基于粒子群优化和M-H采样粒子滤波的传感器网络目标跟踪方法

针对实际应用条件下传感器节点的观测数据与目标动态参数间呈现为非线性关系的特性,提出了一种基于粒子群优化和M-H抽样粒子滤波的传感器网络目标跟踪方法。该方法采用分布式结构,在动态网络拓扑结构下,由粒子群优化和M-H抽样技术实现滤波中的重抽样过程,抑制粒子退化现象,并通过粒子间共享历史信息,降低单个粒子历史状态间的相关性使各粒子能快速收敛至最优分布,从而实现高精度的目标跟踪效果。仿真结果表明,相比现有的基于信息粒子滤波和并行粒子滤波技术的传感器网络目标跟踪方法,所提出的方法能降低网络总能耗,同时保证目标跟踪的精度。     

基于动态分簇路由优化和分布式粒子滤波的传感器网络目标跟踪方法

针对无线传感器网络中节点通信能力及能量有限的情况,该文提出基于动态分簇路由优化和分布式粒子滤波的传感器网络目标跟踪方法。该方法以动态分簇的方式将监测区域内随机部署的传感器节点划分为若干个簇,并对簇内成员节点与簇首节点之间、簇首节点与基站之间的通信路由进行优化,确保网络能耗的均衡分布,在此基础上,被激活的簇内成员节点并行地执行分布式粒子滤波算法实现目标跟踪。仿真结果表明,该方法能有效地降低传感器网络中节点的总能耗,能在实现跟踪的同时保证目标跟踪的精度。     

基于粒子滤波的分布式雷达TBD算法

为提高分布式雷达系统的目标检测与跟踪能力,研究了基于粒子滤波的检测前跟踪算法。针对传统粒子滤波中粗化方法盲目性的问题,提出了一种适用于分布式雷达目标检测与跟踪的多簇聚类粒子滤波算法。该算法在粗化的基础上,首先采用改进的K Means方法对粒子聚类以形成多个粒子簇,引导各簇内粒子沿着该簇中心向该簇最大联合似然粒子方向偏移,使粒子向高联合似然区域集中。该算法能够在缓解粒子滤波样本贫化问题的同时减少传统粗化的盲目性,提高了系统从接收数据中提取目标信息的能力。对分布式雷达目标检测与跟踪的仿真结果表明,多簇聚类粒子滤波算法比传统的粗化策略粒子滤波算法具有更好的检测能力和更高的跟踪精度。     

分布式粒子滤波算法在面向跟踪的无线传感器网络中的应用

无线传感器网络在目标跟踪应用中的优势主要体现在跟踪更精细可靠且及时隐蔽,但是由于传感器网络中没有中心控制机制,无线通信的带宽有限,这就要求采用合理的跟踪策略,高效的分布式信息处理算法。将“ad hoc跟踪群”的概念移植到面向跟踪的无线传感器网络中作为传感器的组织策略,并和适用范围较大的粒子滤波相结合实现跟踪任务。仿真实验证明,在不影响跟踪精度要求的情况下,此方案能够降低通信能量开销。     

基于动态能量管理的无线传感网络动目标定位跟踪方法

针对无线传感网络目标跟踪的能效性问题,结合网络能耗模型与唤醒机制,提出一种新的基于动态能量管理的分布式动目标定位跟踪方法.根据目标运动的先验信息,通过小波消噪和自回归预测,实现无线传感节点的动态唤醒,延长休眠时间,降低能量消耗.簇内相关节点构成分布式动态定位跟踪单元,簇头负责收集跟踪单元的测量信息,采用一种基于两圆位置关系的定位修正算法,简化了目标跟踪定位过程.仿真结果表明,基于动态能量管理的分布式定位跟踪方法能降低节点能耗,满足定位跟踪精度,适用于地面动目标的定位跟踪.     

基于QMCPF-IMM的强机动目标跟踪算法研究

为了提高雷达对机动目标的跟踪精度,通过融合拟蒙特卡罗思想,提出了一种适用于非线性非高斯系统的拟蒙特卡罗粒子滤波交互式多模型算法。该算法利用拟蒙特卡罗采样,克服传统算法采样粒子间隙过大、粒子层叠问题,增加交互式多模型对机动目标跟踪时的有效粒子数;通过区间估计理论,解决拟蒙特卡罗支撑区间难以计算问题,并结合核密度估计重采样,保证采样粒子的低等差异性。仿真结果表明：与交互式多模粒子滤波算法相比,改进算法可在保证滤波实时性的同时,提高跟踪精度。     

一种基于UPF的公路网约束下的GMTI跟踪方法

文中提出了一种利用公路网先验知识提高GMTI跟踪效果的新算法。公路网中的目标跟踪问题实质上是一个向量空间受约束的非线性估计问题。利用公路网这个约束条件，建立了一种新的目标状态模型，并利用适合于非线性非高斯状态的UPF算法进行跟踪滤波。仿真实验表明该算法降低了粒子滤波的计算量，提高了目标跟踪的精度。     

基于声强的无线传感器网络目标跟踪方法研究

为有效解决无线传感器网络对具有声音特性移动目标的跟踪问题,该文利用声音随距离的能量衰减模,并结合声强特性,给出了基于动态组管理机制的目标跟踪方法。仿真实验结果表明无线传感器网络中基于声强特性的方法,能够有效实现对移动目标跟踪,结合Kalman滤波算法提高了实验结果的跟踪精度。     

分布式传感器多目标跟踪改进算法

利用分布式传感器网络进行目标跟踪,能够有效增加传感器的覆盖范围,提高对运动目标的检测和跟踪能力,但如何充分利用相邻传感器之间的信息进行有效的融合,仍然是一个难点问题。本文在多伯努利滤波框架下,提出了一种改进的分布式融合跟踪算法用于目标数未知且变化的多目标跟踪。提出算法包含三种精度提升策略,即特征级融合反馈、决策级融合输出及交互反馈;其中,决策级融合输出策略可以提取更加准确的估计状态,特征级融合反馈策略可以降低错误融合结果对后续滤波过程的不良影响,交互反馈策略可以避免单传感器因漏检而导致的滤波失败。实验结果表明,提出算法的跟踪精度明显要优于传统的基于GCI分布式融合算法以及粒子多伯努利跟踪算法,具有较好的跟踪性能。      

基于高斯-厄米特粒子漂移的机动目标跟踪算法

为了提高对机动目标跟踪的实时性,提出了一种将均值漂移嵌入高斯-厄米特粒子滤波器的目标跟踪算法.通过粒子滤波产生一组带权粒子,在高斯-厄米特预测的基础上利用基于颜色直方图分布的均值漂移算法对各粒子进行迭代优化,由于在提高粒子质量的同时有效降低了维持"多峰"假设所需的粒子数,从而保证了算法的精度和效率.实验结果表明文中算法在保持较高精度的同时,大大提高了跟踪的实时性.