基于非线性滤波的自适应交互式多模型算法

研究了基于非线性条件下的自适应交互多模型算法,并将EKF及UKF引入自适应交互多模型算法(AIMM).交互多模型算法(IMM)是机动目标跟踪中比较有效的方法,然而传统IMM算法中的滤波参数完全是人为先验确定的,并没有利用当前时刻量测中的信息,文中给出基于后验概率的模型转移概率自适应交互多模型算法.最后通过一个仿真实例比较了AIMM中EKF方法与UKF方法及传统IMM方法的优劣,并分析了结论.     

基于模型调整的自适应交互多模型算法

针对交互多模型算法的技术特点,利用量测中所包含的当前信息对目标模型集的自适应调整并对调整后的模型概率进行估计,实现了模型集的自适应交互多模型算法。介绍了这种算法的设计步骤和仿真方法。仿真结果表明了该算法比标准IMM算法具有更高精度的跟踪性能。     

一种相控阵雷达自适应数据率目标跟踪算法

为了提高相控阵雷达机动目标跟踪的系统资源利用率,给出了一种高效快速的自适应数据率交互多模型目标跟踪算法（FAIMM）,将目标数据更新时间与模型概率关联起来,使每一节拍的数据更新率随目标的瞬时机动特性自适应调整。仿真结果表明,与AIMM跟踪算法相比,自适应数据率跟踪算法准确率更高,系统资源消耗更少。     

基于改进交互式多模型算法的ADS-B航迹滤波方法研究

针对广播式自动相关监视(ADS-B)航迹跟踪精度低以及目标跟踪模型与目标运动模型匹配效率低的问题,结合自适应算法对经典交互多模型(IMM)算法的运动模型集进行改进。将经典交互模型(IMM)运动模型集中的匀加速运动(CA)模型,改进为"当前"统计模型(CS)和修正转弯(MCT)模型。利用改进的模型集对目标当前位置、速度和加速度进行滤波估计。并对模型转移概率进行修正,提高IMM算法的自适应能力,实现快速目标跟踪。利用模拟航迹数据及实际设备接收的实测数据对算法进行验证。结果表明:运动模型集改进后的IMM算法滤波结果优于经典IMM算法,跟踪结果稳定,改进的算法可适应复杂的目标航迹实时跟踪。     

基于概率相关性的AIMM跟踪算法

为解决传统自适应交互式多模型(AIMM)算法计算量普遍过大而不适应于实际工程应用的问题,提出了基于概率相关性的自适应的交互多模型算法(PR-AIMM),该方法在由CA、CV和基于圆周运动的转弯(TR)模型3个基本模型组成的模型集上,利用模型后验概率最近时间相关性自适应地调整马尔可夫转移矩阵的参数,能对空中大部分机动目标进行有效的跟踪,有效地解决在实际工程应用中机动目标跟踪问题.最后运用仿真试验对上述算法进行了合理性和有效性验证,并在实际工程应用中达到了满意的效果.     

机动目标跟踪的一种模糊算法

研究了模糊交互多模型算法（FIMM）和基于当前统计模型（CS）的自适应滤波算法,提出了一种基于当前统计模型的模糊交互多模型算法（CSFIMM）。该算法克服了模糊交互多模型算法精度较低和当前统计模型自适应滤波器方差调整有限的缺点。通过仿真,对所提出的算法和交互多模型（IMM）算法以及FIMM算法在估计精度和计算量两个方面进行了比较。     

变维自适应交互式多模型跟踪算法

针对传统的交互式多模型(IMM)算法通常采用相同维数的模型进行滤波,存在较大的模型误差以及当前统计模型(CS)中的参数需要合理设定的问题,提出一种变维自适应交互式多模型(AIMM)跟踪算法。该算法首先利用维数变换,将不同维数的模型转换为统一的维数进行交互滤波,使之适用于一般的机动目标,减少模型跟踪误差;然后通过引入由残差信息定义的调整因子对CS模型中的参数自适应调整,提高模型与实际运动模式的匹配程度;最后将参数调整后的CS模型反馈到变维IMM算法中,来改善跟踪性能。仿真实验表明,与传统变维IMM算法相比,文中所提算法在有效跟踪机动目标的同时,提高了目标的跟踪精度。     

自适应交互多模型滤波在INS/CNS组合导航中的应用

针对惯性/天文(INS/CNS)组合导航系统中由于量测噪声的统计特性随应用环境发生变化而导致滤波精度降低的的问题.提出了一种基于自适应交互多模型(AIMM)的组合导航算法,该算法将改进的Sage-Husa自适应滤波器与交互多模型相结合,以少量的模型实现对实际模态的覆盖.仿真结果表明:与常规Kalman滤波方法相比,该方法较好地覆盖了实际模态变化情况,实现了对量测噪声统计特性变化的自适应调整,在观测值发生异常时,导航参数误差没有大的跳变,导航滤波器在观测值异常时具有一定的自适应能力,从而保证了导航滤波器的可靠运行,提高了导航系统的精度和可靠性.     

被动跟踪中模糊变结构交互多模型算法

在对机动目标进行被动跟踪时,为了提升跟踪效果,提出了一种基于最小二乘的模糊变结构交互多模型算法.首先,对于被动跟踪中状态与量测之间存在的非线性关系,算法采用最小二乘原理对角度量测进行预处理,降低非线性量测方程的线性化误差.然后,针对交互多模型算法中固定结构的模型集带来的局限性,算法引入模糊推理规则以进行模型集自适应,减...     

机动目标跟踪中的多模型算法

多模型算法经历了从静态多模型（SMM）到交互多模型（IMM）、从固定结构多模型（FSMM）到变结构多模型（VSMM）的发展过程。通过分析FSMM算法的局限性,得出了VSMM算法的优点和使用时机,介绍了变结构多模型的转换算法,同时提出了一种新的VSMM算法——最小子模型集切换算法。     

自适应混合多模算法在机动目标跟踪中的应用

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与无自适应混合多模算法的结果进行了比较。     

区间量测下自适应交互多模型箱粒子滤波机动目标跟踪

针对现有交互多模型箱粒子滤波(Interacting Multiple Model Box Particle Filter,IMMBPF)算法在区间量测目标跟踪过程中模型切换和跟踪精度方面的不足,结合自适应交互多模型算法,提出了一种自适应交互多模型箱粒子滤波(Adaptive IMMBPF,AIMMBPF)算法。该算法利用模型似然后验信息构建修正因子,并结合阈值对马尔可夫转移概率矩阵进行自适应修正,使得匹配模型的概率快速增大,并且可以减小非匹配模型的影响,即使在目标运动模型先验信息不足或者不准确情况下,也能对模型转移概率进行自适应更新。对于量测常受到未知分布和偏差的区间误差所影响而呈现区间形式的问题,将箱粒子代替普通粒子,拟合后验概率密度从而进行滤波。仿真结果表明,相比于原有算法,该算法在区间量测机动目标跟踪的应用中,拥有更优的模型匹配度和目标跟踪精度。     

基于改进自适应IMM-UKF算法的水下目标跟踪

针对现有自适应交互式多模型算法(AIMM)在水下目标跟踪过程中模型切换和跟踪精度上的不足,该文结合无迹卡尔曼滤波(UKF)算法,提出一种改进的AIMM-UKF算法。该算法在自适应修正马尔可夫转移概率矩阵的基础上,利用判定窗对其进行二次修正,实现匹配模型概率的快速增大和对非匹配模型的抑制。仿真结果表明,改进算法相比原有自适应算法,能更加充分地利用后验信息,拥有更好的模型切换速度,跟踪精度提升约24%。     

基于IMM-UKF的机动目标跟踪方法

针对目标运动模式的不确定性和运动模型的非线性问题,提出基于无味卡尔曼滤波器的交互式多模型方法。该算法采用匀速运动模型、匀加速运动模型、已知转弯角速度的匀速率转弯模型和“当前”统计模型作为模型集,用无味卡尔曼滤波实现非线性状态估计。仿真结果表明,该算法比传统的交互式多模型算法具有更高的跟踪性能。     

战术数据链通信延时的补偿方法研究

为补偿战术数据链通信延时对战场指挥带来的影响,针对采用自适应"当前"模型(ACM)进行通信延时补偿,虽可以实时匹配目标运动状态,提高预测精度,但其进行模型实时切换时,存在预测估计精度会发生跳动的问题。采取基于数据链的自适应交互多模型进行预测估计补偿通信延时。仿真实验证明该方法可以有效提高预测估计精度,同时减小了模型集变化时预测估计精度跳动。因此基于数据链的自适应交互多模型比较适合用作对战术数据链通信延时进行补偿处理。     

适于无源阵列跟踪机动目标的IMM-PF算法

针对无源阵列对机动目标跟踪效果较差的问题,在融合交互式多模型和粒子滤波方法的基础上,提出了一种基于粒子滤波的交互多模型(IMM-PF)算法.该算法采用多模型结构以跟踪目标的任意机动;各模型采用粒子滤波算法,以处理非线性、非高斯问题.各模型中相对固定数目的粒子群经过相互交互、粒子滤波后再进行重抽样以减少滤波退化现象.与典型的交互式多模型算法(IMM-KF)进行了比较,计算机仿真结果证实了新算法的正确性和有效性.     

改进的交互式多模型粒子滤波跟踪算法

通常的交互多模型卡尔曼滤波(IMMKF)或交互多模型扩展卡尔曼滤波(IMMEKF)对于非高斯问题无能为力;对于非线性问题,其性能不及交互多模型粒子滤波算法(IMMPF)。粒子滤波能够处理非线性/非高斯问题,其与交互式多模型结合用来获得更好的跟踪性能。然而,粒子滤波的主要问题是巨大的计算量,由于粒子滤波通常采用大量的粒子数目,将带来很大的计算负荷。该文提出了一种改进的交互多模型粒子滤波算法,其利用多模型综合使用了卡尔曼滤波和粒子滤波,与常规交互式多模型粒子滤波(IMMPF)相比,大大改善了计算效率。对于非线性/非高斯问题,其性能与IMMPF相当;对于线性问题,其性能与IMMEKF相当,并优于IMMPF的性能。     

基于交互多模卡尔曼滤波器的定位算法"

针对蜂窝网中,由于电磁波的非视距传播导致定位精度较低的问题,将交互多模(IMM)方法引入到蜂窝网定位中。详细阐述了基于卡尔曼滤波器的交互多模算法(IMMKF)的工作原理以及IMMKF在蜂窝网定位中的应用,通过动态环境下的仿真试验验证了IMMKF能随信道传播环境的变化,在视距与非视距滤波模型之间进行自适应切换,达到抑制非视距误差的目的,并对IMMKF的滤波性能进行了分析和仿真验证。