基于JMS-SMC-PHD滤波的检测前跟踪算法

针对低信噪比条件下机动目标的检测与跟踪问题,提出跳跃马尔可夫系统下的序贯蒙特卡罗概率假设密度(JMS-SMC-PHD)滤波的检测前跟踪算法。该算法在机动目标数目和模型未知情况下,直接利用红外传感器量测数据,通过在目标状态矢量中增加模型变量并利用马尔可夫模型概率转移矩阵结合序贯蒙特卡罗概率假设密度(SMC-PHD)滤波,实现机动弱小目标的检测前跟踪。仿真结果表明所提方法可以有效地实现目标的检测与跟踪。

基于PHD滤波的箱粒子划分多目标跟踪算法

针对现有箱粒子概率假设密度(BOX-PHD)滤波存在箱粒子冗余问题,提出一种箱粒子划分的概率假设密度滤波多目标跟踪算法。该算法在目标状态估计的更新阶段之前,将预测得到的每一个箱粒子划分成多个箱粒子,从而得到等价的箱粒子集,然后对这些箱粒子集的权值利用区间量测进行更新,从而估计目标的状态及数目。该划分由于将箱粒子划分更小,能更好地利用区间量测信息,可以有效避免箱粒子因压缩不足而导致的估计有偏情况。仿真结果表明所提方法可以有效地提高目标的跟踪性能。

基于交互式伯努利滤波的机动目标TBD算法

低信噪比环境下,原始数据未知门限的机动目标跟踪是一个比较棘手的问题。提出了一种交互式多模型伯努利(IMM-Bernoulli)检测前跟踪(TBD)算法,该算法结合交互式多模型算法对滤波器中每个目标状态的采样粒子进行预测,利用伯努利滤波对目标粒子进行递归,粒子更新阶段结合TBD算法进行,最终实现目标存在概率及分布密度的更新估计。算法对粒子预测时采用多个模型参与转移预测,使得预测粒子更加接近目标真实运动状态,兼备了伯努利TBD算法和交互式多模算法的特点,可用于处理低信噪比环境下机动弱目标检测跟踪问题,且对目标状态的估计更加精准。仿真实验表明,该滤波器能够实时地估计出目标位置,比传统的伯努利TBD算法具有更好的滤波性能。

基于辅助粒子滤波与灰色预测的时间序列NAR模型状态估计

在非线性自回归(NAR)模型建模的基础上,文章利用辅助粒子滤波(APF)和灰色预测(GM)相结合的方法估计NAR模型的参数和状态,减少因参数估计问题带来的状态估计误差。并将其与传统NAR模型估计和基于粒子滤波估计NAR模型状态的方法进行实验对比。结果表明,基于辅助粒子滤波与灰色预测相结合的估计方法优于传统NAR模型和粒子滤波估计方法,更适合于金融时间序列的预测。

基于箱粒子概率假设密度滤波的弱目标检测与跟踪算法

针对低信噪比条件下多弱小目标检测前跟踪算法跟踪效率低、计算复杂度高等问题,提出一种基于箱粒子概率假设密度滤波的弱目标检测与跟踪算法。首先,针对由目标的贡献强度和噪声获得的目标强度量测图像,利用均值滤波抑制强度量测图像中的噪声;其次,以不交叉原则挑选出强度值较大区域作为区间量测;最后,利用箱粒子概率假设密度(BOX-PHD)滤波对上述所得的区间量测进行目标跟踪。仿真结果表明,所提出的方法可以提高跟踪性能,且计算效率高。