雷达对目标的跟踪精度。现有的野值剔除方法在目标发生机动时,都存在误剔率较高的问题。针对这个问题,采用莱特准则与机动门限准则相结合的方法,提出了不确定观测点的概念,设计了一种适用于机动目标的抗野值粒子滤波算法。仿真结果表明,该方法能较好地检测和更新野值,降低跟踪误差,提高跟踪精度。