面向连续离散系统的自适应最大相关熵滤波算法

针对目标跟踪中运动模型不精确和测量异常导致的传统滤波算法精度下降问题,提出了一种鲁棒平方根连续-离散自适应最大相关熵容积卡尔曼滤波(RSRCD-AMCCKF)算法。在目标跟踪问题中采用了精度更高的连续-离散时间模型,提高了目标跟踪的解算精度;将加权最小二乘方法与传统最大相关熵准则相结合,得到改进的相关熵代价权函数,之后引入连续-离散时间滤波框架,提高了滤波算法在测量异常情况下的鲁棒性;以高斯核函数作为相关熵的调整因子,依据不同测量环境选择自适应因子,进而对观测噪声的协方差矩阵进行调整。仿真结果表明：与传统算法相比,当测量噪声为高斯噪声时,RSRCD-AMCCKF算法对目标位置和速度估计的精度分别提高了38.4%和27.3%;当测量噪声为非高斯噪声时,RSRCD-AMCCKF算法对目标位置和速度估计的精度分别提高了23.5%和23.9%;当测量值发生突变时,RSRCD-AMCCKF算法对目标位置和速度估计的精度分别提高了12.6%和7.1%。RSRCD-AMCCKF算法在各类测量条件下都具有更高的精度和鲁棒性,更接近目标跟踪的克拉美罗下界,能够较好地实现滤波精度和抗异常测量的统一。     

观测域求积分卡尔曼滤波的机载无源定位算法

针对机载无源定位系统中存在滤波稳定性差、收敛速度慢、定位精度差等问题,提出一种观测域平方根求积分卡尔曼滤波算法.新算法兼顾了观测域滤波和平方根求积分卡尔曼滤波的优点,将状态矢量中的各个分量自动解耦,分离了可观测项和不可观测项;通过采用Gaussian-Hermit积分规则提高了非线性变换后随机变量参数的估计精度,有效地...     

δ-广义标记多伯努利滤波器的非线性应用扩展

针对非线性模型下δ-广义标记多伯努利(δ-GLMB)滤波器的序贯蒙特卡洛(SMC)实现过程计算复杂度过高、难以实现快速准确滤波的问题,给出了δ-GLMB滤波器的积分卡尔曼高斯混合(QK-GM)实现过程。该算法基于Gauss-Hermite数值积分规则获取一组带权重的积分点,利用这些积分点求取多目标密度函数的均值和协方差矩阵。将该算法与已有的扩展卡尔曼高斯混合(EK-GM)实现、无味卡尔曼高斯混合(UK-GM)实现和SMC实现在不同的杂波强度和检测概率条件下就多目标跟踪精度和时间消耗等方面做了较为详细的对比,结果表明,与SMC实现方法相比,QK-GM-δ-GLMB算法能以完全可接受的时间开销为代价,将多目标跟踪精度提高10%以上。该算法为δ-GLMB滤波器在非线性场景中的应用提供了一种新的实现方法。     

体积积分新息滤波

为了提高扩展新息滤波的精度,将体积积分方法和新息滤波相结合,提出了体积积分新息滤波算法。新算法采用三阶球半径体积规则和高斯-拉盖尔积分规则选择积分点,估计新息滤波的新息状态和新息矩阵,不需要计算非线性函数的雅克比矩阵。实验结果表明,与扩展新息滤波和体积新息滤波相比,新算法提高了非线性系统的估计精度。     

ISCPF在捷联惯导初始对准中的应用

针对标准粒子滤波算法中存在的重要性密度函数难以选取的问题,提出了一种新的迭代平方根容积粒子滤波(ISCPF)算法.将高斯-牛顿迭代和平方根容积卡尔曼滤波(SCKF)算法相结合,得到迭代平方根容积卡尔曼滤波(ISCKF)算法.利用ISCKF算法获得粒子滤波算法的重要性密度函数,有效抑制了粒子退化现象.捷联惯导系统大方位失准角初始对准的仿真结果表明:该算法对航向失准角的估计精度可以达到2.21′,相比于标准粒子滤波(PF)算法和容积粒子滤波算法(CPF)具有更高的估计精度.     

高斯衍生粒子滤波器

针对基于高斯滤波的重要性采样方法运算量的明显增加主要集中在使用高斯滤波生成更好的重要性密度函数的问题,提出了一种新的高斯衍生粒子滤波算法(GDPF).该算法将一种类似光子衍射的粒子衍生重要性采样方法与现有的高斯辅助粒子滤波算法(GAPF)相结合,通过粒子的扩张与收缩,在保证不减少参与状态估计的粒子数的条件下减少更新粒子数,根据粒子权值大小自适应地调整衍生粒子数,能很好地缓解精度与运算量之间的矛盾,抑制粒子退化等问题.对衍生粒子进行理论分析,证明了其与高斯采样粒子的等效性.仿真结果表明,当选取了相同的参与状态估计的粒子数时,所提算法保持了与原算法相当的估计精度,同时运算量大大降低.     

一种用于运动跟踪的加窗粒子滤波新算法研究

为了提高粒子滤波算法在视频跟踪中的性能,在基本粒子滤波算法的基础上,采用窗口滤波更新粒子集合,根据对目标位置估计的情况动态更新粒子集合大小,得到一种改进的粒子滤波算法--加窗粒子滤波算法.该算法利用估计窗内的混合抽样粒子集描述后验分布,通过对估计窗内具有不同权值的粒子集依据其权值大小进行抽样,并根据当前观测值对抽取的粒子状态进行更新,实现对目标的跟踪.仿真实验结果表明:这种跟踪算法在不影响跟踪精度的情况下,大大减少了计算量,较好地解决了视频目标跟踪这一非线性非高斯状态在线估计问题.     

非高斯噪声下的参数自适应高斯混合CQKF算法

研究非高斯噪声环境下的高斯混合滤波方法,进行纯方位跟踪系统的目标跟踪。利用改进的参数自适应方法,调整位移参数的大小,从而修正了高斯混合模型,提出了在非高斯噪声下的参数自适应高斯混合CQKF算法;基于非高斯噪声下的离散系统模型,分析了高斯混合CQKF算法中建模过程的局限性,并结合初值优化方法,提出了利用参数自适应方法修正高斯混合滤波模型的方法,从而克服了高斯混合滤波的局限性,提高了滤波精度。仿真实验表明在非高斯噪声下参数自适应高斯混合CQKF算法比原算法有更高的滤波精度。      

一种新的多机动目标跟踪的GMPHD滤波算法

针对多机动目标跟踪的传统数据关联算法约束条件苛刻、估计精度低、计算量大等问题,提出了一种基于随机集理论的非数据关联的多机动目标跟踪算法.该算法将高斯混合概率假设密度(GMPHD)滤波与"当前"统计模型的优点相结合,绕过了棘手的数据关联问题,能高效处理目标数较大的机动跟踪问题.在漏检、虚警、多机动目标交叉杂波复杂环境下进行了仿真实验,结果表明,该算法具有较高的跟踪精度和稳健的跟踪性能.     

基于差分算法优化的自复位粒子滤波算法

粒子滤波器作为常用的非高斯非线性的滤波方法，已成功地应用于各种工程领域。然而传统的重采样方法导致了粒子贫化的问题，严重降低了滤波估计的精度与鲁棒性。文中提出一种结合跟踪失败检测与改进差分优化融合的自复位粒子滤波方法。首先通过跟踪失败识别方法对滤波估计值进行初步检验，在正常跟踪时不启用优化策略，算法性能与标准粒子滤波无异；在跟踪失败时，通过差分算法对粒子集进行复位，复位过程中设置了粒子置信区间的上下界以防粒子过度集中，并结合检验指示值规避对粒子的多次优化，以缩短算法的估计时间。仿真结果表明，文中算法通过动态调节方式继承了标准粒子滤波和差分进化粒子滤波的优点，有效提高了滤波估计的鲁棒性与估计精度，可在滤波成功时避免启用优化策略以降低算法的整体时间复杂度，并在滤波失败时启用差分优化策略进行自我复位以提高算法估计精度；且在相同定位精度下，其所需粒子数较标准粒子滤波更少，整体时耗较差分进化粒子滤波更低，在建模不确定时也可表现出良好的效果。     

求积分卡尔曼粒子滤波算法

针对非线性/非高斯系统的状态估计问题,提出一种采用求积分卡尔曼滤波(QKF)算法来产生重要性密度函数的粒子滤波新算法--PF-QKF算法.新算法使用统计线性回归的方法,通过一套高斯一厄米特积分点来线性化非线性函数,不需要计算雅可比矩阵,易于实现,而且所产生的重要性密度函数在系统状态转移概率密度的基础上,融入最新的观测数据,提高了对系统状态后验概率的逼近程度.理论分析和实验结果表明,PF-QKF算法的估计精度比无味粒子滤波(PF-UF)算法提高了约18%,其计算复杂度比PF-UF算法稍有降低,表明PF-QKF算法是一种很有效的非线性滤波算法.     

多传感器粒子滤波融合跟踪算法

对于非线性非高斯环境中的多传感器分布式状态估计问题,提出了一种基于二阶中心差分粒子滤波方法的融合跟踪算法.通过对量测方程的非线性分析,利用粒子滤波器计算目标状态估计值,以在线自适应加权融合算法的方式得到系统最优估计.仿真结果表明,与采用扩展卡尔曼滤波的方法相比,该算法具有更高的估计精度.     

自适应高斯厄米特粒子 PHD 滤波多目标跟踪算法

针对高斯厄米特粒子概率假设密度(probability hypothesis density,PHD)算法可能导致滤波计算复杂度较高、精度不强,性能较差的问题,提出一种自适应高斯厄米特粒子PHD的改进算法,该算法通过在高斯变换的过程中引入阈值,以该闽值为界剔除权值较小的积分点,对大于阈值的积分点进行归一化处理,在保证滤波精度的基础之上,减小权值较小点在计算上带来的冗余;另外在高斯厄米特滤波的过程中引入了自适应因子,适当调整高斯厄米特滤波过程中的增益,自适应调节滤波的均值与方差,以提高滤波过程的精度.仿真结果表明:改进后的算法相比于高斯厄米特粒子PHD算法在精度上有明显提高,同时简化了计算复杂度,达到预期的目的.     

一种面向船舶智能航行的海上目标实时跟踪算法

海上目标感知的准确性和实时性是实现船舶智能航行的前提和基础.为了满足以上要求,将有效卷积算子(ECO)引入海上船舶目标跟踪中.该算法以相关滤波为基础,响应最大值之处为目标船舶中心所在位置.获得中心位置之后,采用尺度滤波方法估计出船舶目标的最佳尺度,从而完成对目标当前帧的跟踪.利用因式分解卷积的方式分解卷积,降低数据维度,减少计算时间;采用高斯混合模型将样本分成不同类别,降低训练集样本冗余度;采用稀疏更新策略更新样本模型,防止过拟合问题.选取海洋环境下船舶不同运动场景作为实验样本,与几种常用跟踪算法对比,验证了ECO算法在海上船舶目标跟踪上的准确性和实时性.     

基于模糊逻辑四元数的平方根UKF算法

针对目标跟踪估计算法中,利用传感器离散观测建模并估计目标连续状态,进行导航解算时滤波精度低,及传统四元数扩展卡尔曼滤波算法无法满足目标姿态测量精度要求等问题,文中提出一种基于模糊逻辑四元数的平方根UKF姿态估计算法.该算法将四元数作为模糊逻辑UKF滤波器状态,应用测量的角速率完成滤波器的时间更新及量测更新,采用模糊逻辑的平方根协方差形式作为更新参数,既降低了算法的计算量和复杂度,又保证了数值的稳定性.文中还以近地卫星为例,在Matlab和C++软件上进行了仿真实验.实验结果表明:文中所提算法可保证对机器人和特征的姿态控制估计精度;可对目标实时跟踪定位并进行量测更新,抑制了姿态误差发散问题.     

基于平方根UKF的水下纯方位目标跟踪

为了避免被动跟踪中非线性性带来的计算复杂化及跟踪精度的下降,该文将平方根无迹卡尔曼滤波(SR-UKF)算法应用到水下仅测角目标跟踪.利用协方差平方根代替协方差参加递推运算,解决了标准无迹卡尔曼滤波(UKF)算法中由于计算误差和噪声等因素有可能引起误差协方差矩阵负定而导致滤波结果发散的问题,保证了滤波算法的数值稳定性,提高了跟踪的精度和可靠性.仿真结果表明,SR-UKF非线性滤波算法应用于水下仅测角目标跟踪系统是有效的,而且滤波精度、稳定性和收敛时间明显优于扩展卡尔曼滤波(EKF)和标准UKF算法.     

非高斯条件下基于粒子滤波的目标跟踪

介绍了粒子滤波的基本思想和具体算法实现步骤，在给出的闪烁噪声统计模型基础上，将粒子滤波算法应用在雷达目标跟踪中，解决了闪烁噪声情况下的雷达目标跟踪问题．仿真结果表明，在满足高斯噪声条件下，扩展卡尔曼算法和粒子滤波算法跟踪性能相近，但若考虑雷达的闪烁噪声，则随着闪烁影响增强，扩展卡尔曼算法跟踪性能严重下降，而粒子滤波算法能继续保持较好的跟踪精度．     

基于平方根UKF的伪卫星动态跟踪定位算法

为了解决传统Kalman滤波在处理非线性系统时的局限性,以及扩展Kalman滤波（EKF）在处理强非线性系统时发散性和精度较差的问题,结合动态导航系统中的目标跟踪定位问题,在不敏Kalman滤波（UKF）算法的基础上,提出了一种基于平方根UKF的动态跟踪定位算法,在递推运算过程中采用协方差矩阵的平方根代替传统算法计算过程中的协方差矩阵。MATLAB仿真结果表明,平方根UKF算法的精度比EKF提升了54.7%,比UKF提升了14.8%。所提出的算法解决了Kalman处理非线性系统的局限性以及传统EKF和UKF算法精度不高的问题,为伪卫星系统的高精度定位研究提供了有力支撑。     

基于参数校正的离焦图像高斯核估计

针对离焦模糊图像高斯核难以快速精确估计的问题,提出了局部熵和参数校正相结合的辨识算法.该算法首先对模糊图像进行局部熵滤波提取图像阶跃边缘模糊区域,然后对此区域进行两次人为离焦模糊,根据梯度比估算高斯模糊核,在计算中提出参数校正的方法减少了量化误差,实验结果表明该算法在模糊核较小时能够精确快速地定位阶跃边缘,并提高了高斯模糊核的识别精度和识别效率,为模糊图像复原提供了较为精确的退化函数.     

无线传感网络中分布式粒子滤波的目标追踪算法

在给出无线传感网络的传感器配置模型的基础上,提出了一种分布式粒子滤波DPF(d istributedparticle filter)算法,并实现了对网络中的一个运动目标的追踪。利用传感器模型,可将网络划分为一系列不相联系的传感器组,并在每个传感器组上运行一个局部粒子滤波,通过中心节点将估计状态传递给下一个传感器组的中心节点,依次实施对目标定位、跟踪。为减少网络间的通讯负荷和节约传感器节点能量,使用了高斯混合器模型(GMM),对局部粒子滤波的粒子和相应的权值进行近似;并提出了根据估计误差自适应激活传感器的优化算法。仿真结果表明,基于GMM近似的DPF在保持较高的估计精度的同时,能够大幅度减少网络间的通讯负荷。