多目标跟踪的高斯混合概率假设密度滤波算法

在多目标跟踪中,在观测数据存在关联的不确定、检测的不确定、噪声和虚警情形下,同时估计出随时间变化的目标数及目标状态,高斯混合概率假设密度(GMPHD)提供了一种有效的方法.PHD滤波不存在解析解,而GMPHD滤波提供了PHD递推的解析解.仿真结果表明,GMPHD滤波能稳健的跟踪目标数未知或时间变化时的目标状态和目标数.     

未知杂波状态下基于箱粒子滤波的PHD算法

针对未知杂波环境中,传统的多目标概率假设密度(PHD)滤波器跟踪精度无法保证,所需粒子支撑集过大导致效率低下的问题,引入了区间分析技术,提出了未知杂波状态下基于箱粒子滤波的PHD算法。该算法首先完成对雷达目标和杂波的混合空间随机有限集模型的构建,然后基于箱粒子滤波技术,利用量测数据建立未知杂波模型,推导出目标状态更新方程,并用多目标箱粒子PHD滤波递推地估计目标状态。仿真实验表明,当杂波环境与先验模型不匹配时,相较于多目标粒子滤波算法,该算法在保证目标跟踪性能的同时,有效减少了算法的计算时间。     

基于数据压缩的多传感器PHD滤波算法

针对多传感器多目标跟踪,提出一种基于数据压缩的多传感器概率假设密度(PHD)滤波算法,解决串行多传感器PHD(SMSPHD)滤波计算量过大的问题。算法首先利用数据压缩将多传感器量测数据转换成等效的单传感器量测数据,然后在此基础上进行PHD滤波。仿真结果表明,该算法可以实现对多目标的有效跟踪;此外,随传感器数目的增加,该算法增加的计算量约为SMSPHD滤波算法增加的4.3%。     

非平稳非高斯测量噪声条件下改进差分粒子滤波算法研究

针对非平稳非高斯测量噪声(NSNGN)条件下差分粒子滤波(DDPF)算法状态估计精度低、易发散的问题,提出了一种改进DDPF(IDDPF)算法. IDDPF算法采用高斯混合密度函数近似估计测量噪声,替代传统算法中测量噪声的高斯密度函数近似估计,采用似然函数的对数最大化法求解高斯混合密度函数模型参数,并将该模型应用于粒子权值计算,避免了高斯密度函数近似估计噪声模型所易于导致的粒子退化问题;通过建立水下目标纯方位角跟踪系统模型,将IDDPF算法应用于闪烁测量噪声条件下水下目标纯方位角跟踪问题的求解。50次Monte Carlo对比仿真实验结果表明：在NSNGN条件下IDDPF算法具有跟踪响应快、估计精度高、鲁棒性较好等优点。     

一种改进的容积信息粒子滤波多目标跟踪算法

为了解决传统的自举式粒子滤波采用状态转移密度作为重要性采样函数呈现粒子退化、跟踪精度差等问题,文中采用后验概率作为重要性采样函数并提出其估计方法.通过容积信息滤波和Gating技术,估计重要性采样函数对应的均值和方差,完成重要性采样函数设计.使用改进后的粒子滤波方法,在非线性场景下对多个目标的状态和目标数目进行了估计.仿真结果表明,本算法在非线性多目标跟踪场景下具有估计精度高、稳定性好的优点.     

一种新的混合优化粒子滤波算法

针对标准粒子滤波算法的精度不高,对噪声变化敏感的缺点,将一种新的混合智能优化算法引入粒子滤波。在粒子滤波中将人工鱼群算法全局搜索与微粒群算法的局部搜索相结合,融合最新的观测值,使粒子更准确地向高似然区域移动,既保证了全局收敛性,又保证了较快的收敛速度。实验表明该方法具有精度高,抗噪声干扰能力强并且鲁棒性高的特点。     

高斯粒子滤波的局部光流运动匹配跟踪算法

针对目前大多数目标跟踪算法容易受背景干扰等问题,为了快速准确地进行目标跟踪,在基于粒子滤波跟踪方法的启发下,提出高斯粒子滤波的局部光流运动匹配目标跟踪算法。该算法首先采用高斯粒子滤波算法对未来时刻目标的位置状态进行估计假设,缩小目标搜索范围;然后对锁定范围内场景中的所有内容进行局部光流约束匹配计算,寻找最佳匹配位置;最后通过估计目标状态来获得跟踪目标。仿真实验结果表明,该算法特别适用于目标灵活运动时的跟踪,与现有的算法相比,不仅算法实现简单,同时有较好的鲁棒性和通用性。     

后向预测高斯混合概率假设密度滤波算法

针对单步延迟无序量测条件下多目标跟踪中,概率假设密度滤波对目标数量与状态估计误差偏大问题,提出了后向预测高斯混合概率假设密度滤波算法(BP-GMPHD)。该算法在后向预测框架内,以高斯混合概率假设密度滤波器为基础滤波算法,计算各高斯分量的回溯状态并进行再更新,经剪枝与合并等步骤获得最终的目标数量与状态估计。仿真验证表明,该算法在无序量测条件下保持了良好的滤波性能,能够准确估计多目标数目和状态。     

基于贝叶斯原理的粒子滤波算法

为了在物理条件下对目标进行精确建模,有时需要运用非线性、非高斯系统.序贯蒙特卡罗算法,亦即粒子滤波器,它是最近出现的解决非线性问题的有效算法.文中重点论述了基于贝叶斯原理的序贯蒙特卡罗粒子滤波器,指出其可能存在退化现象,并对消除该缺陷的关键技术进行了分析.     

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。     

基于高斯粒子滤波的空-海BDO-TMA的研究

探讨了目标运动分析中基本的非线性估计问题。介绍了粒子滤波的基本思想和免重采样高斯PF（GPF）算法的基本原理．特别针对空-海单站只测方位-多普勒TMA（BDO-TMA）问题应用GPF和EKF（扩展卡尔曼滤波）进行了对照研究，建立了问题的离散非线性滤波估计模型．设计了典型的应用场景，给出了MonteCarlo仿真运行结果；表明GPF具有更高的估计精度、更好的收敛特性和滤波一致性。     

基于线性高斯滤波的多传感器管理算法

随着战场环境的复杂多变,军用传感器系统通常需要在满足跟踪精度要求的前提下,最大限度地降低对资源的使用,隐藏自己.为达到上述要求,传感器管理系统就必须较好地应对目标机动、干扰等不确定因素,最大限度地降低其对系统资源的需求.为此,将线性高斯滤波理论应用于基于协方差控制的多传感器管理算法.仿真结果表明:线性高斯滤波具有处理随机干扰的能力,提高了多传感器系统的探测精度,降低了传感器管理算法无解的概率,避免了因滤波算法精度低而造成的资源浪费,提高了抗毁性,在随机干扰情况下,较好地平衡了跟踪精度和系统工作负载.     

基于高斯混合模型的辐射源模式识别算法

针对现有算法对战场新出现辐射源学习与分类能力较差的问题,提出了基于高斯混合模型(Gaussian Mixture Model,GMM)的辐射源信号模式识别算法,该算法对信号在特征空间中的分布模式进行在线学习,形成基于概率统计的分类模型,在分类中给出样本归属的似然概率。为了进一步提高算法的实时性,提出基于空间网格划分的快速EM(Expectation Maximization)方法,从而使GMM拟合的计算复杂度取决于网格划分的密度而不是样本数量,极大提高了算法效率。对电子侦察典型场景的仿真分析表明,算法能够对各类辐射源进行在线学习与分类,适应性较强,且计算效率较传统EM算法有较大提高。     

基于辅助模型的改进粒子滤波算法

针对非线性、非高斯系统的目标跟踪精度不太高这一问题,提出一种改进Sigma粒子滤波算法(MSP-PF)。该算法是由主模型产生第一个粒子,剩余的粒子则由辅助模型和平方根无迹卡尔曼滤波(SRUKF)来递归生成,辅助模型使粒子的观测信息得到充分有效地利用,解决了粒子滤波算法所面临的粒子退化和匮乏问题。仿真表明,提出的改进Sigma粒子滤波算法(MSPPF)的估计性能要明显优于粒子滤波(PF)、无迹粒子滤波(UPF)、Sigma粒子滤波算法(SPPF)。     

基于粒子滤波的移动机器人跟踪定位算法

针对移动机器人在非线性系统中匀速运动的实时跟踪定位问题,对基于粒子滤波的移动机器人跟踪定位算法进行研究.在控制系统中引入粒子滤波算法,并在此基础上引入退化因子,最后进行仿真验证.结果表明:该算法能避免粒子滤波算法在非线性系统的失效和单样本等问题,改善移动机器人在跟踪定位系统中的非高斯噪声影响,明显提高移动机器人定位精度.     

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。     

基于容积卡尔曼滤波的辅助粒子滤波算法

针对非线性系统的状态估计精度较低的问题,提出基于容积卡尔曼滤波(CKF)的辅助粒子滤波(APF)算法—CAPF算法。该算法采用容积数值积分原则计算非线性函数的均值和方差,生成粒子滤波算法的重要性密度函数,获得所需的带权值粒子,进而计算粒子均值,获得系统状态的最小均方误差估计。CAPF算法由于使用最新的量测信息产生粒子,因而提高了对系统状态估计的逼近程度。仿真结果表明,CAPF算法具有更高的滤波精度,验证了算法的可行性和有效性。     

融合渐消无迹粒子滤波与高斯重采样的FastSLAM 算法

摘要：为解决快速同步定位与地图构建算法因粒子退化导致SLAM(simultaneous location and mapping)估计精度 不佳的问题,提出一种融合渐消自适应无迹粒子滤波与高斯分布重采样的FastSLAM 算法。通过融合渐消滤波和无 迹粒子滤波,产生一种自适应提议分布,利用高斯分布对高权重粒子进行分散得到新粒子。建立机器人运动模型和 观测模型,并在仿真环境中进行性能验证。仿真结果表明：该算法能有效地缓解粒子退化,增加系统稳定性,提高 SLAM 估计精度。