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.     

卡尔曼滤波补偿在潜载光电跟瞄中的应用

为了提高潜载光电设备的跟踪精度,提出了一种针对扰动误差进行补偿的前馈控制策略,主要方法分为3步:将大地坐标系转化为甲板坐标系;利用Singer模型的卡尔曼滤波对经过变换的光轴坐标系下的扰动量进行滤波;将滤波后的速度反馈到速度回路上,再结合脱靶量信息构成完整的速度环控制.仿真表明,在未加入补偿算法之前粗跟踪最大误差为0.004 rad,加入反馈之后最大误差为0.0018 rad,说明采用的方法能够有效减小跟踪误差.     

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.     

基于概率图模型的海上多目标跟踪

针对海上复杂环境中多运动目标跟踪问题,提出了一种融合概率图模型和粒子滤波的跟踪方法.该方法采用二元马尔可夫随机场构建多目标模型,利用势函数表示其联合概率分布,最后用变差分法和粒子滤波推理后验概率密度.通过二阶回归模型准确构建状态转移方程,以及Mean-Shift迭代加速粒子采样,提高了算法精确度和运行效率.实验表明:该方法能很好地实现海上复杂环境中的多目标实时跟踪.     

一种基于粒子滤波的概率数据关联方法

针对复杂环境下的机动目标跟踪问题,提出了一种基于粒子滤波的概率数据关联方法(PF-PDA),首先利用跟踪门对回波进行预处理,筛选出有效回波;随后利用粒子滤波,对关联概率中的残差协方差阵进行修正,求得关联概率,进而得到融合测量;最后对目标状态进行更新。与PDA的仿真比较表明,在满足系统实时性的前提下,本方法在跟踪精度上有很大提高。     

雷达侦察中移动通信干扰的极化抑制

雷达侦察设备通常采用闭锁措施消除移动通信频段的同频干扰,严重降低了脉冲截获概率,且极易被敌方雷达利用。针对此问题,提出一种基于极化滤波的移动通信信号抑制方法,该方法依据移动通信信号与雷达信号极化差,设置合理的极化滤波矢量,在极化域滤除移动通信信号,提高了移动通信频段的脉冲截获概率。给出了极化滤波侦察接受机的设计方案。仿真实验结果验证了该方法的有效性。     

一种基于和声搜索的改进粒子滤波算法及应用

针对传统粒子滤波算法在粒子生成阶段存在的粒子选取盲目性问题,提出了将和声搜索算法与粒子滤波算法相结合的设计思路,得到了一种改进型粒子滤波算法.随后,针对某载体的导航问题,将该算法应用于组合导航滤波并进行了仿真,仿真结果验证了所提出滤波算法的正确性和有效性.     

具时变扰动动态的多变量控制系统性能评价

针对具有两种时变扰动动态--突变扰动和线性时变扰动的多变量控制系统性能评价方法进行研究.两种扰动的不同动态特性决定了要采取不同的评价方法.突变扰动的情况,利用Olaleye和Xu整体优化SISO过程的思想建立MIMO的实用MV基准;线性时变扰动的情况,将关联矩阵引入视系统为LTV过程,提出一套针对LTV扰动建立时变MIMO MV基准的系统化算法和过程.理论和仿真研究表明所提出的方法能正确和有效的评价具有时变扰动的多变量系统.     

自适应平方根无迹滤波的雷达组网状态估计算法

从最小方差的角度分析了雷达组网无迹滤波(Unscented Filter,UF)状态估计的统计学本质,并且针对UF的Cholesky分解遇到非半正定矩阵容易发散、不准确滤波初值造成滤波发散以及异常扰动影响滤波效果等问题,提出将自适应平方根无迹滤波(Adaptive Square Root Unscented Filter,ASQUF)用于雷达组网状态估计,结合合理的滤波初始化策略,提高了UF的工程可用性。仿真验证表明,提出的ASRUF算法用于雷达组网空域目标状态估计时,初始化平稳无波动,工程可用性好,状态估计精度高,明显优于扩展卡尔曼滤波(Extended Kalman Filter,EKF)算法。     

CS模型下IMM-PF算法在机动目标跟踪中的应用

为了解决机动目标定位跟踪问题,提出了一种基于CS(current statistical)模型的交互式多模型粒子滤波算法.在交互式多模型粒子滤波算法的基础上,计算CS模型的概率,自适应地调整CS模型中的目标加速度,反映出了目标的机动特性,充分发挥2种算法的优点,改善了CS模型的加速度不能自适应调整的缺点,提高了CS模型的自适应性和应用范围.另外,CS模型的自适应滤波方法由Kalman滤波改为粒子滤波.通过Monte Carlo对比仿真试验表明了该算法的可行性和优越性.