共查询到20条相似文献,搜索用时 218 毫秒
1.
2.
3.
首先针对无源传感器目标跟踪中的非线性问题,将高斯-厄米特求积分规则运用于高斯混合概率假设密度滤波,提出一种求积分卡尔曼概率假设密度滤波。其次,针对未知时变过程噪声,将基于极大后验估计原理的噪声估计器运用到概率假设密度滤波中,同时依据目标状态一步预测与状态滤波结果之间的残差,提出一种对滤波发散情况判断和抑制的算法。最后通过无源传感器双站跟踪仿真表明:相较于已有的非线性高斯混合概率假设密度滤波,所提算法有更高的精度,并且在未知时变噪声环境中具有较好跟踪效果。 相似文献
4.
针对UPF算法在固定单站无源定位目标跟踪应用中存在运算量大、实时性差的问题,通过借鉴简化UKF的思想采用超球面单形采样策略、针对应用背景下状态模型的线性特性采用KF代替状态模型的Sigma点采样、在粒子滤波中对部分粒子间隔进行UKF采样三个方面的改进,提出一种改进的UPF算法。改进的UPF算法既有效降低了运算量,又增加了粒子的多样性,使粒子集更加逼近真实的后验概率密度函数。计算机仿真表明,改进的UPF算法在保持原有滤波精度的同时,有效减少了运算时间,可用相当于EKPF的运算效率得到UPF的滤波精度,适用于固定单站无源定位跟踪系统。 相似文献
5.
6.
7.
针对非线性系统噪声未知时粒子滤波容易发散或者精度下降的问题,提出一种粒子滤波和改进的Sage-Husa估计器相结合的混合滤波算法。首先用粒子滤波对系统状态进行初步估计,将初步估计值作为次级Sage-Husa滤波器的输入量测值,并与系统状态方程组成新的系统,进而用改进的Sage-Husa算法实时估计系统噪声的统计特性并进行滤波,得到最终的系统状态估计值;为了进一步比较算法的性能,对算法的复杂度进行了定量计算,分析表明优化的算法并未明显提高算法的计算量;最后通过目标跟踪仿真实验验证了算法的有效性。 相似文献
8.
针对被动定位跟踪系统非线性强、传统跟踪滤波方法收敛速度慢且容易发散的问题,给出了一种用于纯方位目标跟踪的改进粒子滤波算法。该算法首先用有限的高斯混合模型来近似后验状态密度;其次针对随机噪声对粒子权值准确性的影响,给出了改进的变权平均似然函数。根据χ2检验,对每个粒子权值的更新,采取由多次观测值计算粒子似然函数并对其求变权平均和单一观测值求似然函数相结合的方式进行,既减小随机观测噪声对权值的影响也提高了算法实时性;最后利用基于退火机制的Aitken加速EM算法(A-DAEM)取代传统粒子滤波的再采样过程,克服了EM算法容易陷入局部最值的缺点,改善了粒子枯竭的问题。仿真实验结果表明该算法与变权平均似然函数粒子滤波(PF-ALDP)和基于EM的高斯混合粒子滤波(EM-GMPF)相比,具有高精度估计能力和较强的鲁棒性,是解决非线性系统状态估计问题的一种有效方法。 相似文献
9.
10.
11.
为利用无源固定单站对运动辐射源快速定位,将粒子滤波和UT(unscented transformation)应用于单站无源定位,给出了一种基于UT的角度约束采样混合粒子滤波无源定位算法,该算法从UKF滤波得到建议分布,从该建议分布采样时引入角度测量对状态变量的约束,可以减少粒子滤波用于高维情况时所需的粒子数目,改善滤波性能.与EKF、UKF(unscented kalman filter)以及基于EKF的混合粒子滤波算法的仿真比较表明,本文算法在滤波收敛速度、跟踪精度以及稳定性方面优于其它算法,估计误差可以接近Cramer-Rao下界. 相似文献
12.
13.
14.
15.
将粒子残差一致性度量的滤波算法用于纯方位被动跟踪 总被引:2,自引:0,他引:2
在低信扰比条件下的纯方位被动跟踪中,针对量测似然度评估粒子权重的方式对于滤波结果的不利影响,提出了一种基于粒子残差一致性度量的粒子滤波算法.首先,利用粒子残差实现采样粒子由状态空间到量测空间的映射变换;在此基础上,通过置信度距离和置信度矩阵的构建及求解,完成对于粒子权重的合理度量.新的粒子权重评估方法实现了对于最新量测信息及粒子间蕴含冗余和互补信息的充分提取和利用,使得粒子权重度量结果更加稳定和可靠.最后,仿真实验验证了算法的有效性. 相似文献
16.
17.
18.
提出了一种状态空间模型粒子滤波算法,并应用于运动目标的跟踪。该方法基于贝叶斯估计,利用粒子集来表示概率,通过递推的贝叶斯滤波来近似逼近最优化结果,在预设搜索区域用粒子群找到和目标模板最相似的中心位置,并以该位置作为观测值,进行跟踪。仿真实验结果和两种实际条件下效果比较表明该算法在跟踪低常速运动中精准性高,是一种有效的目标跟踪方法。 相似文献
19.
为提高杂波条件下的机动目标被动跟踪的性能,提出了一种新的粒子滤波目标被动跟踪算法。在声纳的输出端,提取信号的幅度信息(AI),建立多模型对转弯机动目标进行状态估计,以粒子滤波算法作为基本跟踪滤波算法,将AI与概率数据关联(PDA)算法中的似然比相结合,详细推导了结合AI的粒子滤波目标被动跟踪算法(PF-AI)实现的具体过程。在同一被动目标跟踪场景,同时使用单纯PDA算法、结合辅助信息的PDA算法和PF-AI进行被动跟踪仿真,分析了轨迹跟踪性能,并使用均方根误差比较了误差性能。仿真结果表明,与两种基于PDA的跟踪算法相比,PF-AI具有更高的跟踪精度,且算法易于实现。 相似文献