基于随机集的传感器网络多目标航迹跟踪研究

针对利用有限集统计理论对声学WSN下的多目标跟踪时,无法实现前后两个时刻目标状态的关联问题,利用最近邻方法和粒子标签法对WSN多目标的航迹跟踪问题进行了研究。仿真结果表明,两种算法都能够有效实现对多个目标航迹的跟踪;另外,粒子标签方法进行多目标跟踪时能够同时实现对多目标状态的估计和对多目标航迹的跟踪。     

粒子PHD滤波存活粒子采样新方法

针对多目标跟踪粒子概率假设密度滤波算法中存活粒子的重要性密度采样问题,给出一种结合最新量测信息的存活粒子重要性密度采样新方法.该方法根据最新量测集中的各个最测与目标粒子的单步预测状态的似然值,以概率选取量测值,利用无迹变换获得粒子的重要性密度函数,并对其进行采样实现粒子概率假设密度滤波中存活粒子的采样,有效地减轻了粒子的退化现象. 3目标跟踪仿真试验中,当目标模型与跟踪算法使用的目标模型不匹配时,采用所提出的存活粒子采样方法的粒子概率假设密度滤波算法最优子模式分配距离下降约70km.论文给出的存活粒子采样新方法显著地提高了多目标跟踪粒子概率假设密度滤波算法的鲁棒性.     

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。     

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。     

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。     

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。     

混合粒子滤波被动定位算法

为实现空中机动单站对运动目标的快速无源定位,提出了一种基于测向交叉定位方法的混合粒子滤波算法.针对粒子滤波初始化存在的问题,该算法从测向交叉定位方法得到建议分布,利用角度测量对状态变量的约束关系产生所需粒子,避免了粒子滤波产生粒子时的随机性,减少了高维情况下所需的粒子数目,降低了运算成本,提高了粒子滤波的实时性能.与粒...     

面向多目标跟踪的PHD滤波多传感器数据融合算法

针对密集杂波环境下单传感器应用高斯混合PHD算法进行多目标跟踪时性能下降的问题,提出一种面向多目标跟踪的PHD滤波多传感器数据融合算法。首先构建了基于高斯混合PHD滤波的多传感器数据融合系统框架,各传感器利用高斯混合PHD滤波算法进行局部状态估计,然后对各传感器的状态估计结果进行关联度计算,最后通过构建自适应混合参数,引入协方差交叉算法对关联状态进行融合。仿真实验表明,与单传感器高斯混合PHD多目标跟踪算法相比,所提算法有效提高了目标数量和状态的估计精度。     

基于随机集理论的多目标跟踪方法

多目标跟踪问题通常包括目标信号的检测与目标状态的估计,同时还涉及到对探测范围内目标数量的确定。传统的跟踪方法将目标检测、状态估计与数量确定分别使用独立的模块或算法来处理。在这种模式下,每个模块仅考虑测量数据中与其功能直接相关的信息,模块之间没有信息的交互,因而很难得到全局最优的解。基于随机集理论的多目标跟踪方法将场景内的全部目标看作一个全局变量,目标状态与目标测量分别构成各自的随机有限集。从而多目标跟踪问题可以放在一个随机集模型下的贝叶斯滤波框架中研究。在每一个滤波周期内,通过对随机集的处理,实时地估计目标的数量、状态与类型,实现多目标的联合检测、跟踪与识别。     

非线性滤波方法在水下目标跟踪中的应用

在对扩展卡尔曼滤波、不敏卡尔曼滤波和粒子滤波3种非线性滤波方法进行研究的基础上,对粒子滤波算法的重要性密度函数的选取方法进行了研究。结合水下目标的被动跟踪的应用背景,比较了3种滤波算法在水下目标跟踪中的性能差异。结果表明,粒子滤波算法能较好的用于非线性、非高斯条件下的水下目标跟踪。