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。     

基于二阶中心差分滤波的高斯混合粒子PHD多目标跟踪算法

针对杂波环境下高斯混合粒子PHD面临的跟踪精度低、滤波发散等问题,提出基于二阶中心差分滤波的高斯混合粒子PHD算法。该算法在传统的高斯混合粒子PHD滤波的基础上,采取二阶中心差分滤波方法来得到最优的重要性密度函数,充分利用了量测信息对采样粒子进行更新,使得粒子分布更加接近目标真实的后验分布,然后对PHD进行更新。仿真结果表明,该算法能在杂波环境下有效地跟踪多个目标,与高斯混合粒子PHD算法相比,状态估计更加接近真实值,大大提高了跟踪精度和系统稳定性。     

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。     

基于混合退火粒子的捷联惯导动基座传递对准

为解决非线性、非高斯条件下动基座传递对准中采用卡尔曼滤波误差较大且可能发散的问题,引入了混合退火粒子滤波.在滤波算法中,用状态参数分解和退火因子来产生重要性概率密度函数,进行重要性抽样,再进行重采样,得到系统状态的后验均值估计.仿真结果表明,这种混合退火粒子滤波与扩展卡尔曼滤波相比,精度提高了2倍,时间减少了10s.     

基于无迹卡尔曼滤波和权值优化的改进粒子滤波算法

针对传统粒子滤波面临的重要密度函数的选取和粒子多样性丧失引起的样本贫化问题,提出基于无迹卡尔曼滤波和权值优化的改进粒子滤波算法。与传统的粒子滤波算法相比,有两点改进:首先该算法采取无迹卡尔曼滤波产生建议分布函数;其次,在重采样过程,提出基于权值优化的改进重采样算法来增加粒子的多样性。仿真结果表明,改进算法降低了粒子滤波算法的粒子退化程度并避免样本贫化现象的出现,更加接近真实值,提高了跟踪精度。     

一种改进滤波算法及其在目标跟踪中的应用研究

针对无迹卡尔曼滤波算法在滤波迭代过程中可能存在状态协方差矩阵非正定情况,导致跟踪误差较大甚至滤波易发散等问题,对无迹卡尔曼滤波算法进行了改进设计。在滤波迭代过程中对状态协方差矩阵进行QR分解和Cholesky分解,通过分解后的协方差平方根矩阵来进行滤波迭代,从而保证状态协方差矩阵的正定性,并利用加权最小二乘法进行量测数据同步融合。为验证改进算法的有效性,设计了雷达红外联合跟踪系统数据融合仿真测试实验,并与传统无迹卡尔曼滤波算法进行了比较。仿真实验结果表明：改进算法能够有效抑制跟踪误差、提升目标跟踪系统的鲁棒性,可应用于防空武器系统多传感器航迹信息融合系统设计。     

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)。     

改进的卡尔曼滤波与均值漂移目标跟踪算法

为了实现更加理想的运动目标跟踪,提出了改进的卡尔曼滤波与均值漂移目标跟踪算法。该算法采用粒子滤波与Kalman滤波相结合实现非线性滤波,首先利用粒子滤波对运动目标的状态变量进行估计,然后对目标估计状态进行卡尔曼滤波,解决观测方程为非线性的问题。最后利用Mean-shift算法进一步聚类粒子,使抽样的粒子集更符合实际的目标概率模型,从而增加有效粒子数目,减少粒子退化。经过预测迭代,从而达到对运动目标运行轨迹的修正,并采用仿真实验进行算法性能测试。结果表明,相对于其他算法或者是传统算法,在相同的条件下该算法不仅提高了目标跟踪的精度,并且降低了计算复杂度,实时性较好。