基于自适应采样速率交互式概率数据关联的机动目标跟踪算法

在交互式多模型和概率数据关联算法融合的基础上,又将自适应采样速率算法融合到交互式多模型概率数据关联滤波器中,提出了自适应采样速率交互式概率数据关联算法,该算法不但能有效地跟踪高速机动的目标,且能使系统的采样间隔根据目标的运动状态做自适应调整. 仿真结果表明该算法扩大了机动目标的跟踪范围,且对高速机动的目标有很好的跟踪效果和较强的跟踪精度.     

自适应模型集交互式多模型算法

针对交互式多模型(IMM)算法的目标跟踪精度问题,提出了一种自适应模型集IMM算法.利用IMM算法中的模型概率含义,并以此对模型集的收缩比例因子进行设计,这样模型集通过向中心模型收敛可完成自适应调整,而自适应调整过程能有效、实时地利用观测信息.仿真实验结果表明,所提算法能有效跟踪机动目标,而且比IMM算法的跟踪精度更高,但其受到目标机动模型的先验性的限制.     

抗野值多速率模型及交互式状态估计

基于HongLong多速率模型，引入小波变换进行奇异值检测，快速剔除野值；利用子波分解抽取多速率信息用于状态估计，建立了抗野值多速率模型，结合交互式多模型算法，形成野值条件下的机动目标状态估计算法。仿真结果表明，该算法对观测中的野值有良好的抗干扰性，并且通过抽取观测序列包含的多速率信息实现了对目标状态的精确估计。     

基于时变马尔科夫转移概率的机动目标多模型跟踪

为了消除机动目标多模型跟踪中人为因素对跟踪精度的影响，提出了一种新的基于时变马尔科夫转移概率的机动目标多模型跟踪算法．该算法通过对Baum辅助函数的最大化实现隐马尔科夫模型状态转移概率的参数估计，并将估计结果用于交互式多模型算法的设计中，构造出时变马尔科夫状态转移概率的交互式多模型算法，有效地降低了人为因素对机动目标跟踪精度的影响．通过对一个机动目标的跟踪对比，说明了该算法比传统的交互式多模型算法具有更小的跟踪误差和良好的模型跟踪概率．     

基于多模型切换的智能控制研究

针对实际对象在不同工况下的模型参数突变，提出了基于多模型切换的智能控制方法．应用自适应模型库算法来建立多个模型而无需被控对象的先验知识．在系统运行过程中，由常规自适应模型和重新赋初值自适应模型在线自动地建立多个模型及相应的控制器．在每个采样时刻根据性能评价函数来选择最佳控制器．证明了该算法能够保证闭环系统的稳定性和跟踪误差的渐近收敛性．仿真结果表明，本所提出的方法使系统的动态响应品质得到了明显的改善．     

抗野值多速率模型及交互式多传感器状态融合

针对状态估计中野值问题进行研究.基于HongLong多速率模型,引入小波变换进行奇异值检测,在时频域将野值剔除;同时利用子波分解抽取多速率信息用以状态估计,从而建立了抗野值的多速率模型.该模型用于集中式多传感器IMM融合算法,形成抗野交互式多速率多传感器滤波算法.仿真结果证明了该算法对观测中的野值有良好的抗干扰性,并且通过抽取观测序列包含的多速率信息实现了对目标状态的精确估计.     

基于多速率运动模型的多帧最近邻数据关联算法

为了提高标准最近邻数据关联算法的关联效果，提出了基于多速率运动模型的多帧最近邻数据关联算法．改正了Hong提出的多速率运动模型中关于过程噪声的一处错误，然后把该模型应用于最近邻数据关联算法，并推广到多帧情况．新算法使用序列关联量测更新目标状态，有效降低了最近邻算法中误关联对跟踪效果的影响．仿真结果表明，该算法在减少计算量的同时大大减少了跟踪丢失率。     

一种带重采样控制器的IMM-AUPF算法

为了减轻粒子滤波计算复杂性,提出了一种基于交互式多模型(IMM)架构的自适应Unscented粒子滤波算法(AUPF)。IMM-AUPF算法在粒子滤波重采样步骤中设计了一个重采样控制器,根据滤波性能在线调节重采样粒子的数量。并将自适应粒子滤波算法应用于交互式多模型估计方法中,有效地解决了地面机动目标跟踪问题。实验结果表明:基于粒子滤波的多模型滤波器在估计精度方面优于标准的交互式多模型滤波器,且IMM-AUPF算法在计算复杂性方面优于交互式多模型Unscented粒子滤波算法。     

一种基于抗差自适应的交互式多模型定位算法

针对无线传感器网络研究中距离信号传播过程存在的非视距现象，假定无线网络中的视距和非视距信道切换是一种具有两种状态的马尔可夫过程，提出了一种基于抗差自适应的交互式多模型算法，基于蜂窝网络到达时间和信号衰减值，利用抗差自适应扩展卡尔曼滤波器平衡交互式多模型中马尔可夫链的模式信任平衡，得到蜂窝网络中相应基站和移动站之间的平滑距离。仿真结果表明，在相同程度的非视距效应的环境下此算法具有良好的定位精度和稳健性，相较于基本交互式多模型算法其定位精度可提升15%以上，且随着非视距效应程度加深，其定位精度可提升至25%。     

一种适于非线性非高斯目标跟踪的MRIMMPF算法

为解决粒子滤波应用到IMM算法时计算量过大的问题,融合交互式多模型和粒子滤波,提出了一种采用多速率方法的交互式多模型粒子滤波(multirate interacting multiple model particle filter,MRIMMPF)算法.该算法采用多模型结构来跟踪任意机动的目标;使用一种3模型、one-third速率/全速率跟踪算法,一个one-third速率模型处理非机动或微弱机动,2个全速率模型用于机动模式,以处理非线性、非高斯问题.仿真结果表明,MRIMMPF算法在性能上并不低于交互多模型粒子滤波(IMMPF)算法,但是计算量明显减小.     

机动巨标跟踪的自适应混合多模算法

本文介绍了用于机动目标跟踪的自适应混合多模算法.这个算法不需要预先定义模型,它利用一个二级卡尔曼滤波器来估计目标的加速度,这个加速度被用于混合多模算法中具有不同确定性加速度的子滤波器中.文中给出了自适应混合多模算法的一个计算机模拟结果并和无自适应混合多模算法的结果进行了比较.     

Application of interacting multi-model algorithm in gyro signal processing

There is one problem existing in gyroscope signal processing,which is that single models can＇ t adapt to change of carrier maneuvering process.Since it is difficult to identify the angular motion state of gyroscope carriers,interacting multiple model （IMM） is employed here to solve the problem.The Kalman filter-based IMM （IMMKF） algorithm is explained in detail and its application in gyro signal processing is introduced.And with the help of the Singer model,the system model set of gyro outputs is constructed.In order to demonstrate the effectiveness of the proposed approach,static experiment and dynamic experiment are carried out respectively.Simulation analysis results indicate that the IMMKF algorithm is excellent in eliminating gyro drift errors,which could adapt to the change of carrier maneuvering process well.     

基于IMM的电扫描雷达参数控制算法研究

针对电控扫描雷达目标跟踪中的资源分配问题,基于交互多模型算法(interacting multiplemodel,IMM),提出了一种对采样间隔和驻留时间两个参数进行联合控制的方法.在满足一定跟踪精度的情况下,相对只优化采样间隔的跟踪算法,更能节约雷达资源.该方法不固定检测概率,只限制其最小值,更加接近实际.仿真结果表明了算法的可行性和有效性.     

IMM算法在车辆机动目标跟踪中的应用

针对高速公路车辆的机动目标跟踪问题,采用交互多模型算法(IMM)中的2个模型分别表示车辆的匀速运动状态和匀加速运动状态,并结合目标运动模型对目标当前加速度和其方差进行蒙特卡洛仿真.仿真结果表明该算法不仅可以在匀速运动时将关键测量噪声减低,而且在机动模型中保证状态估计量比未滤波的雷达测量值精确,同时可以对运动模型进行准确的识别,从而改善路面机动目标的跟踪性能,提高车辆的安全性和可靠性.因此,交互多模型算法可以满足高速车辆机动目标跟踪的要求.     

IMM迭代无迹Kalman粒子滤波目标跟踪算法

针对传统交互式多模型(interactive multiple model,IMM)算法跟踪机动式再入目标精度差和实时性不高的问题,提出一种交互式多模型迭代无迹Kalman粒子滤波算法.该算法在多模型滤波过程中采用改进的粒子滤波算法,通过迭代无迹Kalman滤波融入最新观测信息,进而生成粒子滤波的重要性密度分布,从而提高采样质量,改善滤波算法性能.仿真结果表明,提出的算法相对于交互式多模型粒子滤波算法具有更好的跟踪效果.该算法对提高跟踪机动式再入目标的精度与实时能力具有一定的理论意义.     

Maneuvering target tracking algorithm based on cubature Kalman filter with observation iterated update

Reasonable selection and optimization of a filter used in model estimation for a multiple model structure is the key to improve tracking accuracy of maneuvering target.Combining with the cubature Kalman filter with iterated observation update and the interacting multiple model method,a novel interacting multiple model algorithm based on the cubature Kalman filter with observation iterated update is proposed.Firstly,aiming to the structural features of cubature Kalman filter,the cubature Kalman filter with observation iterated update is constructed by the mechanism of iterated observation update.Secondly,the improved cubature Kalman filter is used as the model filter of interacting multiple model,and the stability and reliability of model identification and state estimation are effectively promoted by the optimization of model filtering step.In the simulations,compared with classic improved interacting multiple model algorithms,the theoretical analysis and experimental results show the feasibility and validity of the proposed algorithm.