目标跟踪中两种非线性滤波算法的对比研究

在处理目标跟踪等动态系统实时估计问题中,通常采用EKF作为状态估计方法提高估计精度.由于EKF进行非线性估计存在一些缺陷,将系统进行线性化近似存在估计误差,从而影响目标跟踪的精度.为了获得更高的估计精度,介绍了两种新的非线性滤波算法,即unscented卡尔曼滤波算法和粒子滤波算法.分析了UKF和PF算法的原理和算法实现,对两种算法的适应性进行了比较.通过目标跟踪仿真实验,表明粒子滤波算法估计精度比UKF算法高,但是计算量却相对较大.     

基于混合卡尔曼滤波的磁偶极子目标跟踪

针对经典粒子滤波(PF)对磁偶极子跟踪高维模型估计时存在的"维数灾"问题,提出一种基于混合卡尔曼滤波(MKF)的方法进行求解。该方法通过导出磁偶极子跟踪的条件线性高斯模型,利用混合卡尔曼滤波算法,将状态变量分离为线性部分和非线性部分;利用卡尔曼滤波和粒子滤波进行耦合处理,克服了经典粒子滤波直接用于磁偶极子跟踪出现的精度不高和滤波发散问题。通过仿真实验将该方法与基于PF的磁偶极子目标跟踪方法进行了对比,结果表明算法精度较高,且性能稳定。     

基于迭代积分粒子滤波的目标跟踪算法

针对粒子滤波在非线性目标跟踪中存在粒子退化的问题,提出一种迭代积分粒子滤波的目标跟踪算法。该算法从改进重要性函数的角度入手,在积分卡尔曼滤波的基础上,通过高斯牛顿迭代的方法进行量测更新,并对粒子集合中的粒子进行迭代积分卡尔曼滤波,使得构造的重要性函数更加贴近真实后验分布。仿真结果表明,与粒子滤波算法、积分粒子滤波算法相比,该算法在有效改善非线性目标跟踪中粒子退化的同时,提高了跟踪精度。     

基于粒子滤波的非线性目标跟踪算法研究

针对非线性非高斯的目标跟踪,传统的卡尔曼滤波和扩展卡尔曼滤波等算法将会出现滤波精度下降甚至发散的现象,提出了采用粒子滤波算法来解决非线性滤波问题;粒子滤波方法作为一种基于贝叶斯估计的非线性滤波算法,在处理非高斯非线性时变系统的参数估计和状态滤波问题方面有独到的优势,但是存在运算量大和实时性差的问题,因此提出了基于EKF的扩展粒子滤波;仿真结果表明：在强非线性非高斯环境下,PF算法的跟踪性能优于EKF算法,基于EKF的扩展粒子滤波能够取得较好的跟踪精度,并且能够有效的减少粒子滤波的运算量。     

高斯粒子滤波的局部光流运动匹配跟踪算法

针对目前大多数目标跟踪算法容易受背景干扰等问题,为了快速准确地进行目标跟踪,在基于粒子滤波跟踪方法的启发下,提出高斯粒子滤波的局部光流运动匹配目标跟踪算法。该算法首先采用高斯粒子滤波算法对未来时刻目标的位置状态进行估计假设,缩小目标搜索范围;然后对锁定范围内场景中的所有内容进行局部光流约束匹配计算,寻找最佳匹配位置;最后通过估计目标状态来获得跟踪目标。仿真实验结果表明,该算法特别适用于目标灵活运动时的跟踪,与现有的算法相比,不仅算法实现简单,同时有较好的鲁棒性和通用性。     

基于交互式多模型粒子滤波的状态估计方法

为了提高目标跟踪中状态估计环节的性能,基于交互式多模型粒子滤波的状态估计方法,采用交互式多模型(IMM)描述目标的运动过程,利用粒子滤波算法进行目标状态估计。方法避免了单一运动模型所带来的估计误差,同时克服了卡尔曼跟踪滤波算法的局限性,有效的提升了状态估计精确度。仿真实验证明了该方法在缺乏关于先验知识的情况下,对于不同的运动形式,均取得了较好的自适应性与鲁棒性。     

基于辅助模型的改进粒子滤波算法

针对非线性、非高斯系统的目标跟踪精度不太高这一问题,提出一种改进Sigma粒子滤波算法(MSP-PF)。该算法是由主模型产生第一个粒子,剩余的粒子则由辅助模型和平方根无迹卡尔曼滤波(SRUKF)来递归生成,辅助模型使粒子的观测信息得到充分有效地利用,解决了粒子滤波算法所面临的粒子退化和匮乏问题。仿真表明,提出的改进Sigma粒子滤波算法(MSPPF)的估计性能要明显优于粒子滤波(PF)、无迹粒子滤波(UPF)、Sigma粒子滤波算法(SPPF)。     

基于弹道导弹目标的动能拦截导引头的快速滤波算法

为实现动能拦截器导引头对弹道导弹目标的稳定跟踪,构建导弹自由段的运动模型和动能拦截器自身的误差分析模型,并通过相对运动关系推导导引头目标跟踪系统的非线性滤波模型.鉴于末段拦截的高时效性和快速收敛的滤波要求,采用基于在线协方差修正的扩展卡尔曼滤波对导引头目标跟踪系统的非线性模型进行仿真研究,仿真结果验证了导引头目标跟踪非线性模型的准确性和滤波算法的有效性.     

联邦式扩展卡尔曼粒子滤波算法

为了使联邦滤波器能有效处理非高斯、非线性系统的状态估计问题,提出将扩展卡尔曼粒子滤波引入联邦滤波结构中,得到一种新的联邦式扩展卡尔曼粒子滤波算法。使用扩展卡尔曼粒子滤波对联邦滤波子系统的多源数据进行处理,从而摆脱了经典卡尔曼滤波的限制,拓宽了联邦滤波器的实际应用范围。将联邦式扩展卡尔曼粒子滤波算法应用于非线性滤波器的一个标准验证模型进行了仿真实验,结果表明该算法是有效性的。     

基于模糊控制交互式多模型粒子滤波的静电机动目标跟踪

针对交互式多模型粒子滤波算法（IMMPF）的精度不高,算法更新时间长,难以满足静电机动目标跟踪要求的问题,提出了一种新的基于模糊控制的交互式多模型粒子滤波算法（FIMMPF）。该算法先利用模糊控制方法实现实时调整交互式多模型算法中的转换概率矩阵,使与目标当前运动状态最接近的运动模型在混合产生这一采样时刻的初始状态向量里占有更大的比重。同时,为了提高基本粒子滤波算法的精度,减小算法更新时间,再利用中心差分扩展卡尔曼滤波算法产生基本粒子滤波的建议分布函数,实现对目标运动状态的更新。理论分析和仿真结果表明,所提出的算法能够以更高的定位精度,更小的计算量实现对静电机动目标的跟踪。     

基于在线修正弹道模板的主动段弹道跟踪方法

为了提高在线跟踪主动段弹道导弹的精度,提出了基于在线修正的弹道模板方法,详细构建了空气动力、推力、重力、科氏力、牵连惯性力等的动力学模型,结合不敏卡尔曼滤波和粒子滤波算法,对弹道模板参数进行在线校正及对导弹目标进行实时跟踪。在仿真过程中,基于加加速度模型和当前统计模型构建了交互多模型算法,并将该算法结合不敏卡尔曼滤波和粒子滤波算法与在线修正的弹道模板方法进行比较分析。仿真结果表明,该方法能够对弹道模板参数进行准确估计并能获得比交互多模型算法更高的跟踪精度。     

基于交互式多模型的水下机动目标跟踪

为了解决水下机动目标跟踪的实时性和可靠性问题,在交互式多模型(IMM)的框架下对水下机动目标跟踪进行了分析,建立了目标运动方程和观测方程。交互式多模型滤波算法的选择直接影响到跟踪的精度,在跟踪滤波方面,针对交互式多模型滤波过程中观测方程非线性对滤波性能的影响,分别将扩展卡尔曼滤波(EKF)和无迹卡尔曼滤波(UKF)2种滤波算法与交互式多模型算法相结合。仿真结果表明,交互式多模型算法与UKF算法结合的滤波精度更高,能够更有效、可靠地达到跟踪机动目标的目的。     

基于重采样粒子滤波的目标跟踪算法研究

基于传统粒子滤波的机动目标跟踪方法针对非线性、非高斯系统有较好的估计性能,但是存在粒子退化现象。利用残差重采样算法,可以有效克服粒子滤波的退化问题。本文针对残差重采样算法作进一步研究,提出了一种改进的残差重采样粒子滤波算法。该方法在残差重采样基础上进行改进,可以避免残差重采样中关于残留粒子的重采样问题,在保证精度的前提下提高运行效率,减少运算复杂程度。仿真实验结果表明该算法与残差重采样粒子滤波相比提高了目标跟踪的实时性,并且随着粒子数的增加,这种优势表现得更加明显。     

基于IMM-UKF的雷达/红外分布式加权融合算法

在雷达/红外复合制导机动目标跟踪背景下,针对非线性机动目标融合跟踪存在滤波器易发散问题,提出一种基于交互式多模型无迹卡尔曼滤波(IMM-UKF)的分布式加权融合算法。IMM具有对不同目标机动模式自适应跟踪的能力;UKF对观测数据进行滤波估计,避免了计算雅克比矩阵,克服EKF滤波方法受滤波初值影响大、易发散的缺点;分布式融合算法提高了系统抗干扰能力及对目标跟踪的有效性和跟踪精度。仿真结果表明:该算法在处理非线性系统机动目标跟踪融合结果误差均得到减少,更能提高目标跟踪滤波精度,增强了系统稳定性。     

基于收敛方差跟踪的水下目标运动分析

水下目标的被动跟踪由于隐蔽性好, 有着很强的需求背景。本文提出了基于收敛方差跟踪的水下目标运动分析算法, 由于采用方位频率Kalman滤波, 可以得到速度渐近无偏估计, 利用速度估计值对目标位置初值进行线性估计, 进而估计目标运动状态, 采用该方法可以有效消除直接应用伪线性Kalman滤波算法引起的初值偏差, 仿真结果表明, 该方法对目标运动要素具有良好的估计性能。     

三种非线性滤波在再入弹道估计中的分析研究

首先在雷达直角坐标系下建立了再入目标的动力学模型,针对其运动的非线性,采用了三种经典的非线性滤波,即扩展卡尔曼滤波,不敏卡尔曼滤波以及粒子滤波进行弹道参数估计,给出了估计性能(误差均值和标准偏差),并与理论后验Cramer-Rao下限进行了对比。计算结果表明,在弹道参数采取指数建模的情况下,三种滤波的性能大致相同,从计算量、滤波性能和滤波的稳健性上综合考虑,不敏卡尔曼滤波更胜一筹。     

基于容积卡尔曼滤波的辅助粒子滤波算法

针对非线性系统的状态估计精度较低的问题,提出基于容积卡尔曼滤波(CKF)的辅助粒子滤波(APF)算法—CAPF算法。该算法采用容积数值积分原则计算非线性函数的均值和方差,生成粒子滤波算法的重要性密度函数,获得所需的带权值粒子,进而计算粒子均值,获得系统状态的最小均方误差估计。CAPF算法由于使用最新的量测信息产生粒子,因而提高了对系统状态估计的逼近程度。仿真结果表明,CAPF算法具有更高的滤波精度,验证了算法的可行性和有效性。     

基于UKF-IMM的方位-到达时间空-海机动目标的跟踪

探讨了机动目标无源跟踪(PMTT)中基本的非线性估计问题,介绍了无味卡尔曼滤波(UKF)算法的设计思想与具体实现,用UKF代替原交互多模(IMM)中的扩展卡尔曼滤波(EKF)得到UKF-IMM估计算法,特别针对空-海单站只测方位-到达时间PMTT问题分别应用UKF-IMM和EKF-IMM进行了对照研究,建立了问题的离散非线性滤波估计模型,设计了典型的应用场景,给出了Monte Carlo仿真结果;表明UKF-IMM滤波算法具有更高的估计精度和收敛特性,滤波的一致性较好,更加适合解决非线性较为严重的PMTT问题.     

存在非高斯重尾分布噪声的纯方位目标跟踪算法

纯方位目标跟踪是目标跟踪研究中的热点问题,针对目标跟踪方程中的非高斯重尾分布噪声问题,提出了一种针对非高斯重尾分布噪声的卡尔曼滤波算法。该方法通过建立基于存在异常值的高斯分布的层次高斯模型来近似未知的非高斯重尾分布系统过程噪声和测量噪声,并使用变分贝叶斯推断来学习混合概率,解决混合概率不确定带来的滤波性能下降的问题,从而提高滤波的鲁棒性。同时针对纯方位目标跟踪模型的非线性,结合修正增益卡尔曼滤波来降低量测方程非线性的影响。数值仿真结果表明,相对于EKF、UKF和变分贝叶斯卡尔曼滤波PEKF-VB、VBEKF,新算法VBMGEKF估计精度分别提高了69.31%、58.08%、127.84%和9.36%,具备更好的鲁棒性与精度。     

测向和测频改进的最小二乘单站定位跟踪方法

为了利用无源单站系统实现对运动目标定位与连续跟踪,提出基于最小二乘估计算法的运动目标无源定位跟踪方法。即利用均匀的等间距线列阵作为单个观测站,对多个运动目标进行方位和多普勒频率测量,在此基础上通过多点多次测量,采用最小二乘估计算法对非线性系统求解得到目标的定位解。仿真结果表明:该方法不但能够对多个运动目标进行定位,而且能够对其进行连续稳定的跟踪。