自适应交互多模型算法在机动目标跟踪中的应用

针对多模型算法在机动目标跟踪中存在的问题,运用交互多模型算法(IMM)和自适应滤波理论,设计了一种自适应交互多模型算法(AIMM),结合目标运动模型对目标当前加速度和其方差进行估计,并在此基础上给出了AIMM中模型集和模型转移概率的设计方法,进行了计算机仿真.蒙特卡罗仿真结果表明,与标准IMM算法相比,该算法比IMM算法的跟踪性能有很大提高,跟踪复杂机动目标比IMM有更快的收敛速度,跟踪滞后问题得到较好的解决,跟踪目标的稳定性和精确性均优于IMM算法,有利于机动目标的实时跟踪.     

一种基于粒子滤波的水下地形匹配算法研究

引入了剩余重采样的概念,通过权值分类和剩余权值重采样两个步骤完成粒子的复制,提高了运算速度.使用三次样条插值的方法对深度数据进行插值,构建了湖泊水下数字高程模型.通过仿真证明了该算法的可行性,并分析了匹配误差与水下地形的关系.     

基于指标值状态的自适应权重确定法

评估问题中指标值可能是已知的也可能是未知的,提出一种基于属性值状态的指标权重确定方法,该方法融合了粗糙集和区间数有序相离度的理论,根据指标值状态,自适应求取指标权重;同时引入调节算子,调节对主客观因素考虑的重视程度。详细地给出了自适应算法的步骤,并对算法的保序条件进行了分析,举例说明了该方法的应用,结果表明:方法简单实用,易于实现。     

一种改进的基于交互式模型的机动目标跟踪算法

针对传统的以匀速(CV)或匀加速(CA)运动作为目标运动模型的卡尔曼跟踪滤波器的计算量大及跟踪精度低的固有缺陷,提出了一种基于CV和CA的交互式卡尔曼滤波模型的机动目标跟踪算法,该算法能在保持直线运动跟踪精度不变的前提下,使做曲线运动的目标的跟踪精度逼近做直线运动的目标的跟踪精度。并将CV和CA模型混合起来进行仿真估计,系统仿真结果表明该算法提高了系统的跟踪精度。     

密集杂波环境下用于多目标跟踪的改进PDA算法

概率数据关联(PDA)算法在密集波环境下跟踪单目标时具有良好的效果,但当跟踪多目标时,由于未能考虑相邻目标间的相互影响,因此效果不佳,针对PDA算法的不足,基于多目标跟踪中相邻目标间相互影响的特点,提出了一种新的改进概率数据关联(NIPDA)算法.新算法引入量测J属于目标t的概率Bjtk,并用其对关联概率进行修正,从而在计算互联概率时考虑了相邻目标间的影响.仿真结果表明,新算法在计算量与PDA算法相近的情况,提高了目标跟踪成功率.     

依据观察器方位序列估算目标运动参数的方法

利用目标的方位序列跟踪目标的运动参数是非线性领域的一个经典问题。给出了一个形式简洁的方位随时间线性变化的可量测函数 ,并利用工作点漂移的技术解决了滤波器在方位小变化量时系统的不稳定现象。研究了利用观察器方位序列估计目标运动参数的方法。     

交互式多模型粒子滤波算法综述

指出了交互式多模型方法和粒子滤波结合时存在的主要问题,围绕该问题,重点对国内外关于交互式多模型粒子滤波算法的相关研究成果进行整理和归纳,给出了典型的交互式多模型粒子滤波算法,综述了目前交互式多模型粒子滤波的应用情况,并指出了几个有价值研究方向。     

卡尔曼滤波算法的几何解释

对低维卡尔曼滤波算法作了几何解释 ,这种解释对卡尔曼滤波有一种直观的理解 ,使人们对卡尔曼滤波有更本质的认识。     

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。     

基于参数自适应CS模型的机动目标跟踪算法

为提高对机动目标的跟踪精度,提出一种基于参数自适应当前统计(CS)模型的跟踪算法。即利用加速度增量与位移的关系,自适应调整加速度方差,根据量测残差的统计距离判别目标机动特性,并调整模型的机动频率和滤波器增益系数,提高算法模型与目标机动模式的匹配程度。仿真结果表明,基于参数自适应CS模型跟踪算法能够较好地改善对强机动目标的跟踪性能。