基于QMC-IPF-JPDA的多目标无源协同定位算法

针对杂波环境中多目标的检测跟踪问题,提出一种基于拟蒙特卡罗智能粒子滤波联合概率数据关联的无源协同定位算法。该算法建立双基站无源协同定位系统目标检测跟踪的数学模型。通过拟蒙特卡罗技术使粒子分布更加均匀,并对更新阶段的粒子进行交叉变异以提高粒子多样性。结合测量信息,利用联合概率数据关联算法实现多目标检测跟踪。仿真结果表明,所提算法能有效解决杂波环境下多目标检测跟踪问题,提高跟踪性能。     

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。     

基于粒子滤波改进的VTS微弱目标检测前跟踪算法

舰船交通服务系统是民用雷达的信息集成系统,探测微弱目标存在RCS小、回波弱、杂波强等问题,导致信噪比低,难以实现有效检测跟踪。基于粒子滤波的检测前跟踪技术对低信噪比下微弱目标信息积累和探测有良好效果。通过采集单设备实测数据,构建遗忘因子和收敛因子以增加重采样的效率,引入虚拟采样保持粒子的多样性,提升粒子滤波对微弱目标的探测能力。仿真试验表明,改进后的算法可实现舰船交通服务系统对微弱目标的有效探测,并能获得较精准的目标状态估计值。     

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。     

一种基于BLUE的弹道目标跟踪滤波器

弹道目标跟踪问题中动态方程与观测方程皆为非线性,影响跟踪精度。使用最优线性无偏估计方法可以有效地解决观测的非线性问题,而蒙特卡罗滤波方法适用于目标状态的非线性估计。将快速高斯粒子滤波与最优线性估计方法作了有机结合,通过对典型的弹道目标跟踪模型进行仿真,发现新算法在精度与实时性上优于粒子滤波。     

低信噪比抖动红外点目标的检测

本文为解决低信噪比条件下抖动红外点目标的检测问题，提出了一种基于膨胀累加、检测前跟踪的检测算法。该算法运用膨胀累加方法能够消除抖动对多帧累加算法的不利影响，使目标能量仍然能够实现有效的积累，从而达到目标增强的目的。本文还采用了小波变换预处理方法，对图象中相关的１／ｆ噪声进行白化。模拟实验结果表明，该算法能够快速检测出信噪比为２抖动点目标。     

基于粒子滤波的多异步传感器检测前跟踪算法

针对弱目标检测跟踪问题,提出了基于粒子滤波的多异步传感器检测前跟踪算法。该算法通过对粒子的状态进行时间和空间递推,将雷达对于目标位于不同时刻的回波幅值映射到同一个粒子的权重中,从而通过对粒子状态及权重的融合,将多雷达的回波幅值信息进行融合,并在此基础上实现对目标的检测跟踪,获得目标航迹。仿真试验结果表明,与单雷达效果相比,所提算法能够有效提高目标跟踪精度和目标正确发现概率。     

基于窗口预测匹配的序列图像点目标轨迹检测算法

序列图像中运动点目标轨迹的实时检测算法,是目标识别、实时跟踪处理系统中的关键算法之一。在分析不同层次处理方法的基础上,给出了一种基于预测、窗口匹配的点轨迹预测—匹配检测算法,并根据仿真实验的效果,指出此算法可有效地对低信噪比序列图像运动点目标轨迹进行实时检测,具有多目标轨迹检测能力。     

无序量测下的机动弱目标检测前跟踪

针对无序量测(OOSM)情况下的机动微弱目标检测与跟踪问题,提出一种基于OOSM和多模粒子滤波(OOSM-MMPF)的检测前跟踪(TBD)算法。该算法通过直接利用OOSM对粒子权重进行更新,并在此基础上对粒子集进行重采样,从而实现OOSM情况下的目标状态更新。由于充分利用了OOSM包含的信息,该算法可以有效提高机动微弱目标的正确检测概率与跟踪精度。仿真结果表明,该算法可以有效处理OOSM问题,实现对机动弱目标的有效检测和跟踪,其算法性能接近顺序量测滤波时的MMPF算法性能。     

基于SMC的红外序列图像目标检测算法

提出一种海天背景下红外序列图像自动目标检测算法。该算法针对输入图像严重的非高斯分布噪声干扰和目标在序列图像中的非线性运动特性,基于SMC(Sequence Monte Carlo)方法通过目标的特征统计值影响蒙特卡罗采样的粒子权值,再利用该权值控制粒子状态变化,最终在目标特征图像中检测和跟踪目标,使用差分图像作为特征图像。试验结果证明,该算法可准确有效地检测目标,适合快速处理的实时性。     

一种新的概率数据关联滤波算法

在密集多回波条件下对单个机动目标跟踪的情况下,综合利用"最近邻"法和概率数据关联滤波算法,推出了一种基于"最近邻"方法的概率数据关联滤波算法,采用关联区域内总数固定的候选回波来更新被跟踪目标的状态,并进行了计算机仿真.结果表明,新滤波算法的跟踪性能明显要优于概率数据关联滤波算法,而且降低了概率数据关联滤波算法的计算量.因此,可以通过回波的残差协方差矩阵进行衡量,挑选总数固定的"最近邻"回波,取这些回波的加权和作为目标回波用于概率数据关联滤波算法中更新被跟踪目标的状态.     

基于随机有限集理论的多传感器目标联合检测跟踪算法

针对杂波环境中的目标检测跟踪问题,提出一种基于随机有限集理论的多传感器目标联合检测跟踪算法。算法将目标状态和量测描述为随机集合,建立考虑目标出现、目标保持、目标消失等情况的目标状态随机有限集模型,以及考虑漏检和虚警的多传感器量测随机有限集模型。将目标的联合检测跟踪问题构建为目标状态集合的贝叶斯最优估计问题,并基于随机有限集理论对该贝叶斯估计算法的递推表达式进行严格理论推导。采用序贯蒙特卡罗技术实现算法的递推滤波。仿真结果验证了该算法的有效性以及算法相对于传统基于数据关联算法的性能优势。     

修正的交互加速度补偿机动目标跟踪算法

为了提高交互加速度补偿算法(IAC)的滤波精度,通过引入一个改进因子自适应地调整过程噪声协方差,给出了一种新的算法.在给定的初始条件下,通过蒙特卡罗仿真,将修正的IAC算法与IAC算法进行比较,结果表明修正的交互加速度补偿算法在目标发生机动时具有更好的跟踪性能.     

加权采样的序列蒙特卡罗滤波技术

在处理非线性滤波问题时,常用的几种通过模型近似或计算近似的滤波方法均在某种特定的情况下具有适用性.近年来随着计算机处理能力的快速发展,提出了序列蒙特卡罗滤波方法,因其在处理复杂的非线性和非高斯问题时表现出强大的潜力而引起广泛关注.详述了序列蒙特卡罗滤波算法的基本思想和原理,对其关键技术进行了归纳分析,并指出了该方法亟待解决的一些难点问题.     

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.     

H∞鲁棒滤波在机动目标跟踪中的应用

在交互多模型中通常使用的卡尔曼滤波器中，引入广义H∞鲁棒滤波器，以一定的精度为代价，换取满意的鲁棒性能。H∞鲁棒滤波算法可以分解为卡尔曼滤波和鲁棒化两个环节，从而形成一种基于增益失调因子的结构化分解算法。、为验证算法的有效性，进行了Monte Carlo仿真。仿真结果表明，本文算法跟踪复杂机动目标时跟踪性能有较大提高，有很好的可实现性.     

粒子滤波的序列图像运动目标跟踪(英文)

序列图像的运动目标识别与跟踪是计算机视觉主要研究方向之一。研究的重点是要建立一个准确可靠的跟踪系统。针对此问题,传统的帧间差分法进行了改进,并研究了粒子滤波算法。在改进的帧间差分法和粒子滤波的基础上,提出了序列图像运动目标跟踪方法。实验实验表明,这种方法能够在目标被背景云彩遮挡的情况下,实现目标的可靠跟踪。     

基于IMM滤波器的纯方位机动目标跟踪

针对无源纯方位跟踪中目标机动的问题,提出了一种基于交互式多模型的目标跟踪算法。该算法用伪量测变换估计器(PLE)将纯方位跟踪中非线性观测模型线性化,避免了计算雅克比行列式。机动目标跟踪中通过实时调整模型匹配概率,提高了滤波器对状态变化的跟踪能力。同时该算法实时修正观测噪声协方差,消除目标远离基阵时观测噪声对目标定位的影响。最后通过与MGEKF进行比较,Monte Carlo仿真结果验证了该算法的优越性。     

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。