一种基于UKF交互多模型算法

交互多模型采用模型软切换方式有效地解决了目标运动模式多样化的问题,是目前最具实用性的多模型机动目标跟踪算法。自从1988年提出该算法后,迅速在雷达机动目标跟踪与雷达组网技术中得到了广泛的应用。结合交互多模型算法和目前发展较为成熟的非线性估计算法———无味滤波算法,以高机动反舰导弹目标跟踪为应用背景,以基于匀速运动、匀加速运动、匀速转弯和“当前”统计模型这四种跟踪模型组成的模型集为基础,对交互多模型算法进行了仿真研究,证实了该算法的有效性。     

一种交互多模型的远距离弱机动目标跟踪算法研究

远距离弱机动目标的检测、跟踪算法很多,但是在太空背景条件下,由于背景复杂和成像系统模糊等影响,使得这些算法只能适应于特定的环境。因此需要我们在分析天基探测的背景、环境和算法处理实时性两方面的基础上,对现有跟踪算法进行优化,适应空间目标跟踪要求。本文提出了一种基于反馈分层融合的交互多模型机动目标算法——msIMM,并给出了算法的基本步骤。仿真表明msIMM算法在跟踪性能和算法的鲁棒性方面比mscsm具有明显优点。     

一种改进的交互多模型算法

针对交互多模型(IMM)算法对目标加速度估计误差较大的不足,提出了一种改进的交互多模型算法,通过对交互多模型输出的加速度信息进行均值滤波提高对加速度估计的精度.计算机仿真表明,与交互多模型相比,该方法对匀速目标特别是机动目标具有更好的加速度估计能力,且便于工程实现.     

基于交互多模型的路面机动车辆跟踪算法

机动目标跟踪一直是智能汽车环境感知领域的研究重点和难点,为了实现对目标车辆的准确跟踪,研究了将交互多模型(interactingmultiplemodel,IMM)算法应用到智能汽车对目标的跟踪中。首先,根据目标车辆的真实运动情况提出一种基于"当前"统计模型和Singer模型的模型集,然后,在PreScan中搭建模拟场景,将此模型集应用到IMM目标跟踪算法,并将本算法与基于"当前"统计模型和基于Singer模型的两种单模型目标跟踪算法进行仿真比较。结果表明此IMM算法在智能车辆目标跟踪方面具有较高的应用价值。     

一种新的机动目标跟踪的多模型算法

采用带渐消因子的当前统计模型与匀速运动模型进行交互,设计了一种新的机动目标跟踪的交互式多模型算法。当前统计模型具有对一般机动目标跟踪精度高的特点,通过渐消因子的引入增强了该模型对突发机动的自适应跟踪能力,同时通过与CV模型的交互保证了对非机动目标的跟踪性能。仿真结果表明,在跟踪一般机动目标时,其误差和当前统计模型与CV模型交互的IMM算法相当;在跟踪突发机动目标时,该文算法的误差明显小于当前统计模型与CV交互的IMM算法。     

一种基于交互多模型卡尔曼滤波的被动协同定位滤波算法研究

针对多节点被动协同定位模式下,海面高机动目标定位结果随测向误差跳变的问题,提出一种基于交互多模型卡尔曼滤波的被动协同定位滤波算法;通过仿真模拟一条由多种运动状态组合而成的航迹,各子航迹对应不同的运动模型,对比了常规卡尔曼滤波算法和交互多模型卡尔曼滤波算法对复杂场景的滤波效果,仿真结果表明后者具备更好的滤波性能。     

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...     

基于“当前”统计模型的变结构交互多模型算法

"当前"统计(Current Statistical,CS)模型与交互多模型(Interacting Multiple Model,IMM)算法相结合,解决了机动目标跟踪问题中目标机动性难以匹配的问题。但是,IMM算法中模型集合的选取以及CS模型中最大加速度参数的设置会影响跟踪性能。针对这一问题,在变结构交互多模型(Variable Structure IMM,VSIMM)算法框架上,提出了一种根据加速度的预测值进行自适应调整最大加速度参数的CS模型。仿真结果表明,新算法可以有效提高对目标的跟踪精度。     

基于交互多模型的低空目标跟踪算法研究

研究了基于交互多模型(IMM)的低空目标跟踪问题。分析了低空目标的运动特征,给出了目标匀速(CV)直线、匀加速(CA)直线、曲线飞行航迹模型。在交互多模型(IMM)算法中,采用多种运动模型跟踪低空目标。在所研究的大机动模型情况下,通过多次数据处理优化参数后,统计分析结果表明,该算法滤波后数据误差明显降低,数据精度有较大的提高,能够稳定精确地跟踪低空目标。因此,该低空目标跟踪算法是有效的。     

自适应交互多模型跟踪算法的模型集设计

自适应交互多模型算法（AIMM）是标准交互多模型算法（IMM）的一种改进。但AIMM遇到了新的问题，包括如何选择自适应模型集的结构，如何从基于旧模型集的滤波器中继承各种数据。本文分析了这些问题，并给出了AIMM中模型集和模型转移概率的设计方法。仿真结果表明，改进的AIMM算法比普通的AIMM算法的跟踪性能有明显的提高。     

自适应转移概率交互式多模型跟踪算法

针对标准的交互式多模型算法（Interacting Multiple Model,IMM）存在模型集设计困难和采用固定转移概率矩阵导致模型切换缓慢、跟踪精度下降的不足,提出一种自适应转移概率IMM算法.首先,提出了一种新的模型集设计方法,将强跟踪修正输入估计（Strong Tracking Modified Input Estimation,STMIE）模型和匀速运动（Constant Velocity,CV）模型作为IMM算法的模型集,利用STMIE算法对高机动目标的跟踪能力以及CV模型对非机动目标跟踪的高精度,实现对目标的全面自适应跟踪.其次,提出一种依据模型似然函数值对Markov转移概率进行实时修正的方法,增强匹配模型的作用,削弱不匹配模型的影响.仿真结果表明,依据模型似然函数修正转移概率的方法使IMM算法的模型切换速度和跟踪精度都得到提高,提出的IMM-STMIECV算法的跟踪精度高于IMM-CVCA、IMM-CVCACT以及IMM-CVCS算法.     

基于SRCDKF的交互式多模型算法

给出了一种基于平方根中心差分卡尔曼滤波的交互多模型(IMM)算法.该算法较好地解决了非线性条件下机动目标跟踪的问题,可获得比基于扩展卡尔曼滤波(EKF)的IMM算法更好的数值稳定性、计算精度和收敛速度,还避免了复杂的Jacobi矩阵运算.Monte Carlo仿真验证了该算法的可行性和有效性.     

利用CUDA快速实现IMM目标跟踪

根据二维空间内目标作匀速直线运动和匀速圆周运动的特点,在建立目标运动模型和观测模型的基础上采用基于交互多模算法（IMM）的卡尔曼滤波器对机动目标进行跟踪。但由于IMM算法存在大量的递归与矩阵运算,所以实时性降低,这也是工程上难以实现的原因。通过CUDA对算法进行加速实现,在不影响算法性能的基础上实时性大大提高。仿真结果表明,利用该架构实现的IMM算法不仅能够对匀速直线运动和匀速圆周运动的目标进行实时跟踪,而且在运动模型发生变化时,实时性也得到很大提升,滤波误差也比较小。     

基于序贯重点采样粒子滤波的分布估计算法

 连续域分布估计算法一般假设数据服从高斯分布,而且大多采用了单峰的概率模型,但是对于一些复杂的优化问题,单峰的高斯分布模型不能有效地描述解在空间的分布.本文提出一种基于序贯重点采样粒子滤波的分布估计算法,采用带权粒子描述优选集样本服从的概率分布并从中采样得到下一代种群,不需要假设样本服从高斯分布,并且算法采用的概率模型是多峰的.仿真实验结果验证了本文方法的正确性和有效性.     

采用多速率多模型交互实现机动目标的全速率跟踪

多速率模型通过对原始测量结果和目标运动模型进行多分辨分解实现目标高精度跟踪.多模型交互方法则采用一个马尔科夫链控制多个模型交互实现机动目标跟踪.本文给出了一种采用多速率多模型交互方式实现机动目标全速率跟踪的方法,它通过交织多次滤波结果使得跟踪能同时保证高精度和全速率.仿真结果及分析说明了该方法较传统的全速率多模型交互算法获得了更好的跟踪效果.     

一种基于交互式多模型算法的联邦滤波器

针对联邦滤波器对实际目标尤其是机动目标的估计精度较低的问题, 将联邦滤波器与动态多模型估计算法相结合, 提出一种基于交互式多模型算法的联邦滤波器。该算法采用交互式多模型算法来代替卡尔曼滤波算法作为子滤波器, 克服非线性条件下的滤波发散, 从而提高滤波稳定性和状态估计精度。仿真结果表明, 在目标做机动的情况下, 联邦IMM滤波器的估计误差始终保持在一定范围内, 具有良好的稳定性和容错性。     

交互式多模型机动目标跟踪方法的仿真

分析和研究利用CV模型和CA模型交互、CV模型和Singer模型交互、CV模型和“当前”统计模型交互分别对单机动目标进行跟踪。通过大量的计算机模拟仿真，比较了不同的模型组合在各种参数情况下的滤波性能，并且比较其和卡尔曼滤波（Singer模型）性能的优劣性，得出了一些有意义的结论。     

改进的马尔可夫参数自适应IMM算法

针对机动目标跟踪问题,首先推导了马尔可夫参数自适应IFIMM算法自适应调节模型切换矩阵的必要条件,进一步分析了马尔可夫矩阵修正IMM跟踪算法的适用局限性.通过重新定义模型误差压缩率之比,提出了一种改进的马尔可夫参数自适应IMM算法,并阐述了误差压缩率之比的特性.最后进行了仿真实验并指出了马尔可夫自适应IMM算法的适用范围.     

一种机载PD雷达交互多模型滤波方法

机载雷达在运动平台上探测目标,探测数据描述的是平台和目标的相对位置。目标的机动状态不明,且探测数据和目标真实位置之间是非线性关系,导致机载雷达的航迹滤波难度大,滤波器精度和稳定性差。本方法中先进行数据预处理,量测误差在天线坐标系下获得,目标状态方程和量测方程在固定坐标中心的直角坐标系下建立,量测误差协方差矩阵由量测误差和位置进行无偏转换获得;采用交互多模型滤波器,模型集由匀速直线运动模型、当前统计模型和角速度未知的匀速转弯运动模型组成;非线性模型迭代由容积卡尔曼滤波实现,各模型的初始概率和模型参数基于速度和径向速度进行预估。仿真实验表明该方法提高了机载PD雷达的航迹情报质量,尤其提高了机动目标跟踪的精度和稳定性。