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.     

基于期望模型的变结构交互多模型算法

采用变结构思想,提出一种基于期望系统噪声模型的变结构交互多模型算法。算法中,预测噪声变化范围的噪声模型集不再采用固定结构,而是根据量测新息在线辨识和调整,使之更加接近于目标的真实运动模式。基于模型匹配概率与先验的马尔科夫切换概率调整期望系统噪声模型噪声方差,得到一个最优的系统噪声模型集。将该算法与交互多模型算法相结合,得到一种变结构交互多模型算法。仿真结果表明,该算法对机动目标的跟踪精度要优于固定结构的交互多模型算法。     

基于虚拟检测函数下的IMM-UKF机动目标跟踪

为了有效提高对机动目标的跟踪效果,将无迹卡尔曼滤波(UKF)引入到交互多模型(IMM)算法框架内,加强状态估计精度;引入强跟踪滤波器(STF)到UKF算法中,避免对强机动目标的过大时间延迟和跟踪性能差的缺点;提出虚拟检测函数法,在跟踪过程中自适应调整"当前"统计模型的机动参数,加大模型集与目标真实运动模式匹配概率。仿真结果验证了改进算法的有效性。     

机动目标跟踪的模式集自适应IMM算法的设计和比较

变结构多模型状态估计器方法适用于雷达跟踪空中机动目标。本文研究和设计了两种自适应时变模式集交互多模型(IMM)跟踪滤波器;切换网格(SG)IMM和自适应网格(AG)IMM算法。针对不同的飞行想定,通过Monte Carlo仿真方法对这些算法及相应的固定网格(FG)IMM滤波器的性能进行了评估和比较。仿真显示,对特定的机动目标跟踪问题,SGIMM和AGIMM跟踪滤波器在性能和计算量等方面要比固定结构多模型算法(FGIMM滤波器)有明显地提高。     

IMM-Singer模型的机动目标跟踪算法

交互式多模型(IMM)算法是一种有效机动目标跟踪算法,但其性能与模型的选择、个数以及参数有关。Singer模型算法可以实现对机动目标的跟踪,但该算法存在机动频率和过程噪声大小等参数难以选取的问题。针对以上情况,利用IMM算法易于结合其他算法的特点,提出一种基于IMM-Singer模型的机动目标跟踪算法,实现Singer模型参数的自适应选择。仿真结果表明,该算法比单一的Singer模型算法或一般的IMM算法更能有效提高机动目标跟踪精度。     

跟踪机动目标的一种新的多模型算法

在机动目标跟踪的多模型(MM)方法的研究中,提出了一种新的多模型方法,即最小子模型集切换(MSMSS)算法.这种MSMSS算法从总模型集中自适应确定最小模型集,用来完成多模型(MM)估计.仿真结果表明,和标准的交互式MM(IMM)相比,所提到的算法,在保持同等的跟踪性能的前提下需要很小的计算量,在计算量相等的情况下具有更好的跟踪性能.     

一种基于当前统计模型的模糊交互多模型算法

研究了模糊交互多模型算法(FIMM)和基于当前统计模型(CS)的自适应滤波算法,提出了一种基于当前统计模型的模糊交互多模型算法(CSFIMM)。该算法克服了模糊交互多模型算法精度较低和当前统计模型自适应滤波器方差调整有限的缺点。通过仿真,对所提出的算法和交互多模型(IMM)算法以及FIMM算法在估计精度和计算量两个方面进行了比较。     

临近空间高超声速机动目标跟踪的IMM-QB算法北大核心

经典的交互式多模型(IMM)算法由于转移概率矩阵固定不变,在跟踪运动状态未知且多变的临近空间高超声速目标时存在一定的不合理性。通过采用准贝叶斯(Quasi-Bayesian)估计对转移概率矩阵在线调整的方法,与基于CV-CA-Singer的经典交互式多模型算法进行融合形成了IMM-QB算法。Monte Carlo仿真实验表明,IMM-QB算法对临近空间高超声速滑跃式机动目标的跟踪精度有一定程度的提高。     

基于加速度的马尔可夫参数自适应IMM算法

针对标准的交互式多模型算法(IMM)模型切换存在滞后性,使得目标机动改变时跟踪误差增大的问题,提出了一种基于加速度的自适应转移概率矩阵的IMM算法。该算法通过当前时刻IMM算法输出的加速度估计值,得到相应的修正因子,修正下一时刻的转移概率矩阵,使得模型切换速度加快,减小目标机动时的跟踪误差。最后通过仿真实验证明,改进的IMM算法能够有效减小目标机动改变时跟踪误差,提高模型切换速度,同时还指出了该算法的适应范围。     

自调整交互多模型

本文提出了一种在X-Y平面内跟踪机动目标的新算法。该算法使用模糊if-then规则和指数衰减方法在过程噪声方差增加和减少时调整噪声方差值的大小.此外还提出了一种估计转弯机动角速度的新方法。并通过仿真数据和真实的数据对该算法和交互多模型(IMM)算法进行了比较。     

一种基于遗传算法的多传感器管理算法

分析了针对多传感器多目标分配的传感器管理算法的特点以及存在的问题,结合遗传算法的思想,给出了一种以目标联合信息增量为效能的传感器管理算法,并进行了算法的仿真.仿真结果表明,基于遗传算法的传感器管理算法是有效的,特别是问题规模较大时更比规划方法具有实用性.     

基于遗传算法的多约束路由算法研究

针对数字化军事通信网络的多业务需求,提出了一种基于遗传算法的多约束路由算法,来求解多约束条件下的最佳路由。采用自然数编码,自适应的变异和杂交算子,有效地提高了算法的搜索效率。仿真结果表明该算法是有效的,既保证了业务对网络带宽和延迟的需求,同时使得网络的资源利用率最低。     

一个实时调度仿真模型算法的算法

提出了一个在仿真支撑系统中所采用的实时调度仿真模型算法的算法,并且成功地应用在“RDFI—50MW热电厂训练仿真机”中.     

基于属性信息融合的概率多假设跟踪算法

通过引入辅助的属性信息与属性数据来弥补目标跟踪信息量的缺失,提出了一种适用于目标近距离环境下的基于属性信息Homothetic-PMHT目标跟踪算法。该算法将传感器获得的目标属性信息与目标状态信息之间的关联以概率的形式给出,从而实现了运动状态信息、属性信息联合应用。仿真结果表明,所提算法在航迹关联成功率上与Homothetic-PMHT算法相比有明显的提升,同时在跟踪精度上也有所提高,证明该算法是有效的。     

一种改进的RCP算法

RCP算法是一种基于速率的显式拥塞控制算法,具有较好的效率和公平收敛性,在多瓶颈网络拓扑环境下也有很好的性能。但是研究表明,当一个新流加入网络时,RCP算法存在严重的瞬态过载现象,从而导致丢包的发生。文中通过在原有RCP算法基础上调整了源端控制的方式,提出了S-RCP算法。理论分析和仿真结果表明,S-RCP算法一定程度上解决了瞬态过载现象,基本消除了丢包现象。     

基于遗传算法的多功能电子系统任务调度

雷达、通信、电子战等多功能一体化是未来作战平台电子系统的发展方向之一,任务优化调度技术是多功能电子系统的关键技术。针对多功能电子系统射频任务调度问题,在建立任务调度数学模型的基础上,采用了改进的遗传算法对模型进行了求解,提出了任务列表和随机键结合的编码方式,设计了以执行时间最短和任务丢失率最小为目标的多目标适应度函数,采用轮盘赌选择、改进型双点交叉和对称交换变异方式设计遗传操作。通过仿真实验,验证了所设计任务调度方法的有效性和优越性。     

基于禁忌算法的无线传感器网络PEGASIS算法改进

为了减少无线传感器网络节点能耗,延长网络生存时间,在PEGASIS算法的基础上,针对PEGASIS算法中节点之间容易产生长链和簇头选择没有考虑节点剩余能量的问题,提出了一种基于禁忌算法的PEGASIS算法改进。建链阶段采用禁忌算法代替原有的贪婪算法,防止了长链的产生,减小了节点传输距离;同时引入基于剩余能量的簇头选择机制,均衡了节点之间的能耗,延长了节点的生存时间。仿真结果表明,改进算法较PEGASIS算法第1个节点的死亡时间延长了约7倍,半数节点的死亡时间也得到了延长,从而提高了整个网络的生存时间。     

基于蚁群算法的被动目标定位算法

通过对蚁群算法的研究,用蚁群算法成功解决了无源测向定位中消除虚假点,对真实交点进行正确聚类的难题.并通过Matlab 仿真实验证明了该算法的有效性.同时该算法具有目标关联确率高、计算速度快、鲁棒性强等优点.     

基于遗传算法的分布式多传感器航迹关联算法

以分布式多传感系统中的两节点序贯航迹关联方法为基础,把多节点情况下的航迹关联问题转化为多维分配问题。而多维分配问题是典型的组合优化问题,其计算量随着维数的增加而出现指数爆炸现象,进而根据遗传算法能够解决组合优化问题的能力,提出了利用遗传算法解决此多维分配问题的一种方法。仿真实验结果表明,遗传算法能够有效地求解此多维分配问题,使航迹关联具有较高的成功率。     

基于精英保留遗传算法的飞行器航路规划

将精英保留遗传算法的基本原理与飞行器航路规划问题相结合,通过采用变长实值基因编码以及特定的遗传算子,使得规划算法可以有效地处理各种航路约束条件,从而求解最优飞行航路。