K近邻隶属度的P-PHD滤波多目标状态提取

在P-PHD滤波多目标状态提取中,传统的K-Means聚类方法存在需要提取峰值、聚类时间长、类簇边缘易被侵蚀等问题。针对此问题,在对一般聚类算法的研究的基础上,进一步提出了一种基于K近邻隶属度P-PHD滤波多目标状态提取算法。该算法首先通过量测与粒子的关联性,根据距离来进行量测筛选剔除虚警量测信息,估计真实目标量测类别,然后利用K近邻隶属度将粒子分配给各个估计的真实量测类别,重新分配粒子集,在新粒子集直接提取目标状态信息,从而避免粒子峰值提取过程,降低了算法的时间复杂度。仿真实验表明,所提算法与传统P-PHD滤波以及其它改进聚类算法的P-PHD滤波相比,具有状态提取精度高以及运算时间短的优点。

基于区间平滑的粒子概率假设密度滤波算法

针对杂波情况下,粒子概率假设密度滤波(P-PHDF)算法存在估计精度低、滤波发散以及粒子退化等问题,提出基于区间平滑的粒子概率假设密度滤波(RTSP-PHDF)算法。该算法利用区间平滑算法(RTS)引入观测值优化重要性密度函数,使粒子分布更逼近多目标概率假设密度的分布,进而得到优化的采样结果,改善滤波性能。仿真结果表明,与P-PHDF算法相比,该算法在有效提高估计精度同时,进一步提高了跟踪系统稳定性。

一种自适应的粒子局部PHD滤波

针对SMC-PHD滤波算法精度不高、计算量大的问题,提出一种自适应的粒子局部概率假设密度滤波算法。该算法首先利用加速度协方差自适应调整波门大小,划分目标区域与杂波区域,然后在各自区域分别进行粒子概率假设密度滤波,以达到提高滤波性能,减少计算量的目的。仿真结果表明,与SMC-PHD算法相比较,本算法提高滤波精度并减少了计算量。

一种优化高斯粒子滤波的载波频偏估计算法

针对单载波频域均衡系统中载波频偏估计问题,建立非线性状态空间模型,提出Unscented高斯粒子滤波(UGPF)频偏估计算法.在时间更新中,利用高斯粒子滤波(GPF)对待估状态变量的状态后验及预测概率分布进行高斯近似,压缩重采样处理环节,能有效缓解粒子退化对滤波性能影响;量测更新中,引入Unscented卡尔曼构造重要密度函数,融合最新观测值对粒子样本进行修正,优化滤波算法性能.仿真结果表明,该算法较最大似然(ML)、标准粒子滤波(SPF)及高斯粒子滤波算法具有更高的估计精度与更快的收敛速度,在非高斯噪声条件下仍具有较好的频偏跟踪性能.