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。     

基于粒子滤波的组合定位系统目标跟踪算法

因GPS技术在楼群密集的城市不能单独完成定位,文中采用GPS/DTMB组合导航新方案,又针对传统二维机动模型的不足,研究三维下的平面变速转弯模型,并作为运动目标的机动模型,同时仿真对比分析不同粒子数目下的粒子滤波算法(PF)跟踪效果,结果表明,200个粒子的误差均值为4.590 6 m,400个粒子误差均值为2.377 6 m,滤波后的轨迹与真实轨迹基本重合,定位跟踪效果好,且粒子数目越多,误差均值、标准差、方差越小,即定位跟踪精度越高。证明了GPS/DTMB组合导航新方案的可行性。     

基于粒子滤波的三维转弯目标跟踪方法

为了提升对转弯目标的跟踪精度,本文提出了一种基于粒子滤波的三维转弯目标跟踪方法。首先,针对在三维空间中做HGB机动的目标提出了一种三维转弯模型,并建立了目标拦截过程中合理、可信的导弹动力学模型。然后,分别用粒子滤波(PF)、扩展卡尔曼滤波(EKF)、无迹卡尔曼滤波(UKF)对三维转弯模型进行匹配滤波,通过对各滤波方法的仿真对比分析,选用PF作为三维转弯模型的匹配滤波方法。最后,将机动目标跟踪问题转化为粒子滤波的求解,通过抑制粒子退化和增加粒子多样性的方法,提高了非线性滤波的估计精度。仿真结果表明,基于粒子滤波的三维转弯模型可以对做HGB机动的目标实现稳定可靠的跟踪,对基于三维转弯模型的非线性滤波问题,相较于EKF和UKF, PF的估计精度至少可提升30%。     

基于粒子滤波器的多机动目标跟踪贝叶斯滤波算法研究

提出了一种新的基于粒子滤波器的贝叶斯滤波算法, 用于在非线性非高斯假设下跟踪多机动目标.对目标动态行为的已知描述构成了贝叶斯的先验知识.近来时序蒙特卡罗技术的发展, 特别是粒子滤波器算法, 使采用一个目标状态的集合对贝叶斯模型的后验知识进行建模和跟踪成为可能, 这个集合可以看作是这个后验密度函数的采样集合.这种新的贝叶斯滤波算法是粒子滤波器与划分采样技术和假设计算的有机结合.在与SIR/MCJPDA算法的比较仿真研究中, 证明该算法能够提高系统的跟踪性能.     

改进的Rao-Blackwellized粒子滤波算法在目标跟踪中的应用

在雷达信号处理领域,运动目标跟踪问题一直是研究的重点,涉及的非线性滤波问题是难点所在;以RaoBlackwellized粒子滤波(RBPF)算法为基础,针对其应用于雷达目标跟踪时产生的若干问题进行研究,为提高算法的收敛性能及滤波精度,对其中重采样算法进行改进,利用数字仿真对更改后的算法进行验证,经过表明更改后的RBPF算法在各个方面均有较大程度改善。     

闪烁噪声下的机动目标跟踪算法研究

标准的粒子滤波能够较好的解决闪烁噪声下机动目标跟踪问题,但在采样过程中有时会出现严重的退化现象。针对这种现象,文中提出了一种改进的粒子滤波算法,在采样过程中退化检测,若粒子退化严重,则重新采样,直到退化在允许范围之内。仿真结果表明,在高斯环境下,标准的粒子滤波和改进的粒子滤波性能相近,都优于不敏卡尔曼滤波,但在闪烁噪声环境下,其性能明显高于不敏卡尔曼滤波和标准的粒子滤波,但耗费时间长。     

一种基于粒子滤波的改进红外目标跟踪算法

针对传统红外目标粒子滤波跟踪中仅利用目标灰度信息可能导致目标分辨能力不高的问题,构建了基于位置和灰度的联合时空灰度模型,提出了一种基于联合时空直方图的粒子滤波目标跟踪算法,实验表明:在复杂背景下,该算法能够实现对红外目标稳健的跟踪。     

基于重采样粒子滤波的目标跟踪算法研究

基于传统粒子滤波的机动目标跟踪方法针对非线性、非高斯系统有较好的估计性能,但是存在粒子退化现象。利用残差重采样算法,可以有效克服粒子滤波的退化问题。本文针对残差重采样算法作进一步研究,提出了一种改进的残差重采样粒子滤波算法。该方法在残差重采样基础上进行改进,可以避免残差重采样中关于残留粒子的重采样问题,在保证精度的前提下提高运行效率,减少运算复杂程度。仿真实验结果表明该算法与残差重采样粒子滤波相比提高了目标跟踪的实时性,并且随着粒子数的增加,这种优势表现得更加明显。     

机动目标跟踪中自适应滤波算法的研究

文中对机动目标跟踪中的自适应滤波算法进行了研究,给出了一种适用于雷达导引头跟踪系统的修正的自适应卡尔曼滤波算法,通过全弹系统的数字仿真,对影响该算法滤波性能的各种因素进行了分析讨论.大量仿真结果表明该自适应滤波算法对于机动目标具有良好的跟踪性能和适应能力.     

一种新的混合智能粒子滤波算法在雷达机动目标跟踪中的应用

标准粒子滤波算法的精度不高,鲁棒性差标准粒子滤波算法的精度不高,鲁棒性差难以满足雷达目标跟踪的要求。本文提出了一种新的适用于雷达目标跟踪的智能粒子滤波算法,在粒子滤波中先利用人工鱼群的全局收敛性找到满意的解域,再利用粒子群算法引导粒子向高斯然区域移动,提高滤波精度。仿真表明该算法可以在强闪烁噪声下有效地跳出局部最优,搜索到理想的粒子最优值,提高雷达机动目标跟踪的精度。     

基于速度约束的粒子滤波算法研究

为了提高二维机动目标被动跟踪性能,基于粒子滤波(PF)的基本思想,结合目标的先验信息,将速度约束条件加入到跟踪过程中,通过抛弃约束外粒子,并对粒子分布和权值进行调整来提高算法的执行效率。对新算法进行了仿真分析,并与粒子滤波算法进行了仿真对比。结果表明,新算法具有收敛速度快、跟踪精度高的优点。     

双机协同纯方位目标跟踪研究

根据双机被动传感器接收到的空中目标俯仰角和方位角,利用非线性滤波算法即可估计出目标的位置和速度等运动参数。建立了双机协同对目标作纯方位跟踪的数学模型,在对EKF,UKF,PF几种代表性的非线性滤波算法进行理论分析、仿真比较的基础上,得出EKF更适合应用于双机协同纯方位目标跟踪的结论。采用EKF对四个场景进行Monte—Carlo仿真,结果表明：经过大约50S,距离误差曲线收敛于2．5km,速度误差曲线则逐渐收敛于零,该算法具有较好的稳定性和估计精度。对不同场景的仿真结果分析表明：双机分别作直线运动和蛇行机动的纯方位目标跟踪效果优于同时作直线运动,也优于同时作蛇行机动。     

基于纯方位角测量的水下目标被动跟踪技术

水下目标的被动跟踪技术在军事上具有重要的应用价值,为了解决基于纯方位角测量的水下目标被动跟踪技术在实际应用中的问题,研究了几种适合于单、双观测站的水下目标被动跟踪算法.分别对伪线性估计算法、扩展卡尔曼滤波算法、无迹卡尔曼滤波算法在不同参数情况下的性能进行了详细的仿真与分析.仿真结果表明,静止单观测站虽不能获得目标的完全观测,但是在具有一定先验信息的情况下,伪线性估计算法也可以实现对目标轨迹的估计;双观测站可以获得对目标的完全观测,并且在观测方程严重非线性的情况下,无迹卡尔曼滤波方法的性能要优于扩展卡尔曼滤波方法.仿真结果对工程应用具有重要的参考价值.     

基于粒子滤波的红外/毫米波复合制导目标跟踪方法

介绍了在红外/毫米波复合制导中观测方程的非线性而产生的跟踪问题,将粒子滤波应用于这一工程领域,并针对其易发生粒子退化现象这一缺点进行了改进,获得了很好的效果,仿真结果证明,粒子滤波较扩展卡尔曼滤波具有更好的跟踪效果,并且由于其并行处理的特性,在工程上有较高的应用价值。     

一种"全面"的自适应机动目标跟踪算法

基于截断正态概率密度模型建立修正的截断正态概率密度模型。利用该模型并结合速度估计自适应模型提出一种“全面”自适应机动目标跟踪算法(OAF)．此算法能够避免机动加速度最大值的预先设定,自适应调节目标跟踪算法中的机动频率。进一步运用神经网络方法,将机动频率与过程噪声方差进行融合,通过在线调节神经网络权值获得融合后的系统方差输出,降低现有算法因系统参数调整不当带来的精度损失。理论分析及仿真结果表明,与单纯的速度自适应模型算法相比,该算法跟踪机动目标和非机动目标时精度分别提高49. 61%和48.34%．     

闪烁噪声环境下目标跟踪的UPF算法研究

介绍了一种改进的粒子滤波（PF）算法——无味粒子滤波算法（UPF）。该算法结合UKF（unscented Kalman filter）和PF算法,利用UKF对非线性系统的处理能力,用UKF得到粒子滤波的重要性采样密度函数,从而克服了PF没有考虑最新量测信息和UKF只能应用于噪声为高斯分布的不足。在给出的闪烁噪声统计模型基础上．将UPF、PF算法在雷达目标跟踪中进行了比较,仿真结果表明该方法可以取得比标准的粒子滤波更快的滤波收敛性和更高的滤波精度。     

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。     

基于平方根卡尔曼滤波的粒子滤波算法

在普通粒子滤波器中,基于先验概率的重要性密度不能容纳最新测量信息,导致跟踪精度难以提高。针对该问题,给出一种基于平方根卡尔曼滤波(SRUKF)的新型粒子滤波算法(SRUPF)。该算法以普通粒子滤波器(PF)为基础,运用SRUKF生成重要性密度。与运用先验知识生成重要性密度的普通粒子滤波器不同,SRUPF的重要性密度中包含了最新的观测信息,从而能够更好地逼迫状态变量的分布规律。此外,由于SRUPF在计算重要性密度时不需要在每一个迭代步骤都对状态协方差阵进行分解,因而SRUPF比PF具有更好的数值稳定性。在非线性测角跟踪问题中的应用表明:SRUPF滤波器的跟踪精度优于PF和SRUKF。     

一种光电跟踪平台共轴控制的目标运动滤波方法

目标运动估计是光电跟踪平台实现共轴控制的核心。针对目标运动的滤波精度问题,提出了基于灰色预测模型和卡尔曼理论的目标运动融合滤波方法。利用少量前几个时刻的目标运动数据实时在线建立灰色预测模型,替代标准卡尔曼滤波的目标状态预测方程,避免了需要预先假定目标运动数学模型而引起滤波误差的弊端。进一步对灰色模型预测值和融合滤波估计值的残差序列,构建残差在线预估模型;利用残差预测值对灰色预测模型进行实时修正,有效地提高了灰色模型的预测精度,改善了融合滤波的效果。仿真实验验证了灰色模型在目标运动预测中的有效性。实验结果表明：残差修正策略将灰色模型预测精度提高了60%;与其他滤波方法相比,提出的融合滤波方法具有更好的滤波效果及更准确的目标运动估计。