基于改进粒子滤波的机动目标自适应跟踪算法

在粒子滤波的基础上融合扩展卡尔曼滤波算法,融合后的算法在计算提议概率密度分布时,充分考虑当前时刻的量测,使粒子的分布更加接近状态的后验概率分布.将此改进粒子滤波算法在"当前"统计模型框架下进行机动目标自适应跟踪.仿真实验验证了该种方法对机动目标的良好自适应跟踪性能.     

基于方差检测的自适应机动目标跟踪算法

首先建立了机动目标跟踪的系统动态模型和观测模型,在此基础上提出并分析了基于方差检测的状态自适应调整滤波器,针对不加自适应修正的Kalman滤波在机动目标跟踪中的不足,通过仿真验证了基于方差检测的状态自适应调整滤波器的正确性和可行性.     

基于IMM多传感器顺序粒子滤波跟踪机动目标算法

针对交互式多模型粒子滤波在跟踪机动目标时精度受限问题,提出一种基于交互式多模型(IMM)的多传感器顺序粒子滤波算法。采用IMM机制实现目标运动模式的确认;在合理利用单传感器量测和多传感器量测中冗余和互补信息的基础上,引入顺序重抽样方法改善粒子分布,并将改善后的粒子应用于IMM粒子滤波算法框架。仿真实验结果表明:新算法能够估计出强机动目标状态,且精度明显优于标准IMM粒子滤波算法。     

基于新息偏差的自适应机动目标跟踪算法

证明了在某一目标机动输入下为保持跟踪最优,标准卡尔曼滤波器的过程噪声协 方差阵的调整公式,并利用观测新息在目标机动中发生正偏或负偏的信息,设计了一种自适 应跟踪算法．仿真说明该算法具有运算量小,跟踪精度高的特点．     

基于神经网络的机动目标自适应跟踪算法

非机动或弱机动目标的跟踪精度和稳定性问题一直困绕着人们,根据机动目标“当前”统计模型和均值与方差自适应滤波算法,建设性地提出了基于神经网络的机动目标自适应跟踪算法,并以仿真实验给予了验证。     

改进的机动目标当前统计模型自适应跟踪算法

针对机动目标当前统计模型自适应跟踪算法的加速度方差依赖于预先设定的加速度极值的问题,研究新的加速度方差调整方法。在机动目标当前统计模型的基础上,根据雷达实时观测信息,利用加速度扰动与位置变化量之间的物理关系,采用一种新的机动目标当前统计模型加速度方差自适应跟踪方法。仿真结果表明,新算法对高机动目标、一般机动目标均具有较高的跟踪精度,从而验证了新算法的正确性和有效性,对机动目标跟踪问题具有一定的实际应用价值。     

基于粒子滤波的机动目标跟踪

在单机动目标跟踪中,目标的机动情况是未知的,提出的算法用粒子滤波器求加速度的估计,由Kalman滤波得到加速度的重要性概率密度函数。仿真实验结果表明,该算法可较好地跟踪目标状态（包括加速度）的变化。     

基于自适应卡尔曼滤波的机动目标跟踪算法

在机动目标跟踪过程中,由于目标运动的不确定性,雷达系统接收的数据存在噪声,使预置目标运动模型通常很难得到较高的跟踪精度。为此,以自适应卡尔曼滤波为基础,将直角坐标系和球坐标系相结合,提出了一种混合坐标系下的自适应卡尔曼滤波算法。算法避免了两个坐标系变换引起的噪声统计规律变化问题,并针对目标发生大机动运动的情况,自适应的调整动态模型中机动目标运动参数。蒙特卡洛仿真结果表明,改进算法的收敛速度和对状态的估计精度均得到优化,并对机动目标具有较好的跟踪性能。     

机动目标跟踪双滤波器模型及自适应算法

现代机动目标跟踪的困难来自跟踪的快速生成精度在一定计算负荷约束下的协调难以令人满意,考虑依次处理快速性与精度的方案。采用滑动均值均匀分布描述目标的随机机动特性,分别采用宽带的均值预估滤波器和窄带的跟踪滤波器串联,实现机动速度大变动或突变的精确,快速跟踪,双滤波器的计算量适中,易于工程实现,对各种运动形式进行计算机模拟表明,这类算法对高度机动或弱机动或无机动均可给出较好的目标位置,速度及加速度估值。     

基于卡尔曼自适应滤波算法的机动目标仿真研究

卡尔曼滤波理论在目标跟踪中得到成功的应用,但是在目标各种运动状态下仅利用卡尔曼滤波很难具有良好的跟踪性能。介绍了几种自适应卡尔曼滤波算法,对基于"当前"统计模型的卡尔曼自适应滤波算法在目标跟踪领域进行仿真,验证了卡尔曼自适应滤波算法的可靠性。     

强机动目标跟踪自适应交互式多模型算法

针对机动目标跟踪过程中建立的目标模型和目标的实际运动模式出现失配的问题,提出了从一组离散模型集中选出最优模型,并自适应调整模型参数,使模型逼近目标实际运动模式的交互式多模型算法.蒙特卡罗仿真表明,该算法与传统的常速模型与自适应协同转弯模璎交互算法(IMM-CV/ACT)相比,在目标发生强机动时,能及时有效的把跟踪误差峰值控制在测最标准差之下,适合于强机动目标跟踪.     

体育视频序列中基于IMM的运动目标跟踪算法

在视频处理领域的运动目标跟踪问题中,卡尔曼滤波器（KF）与扩展卡尔曼滤波器（EKF）已经得到了广泛的应用,但在复杂背景或是目标高机动运动的情况下跟踪效果并不理想。提出一种基于交互多模型算法（IMM）,并采用去偏转换测量卡尔曼滤波器（CMKF-D）对运动目标进行跟踪的算法。该算法有效地解决了单一模型无法与运动特性相匹配的问题,并克服了KF、EKF对非线性模型线性化所引入的误差。以足球视频为例进行仿真实验,结果表明该算法有效地提高了视频序列中运动目标跟踪的准确率。     

双Markov多假设IMM机动目标跟踪算法

为提高交互式多模型(IMM)算法对机动目标的估计精度,需要增加其模型数量,但模型过多将导致计算量大并降低估计器性能。针对上述问题提出一种基于模型集的双马尔可夫多假设IMM机动目标跟踪算法。该算法用模型集间的马尔可夫转移阵描述模型集之间的大跳变,用模型的马尔可夫转移阵描述模型集内各模型间的小跳变或慢变,以达到细化建模、提高滤波精度的目的。     

粒子滤波器在机动目标被动跟踪中的应用

为处理机动目标被动跟踪中的非线性非高斯问题,提出了一种基于粒子滤波器的交互多模型（IMM）多观测站跟踪方法。使用转弯率建立了被动跟踪模型,用“蛙跳”处理方式来提高多站被动跟踪问题的可观测性,结合被动跟踪模型,利用非线性粒子滤波方法,对IMM算法进行了改进,提高了对IMM混和密度的近似程度,通过被动跟踪仿真实例,同时使用IMM粒子滤波器（IMM-PF）与IMM扩展卡尔曼滤波器（IMM-EKF）进行跟踪仿真,分析了轨迹跟踪性能,利用均方根误差比较了误差性能。仿真结果表明,与IMM-EKF相比,IMM-PF具有更高的跟踪精度和更快的机动响应速度。     

基于自适应蝙蝠粒子滤波算法的WSN目标跟踪

为了解决粒子滤波(PF)的无线传感器目标跟踪中样本贫化导致的精度较低的问题,提出了自适应蝙蝠粒子滤波的WSN目标跟踪方法。通过自适应的蝙蝠算法的滤波算法优化粒子重采样过程,结合最新的观测值定义粒子的适应度函数,引导粒子整体上向较高的随机区域移动。同时利用动态自适应惯性权重探索新的粒子位置更新为设计机制,引入动态适应惯性权重值, 有效调整全局探索和局部探索适应能力、改善粒子贫化和局部极值问题,增加粒子群多样化从而提高跟踪性能。实验结果表明,自适应蝙蝠粒子滤波算法重采样方法可以防止粒子的退化,增加粒子的多样性,减少跟踪误差,可以减少算法的运行时间,实时追踪性能大幅提高。与BA-PF算法和PF算法相比较,IBAPF 算法的计算时间是最短的,IBA-PF算法的位置和速度的平均平方根误差最小(位置0.0311、0.0202、速度0.0262、0.0101),PF算法的跟踪精度是最低的,而IBA-PF跟踪精度较高,IBA-PF算法被证明具有良好的跟踪性能。     

一种机动目标的跟踪算法研究

目前在机动目标跟踪领域中讨论比较多的算法包括扩展卡尔曼滤波算法、强跟踪算法、UKF算法和粒子滤波算法;扩展卡尔曼滤波算法对非线性方程进行一阶线性阶处理,这种近似所带来的误差会随着非线性化程度的严重而越来越显著,最终造成滤波器的发散;而粒子滤波作为一种基于蒙特卡洛方法的贝叶斯滤波算法,虽然不需要对非线性方程进行一阶近似,但是其计算负担过于繁重,很难满足实时性的要求,提出了一种基于粒子滤波（PF）的径向基（RBF）神经网络（PF—RBF—Neural—Networks）机动目标跟踪算法,该算法能够获得和粒子滤波几乎相同的跟踪精度,同时又克服了粒子滤波计算量大的缺陷,仿真结果验证了该算法的有效性和可行性。     

变维卡尔曼滤波算法的机动目标跟踪性能研究

卡尔曼滤波在非平稳矢量信号和噪声环境下具有广泛的应用,针对机动目标具有多个运动模型的特点,采用基于卡尔曼滤波的变维算法对机动目标进行跟踪处理,该算法首先建立了机动目标的非机动模型（CV）和机动模型CA）,然后对观测数据进行滤波和误差估计处理,最后通过计算机的蒙特卡洛仿真得到了滤波轨迹和机动目标的位置和速度误差,仿真结果表明变维卡尔曼滤波算法具有很好的目标跟踪性能.     

基于粒子滤波的机动目标跟踪算法仿真研究

针对非线性多目标模型,应用粒子滤波算法,这种方法不受模型线性和Gauss假设的约束,是一种处理非线性非高斯动态系统状态递推估计的有效算法。在粒子滤波的基础上融合扩展卡尔曼滤波算法和无迹卡尔曼滤波算法。融合后的新算法在计算提议概率密度分布时,粒子的产生充分考虑当前时刻的量测,使得粒子的分布更加接近状态的后验概率分布,再用平滑算法处理滤波的结果。仿真结果表明,算法有较好的跟踪效果。     

基于PF-Singer的机动目标跟踪算法

Singer模型是典型的全局统计模型,其严重缺陷在于所采用的零均值时间相关模型和标准卡尔曼滤波算法不能完成对机动目标状态的正确估计1只有当目标做匀速直线运动时,动态误差的稳态值才为零,否则不为零;采用PF—Singer算法对机动目标进行跟踪。能够有效解决传统Singer模型存在的问题,提高其跟踪精度;通过仿真试验证实了该算法的有效性。