非线性滤波算法分析及其性能比较

针对目标跟踪实际应用中量测方程非线性对滤波精度和稳定性的影响,重点分析了模型线性化的滤波算法、无迹卡尔曼滤波（UKF）和粒子滤波算法（PF）的基本原理和特点以及适应的条件。仿真试验比较了扩展卡尔曼、无迹卡尔曼和粒子滤波的跟踪效果,结果表明非线性条件下粒子滤波算法优于其它两种滤波算法。     

基于IEKF的目标、外辐射源联合跟踪滤波

在外辐射源雷达中,当外辐射源的位置信息未知时,无法利用外辐射源对目标跟踪定位。文中介绍了一种基于迭代扩展卡尔曼滤波(IEKF)的目标、外辐射源联合跟踪滤波算法,该算法通过对已知外辐射源和未知外辐射源的联合利用,保证了雷达系统在探测目标的同时,也可定位跟踪未知外辐射源。通过仿真数据验证,该方法对目标、外辐射源的跟踪定位有较好的滤波效果,辐射源定位收敛速度优于EKF滤波方法。     

改进粒子滤波算法在目标状态估计中的应用

针对粒子滤波算法(PF)建议性函数的选择问题和粒子匮乏现象,提出了改进粒子滤波算法.该算法利用无迹卡尔曼滤波(UKF)产生建议性分布,提高估计精度;采用马尔科夫蒙特卡罗法(MCMC)保持粒子多样性,抑制粒子匮乏现象.仿真结果表明该算法的目标状态估计精度明显优于PF、UPF、PF-MCMC和PF-EKF-MCMC算法.     

几种非线性滤波算法的比较研究

针对组合导航等非线性系统,扩展卡尔曼滤波算法（EKF）在初值不准确时存在滤波发散的现象,故提出U卡尔曼滤波（UKF）;粒子滤波算法（PF）适合于强非线性、非高斯噪声系统,但同时存在退化现象,故提出2种改进算法。前人的工作多集中在单一算法的研究,而在此是将上述各种算法应用到同一典型非线性系统,通过应用Matlab进行仿真实验得出具体滤波效果数据。综合对比分析了各算法的优缺点,得出一些有用的结论,为组合导航系统中非线性滤波算法的选择提供了参考。     

混合卡尔曼滤波在外辐射源雷达目标跟踪中的应用

为了提高无迹卡尔曼滤波(UKF)中误差协方差矩阵的估计精度,该文结合外辐射源雷达目标跟踪模型,提出了一种混合卡尔曼滤波(MKF)算法,首先通过UKF对目标状态进行一次后验估计,然后重新建立一个观测方程,把UKF滤波输出的状态估计值转化为新建观测方程的量测值,并通过线性卡尔曼滤波对状态进行二次最优估计。实验结果表明,与扩展卡尔曼滤波(EKF), UKF相比,MKF明显提高了外辐射源雷达目标跟踪的精度。      

光电经纬仪的粒子-卡尔曼联合目标跟踪算法及仿真

针对系统状态方程是线性，观测方程是非线性的被动光电测量问题，分析了常用的EKF法（扩展卡尔曼滤波法）、PF法（粒子滤波法）、UKF法（无迹卡尔曼滤波法）的优缺点，提出了以PF法与EKF法相结合的方法作为光电经纬仪的目标跟踪算法．为解决单台光电经纬仪的不可观测性问题，采用2台交汇的观测数据作为观测量进行计算．通过蒙特卡洛仿真计算，比较了上述各种方法对同一运动模型的跟踪结果，证明PF-EKF法在交汇光电经纬仪的目标跟踪中精度较高，而EKF算法的实时性较高．     

正则化粒子滤波在水下目标跟踪中的应用

针对传统卡尔曼滤波(KF)及扩展卡尔曼滤波(EKF)在非线性目标跟踪模型中,跟踪精度较差的问题,本文给出了一种基于正则化粒子滤波(RPF)的水下目标跟踪算法。文中在一种模拟水下目标跟踪环境的非线性动态模型中对所提出的算法进行了仿真试验,并将其跟踪性能与扩展卡尔曼滤波和标准粒子滤波算法(PF)进行了比较。仿真结果表明,PF算法比EKF算法滤波精度更高,RPF的跟踪性能优于PF和RPF,而且随着粒子数的增加,PF和RPF的跟踪性能也不断提高。     

一种水下被动目标纯方位跟踪方法

针对水下被动目标跟踪的非高斯噪声环境和弱可观性的特点,提出了将粒子滤波算法应用于水下被动目标跟踪的思路.该算法直接利用传感器获得的含有噪声的角度数据,通过改进极坐标系下的系统方程得到目标状态的后验概率分布,来估计目标的运动状态.仿真结果表明该算法提高了滤波的稳定性,跟踪精度优于扩展卡尔曼滤波算法和无迹卡尔曼滤波算法.     

基于粒子滤波的单站无源定位跟踪新算法研究

针对单站无源定位跟踪系统非线性较强、传统跟踪滤波方法收敛速度、慢容易发散的问题,提出了一种新的跟踪滤波算法P-EKF。该方法采用粒子滤波的思想对目标实现初始的捕捉,然后通过扩展卡尔曼滤波方法对目标进行跟踪保持,提高了目标跟踪收敛速度和跟踪精度,而对计算资源的消耗有限。缩比仿真实验证明了该方法的可行性和有效性,具有较高的应用价值。     

基于无味粒子滤波的动态场景下高机动目标跟踪

针对传统粒子滤波的目标跟踪算法存在粒子退化问题,提出了基于无味粒子滤波(UPF)的目标跟踪算法。为了将当前观测信息融入,采用无味卡尔曼滤波(UKF)生成粒子滤波的提议分布,以改善滤波效果。针对目标在机动过程中引起的视觉形变以及背景的变化,又采用了颜色直方图作为目标的颜色分布模型,并与UPF相融合。仿真结果表明,该算法对动态场景下的高机动目标有较好的跟踪效果。     

Cooperative localization and tracking in wireless sensor networks

Cooperative localization has attracted great attention in recent years. However, in some scenarios, localization precision is challenging and does not meet the application requirements. In this paper, Kalman and Particle filters (KF and PF) are considered for cooperative localization scenarios purpose. We propose to apply these techniques to cooperative localization approaches that we investigated in previous papers: Evolved Variational Message Passing algorithm (E‐VMP) and Cooperative Robust Geometric Positioning Algorithm (C‐RGPA). The main added value of distributed tracking filters is to guarantee dynamic versions of these two algorithms. The proposed techniques are evaluated and compared by means of real heterogeneous measurements carried out using ZigBee and OFDM devices and where location‐dependent parameters such as RSSI and RTD are exploited. Experiments and realistic simulations reveal that the proposed techniques exhibit better localization accuracy for very low complexity and cost. Moreover, the comparative study shows that distributed particle filter (DPF) provides better performance than KF in terms of positioning accuracy and root‐mean square error.     

一种基于卡尔曼滤波及粒子滤波的目标跟踪算法

针对卡尔曼跟踪算法在非线性非高斯情况下跟踪结果不再准确,以及粒子滤波跟踪算法计算量大难以满足实时性的缺陷,提出了卡尔曼滤波及粒子滤波相结合的算法。利用卡尔曼滤波进行跟踪得到候选目标并计算目标模型与候选模型的匹配程度,若与目标模型匹配度小于一定阈值,则转换跟踪方式利用粒子滤波进行跟踪来修正卡尔曼滤波结果;同时,采用"模板缓冲区法"对目标模型进行更新以保证跟踪的连续性、稳定性及准确性。实验结果表明,这种跟踪算法既发挥了卡尔曼滤波的实时性又保持了粒子滤波的准确性,有较好的跟踪性能。     

基于卡尔曼粒子滤波的目标跟踪算法

目标跟踪在计算机视觉领域有着重要的应用。文中在对运动目标跟踪算法进行研究之后,应用卡尔曼粒子滤波算法进行运动目标的跟踪,同时利用Matlab 对卡尔曼滤波算法、粒子滤波算法及卡尔曼粒子滤波算法进行了实验仿真。实验结果表明,运用卡尔曼粒子滤波算法能够更快、更准确地对运动目标进行跟踪,可将其广泛应用于目标跟踪中。     

Suboptimal particle filtering for MIMO flat fading channel estimation

Particle filters have been successfully employed to track MIMO flat fading channels for wireless communications. However, an optimal importance density cannot be always found to optimize the performance of a particle filter. A suboptimal importance density such as the prior distribution can be used to reduce the complexity of the particle filtering; however, it has a problem of ignoring the current observations. A class of suboptimal particle filters uses the prior distribution as the important density and moves the predicted particles to the low‐error region. In addition, particle filters require knowledge of noise processes to estimate the posterior distribution. This paper presents a suboptimal particle filter that overcomes the drawbacks of the prior importance density and the noise uncertainty by utilizing the swarm behavior in the particle propagation. The presented method will be applied to estimate the channel state information and detect the transmitted symbols of a MIMO wireless communication system under Rayleigh flat fading channel. Computer simulation of a 2 ×2 MIMO system is presented to illustrate the performance of the proposed suboptimal particle filter technique. Copyright © 2011 John Wiley & Sons, Ltd.     

雷达群组网中几种目标跟踪滤波器的比较

在雷达群组网目标跟踪中,目标量测在雷达各自的坐标系下,而目标跟踪却在公共坐标系下,针对这种混合坐标系下异地雷达目标跟踪问题,通常解决这类跟踪问题的滤波算法有CMKF法和EKF法.文中从测量误差模型出发,给出了适用于群组网目标跟踪算法的推导过程,并且通过仿真实验和分析,比较了几种算法的优缺点并给出了结论.     

基于粒子滤波的机载目标跟踪系统设计

基于微小型机载成像跟踪系统设计思想及需求,设计并实现了以高性能的DSP芯片TMS320-DM642为核心处理器,结合可编程逻辑器件CPLD和FPGA的实时图像跟踪处理平台。平台采用基于粒子滤波的目标跟踪算法,实现对目标的实时跟踪。采用卡尔曼滤波器,提高了粒子的利用效率,在改进了算法实时性的同时解决了图像跟踪系统的延时性问题,提高了跟踪系统的稳定性。算法仿真结果表明,与传统相关匹配算法相比,基于粒子滤波的跟踪算法具有更好的鲁棒性和实时性,能满足机载成像跟踪系统实时图像跟踪的要求。     

改进的多特征融合粒子滤波视频跟踪算法

视频运动目标的跟踪是一个典型的非线性、非高斯问题,粒子滤波是一个解决非线性、非高斯问题的主流方法,粒子滤波技术具有非线性等特性,在目标跟踪过程中得到了广泛的应用。传统粒子滤波跟踪算法的退化现象严重,经过几次迭代递推,权重方差随着时间推移而增大,为解决该问题引入均值漂移算法,调整初始粒子分布,使粒子集中于邻近的局部极大值区域内,以减少退化现象的发生。并且将颜色特征和边缘特征融合在粒子滤波跟踪算法中,在传统算法基础上提出改进,加入优化机制,使粒子的权值分布更加接近实际情况。实验结果表明了该算法的有效性。     

基于CPFDE的目标跟踪算法研究

在目标跟踪中,为了克服粒子滤波的粒子退化和贫化问题,提高滤波精度,文中将差分演化算法与容积粒子滤波相结合,形成了差分演化容积粒子滤波算法。在粒子进行先验更新时, 使用容积卡尔曼滤波算法融入当前时刻的量测信息并用其来产生重要性密度函数,并且在重采样阶段,用差分演化算法对根据重要性密度函数抽取的采样粒子做优化操作,从而克服粒子滤波存在的粒子退化及贫化问题,提高滤波性能。实验结果表明,和粒子滤波、无迹粒子滤波、容积粒子滤波相比,该算法有着更高的滤波精度和更好的稳定性,并且能够提高雷达机动目标跟踪的精确性。     

雷达/红外复合导引头信息融合算法

毫米波雷达/ 红外成像复合制导已成为当前多模复合制导技术的研究热点。从毫米波雷达/ 红外成像复合导引头系统的特点及其工程应用出发,建立了一种基于联邦滤波(FF)的分布式雷达/ 红外复合导引头信息融合算法。首先,针对扩展卡尔曼滤波存在线性化误差以及雷达测量噪声非高斯的特点,采用粒子滤波算法(PF)设计雷达子滤波器;针对红外传感器不能测量目标距离的特点,采用伪线性卡尔曼滤波算法(PLKF)设计红外子滤波器。然后通过主滤波器进行信息融合,并对两个子滤波器进行信息分配和重置。仿真结果表明,该信息融合算法能够有效地提高雷达/红外复合导引头系统的目标跟踪精度及系统的稳定性。     

基于H∞滤波器的红外小目标运动预测和跟踪方法

根据H∞滤波理论,提出了基于H∞滤波预测技术的红外图像小目标运动预测和跟踪方法,为了降低模型阶数以加快图像处理速度,滤波过程被分解在水平和垂直两个方向上分别进行,即将滤波器分解为x、y方向上两个子滤波器．H∞滤波器是一种基于最优化最坏情况下的滤波技术,它对噪声源的要求不高,能较好地应用在复杂场景下的目标运动预测与跟踪．实验证实了在噪声源不能确定或是未知的情况下,它比Kalman滤波器对红外小目标的运动预测更加准确并具有更好抗扰动性．