IMM迭代扩展卡尔曼粒子滤波跟踪算法

该文提出了一种交互式多模型(IMM)迭代扩展卡尔曼粒子滤波机动目标跟踪算法。该算法在多模型中使用了改进的粒子滤波器,通过对迭代扩展卡尔曼滤波(IEKF)的测量更新按照高斯牛顿方法进行修正,减小了非线性滤波带来的线性化误差,然后利用修正的IEKF来产生粒子滤波的重要性密度函数,使其融入最新观测信息。最后将所提算法与交互式多模型粒子滤波(IMMPF)进行了比较,仿真结果表明该算法具有更好的跟踪性能。

基于“当前”模型的IMM-UKF机动目标跟踪融合算法研究

文章设计了一种基于"当前"统计模型的交互式多模型无迹卡尔曼滤波(IMM-UKF)融合算法。首先在交互式多模型算法框架内,计算"当前"统计模型的概率,自适应地调整"当前"统计模型中目标加速度,提高了"当前"统计模型的自适应性。其次,该算法结合了交互式多模型和无迹卡尔曼滤波算法,该算法具有交互式多模型具有对不同目标机动模式自适应跟踪的能力和无迹卡尔曼滤波滤波度高的优点。最后,采用分布式融合算法提高了系统抗干扰能力及对目标跟踪的有效性和跟踪精度。通过对三维机动目标进行仿真,结果表明文中所设计的IMM-UKF融合算法对于跟踪以多种机动策略实时机动的目标具有较好的跟踪性能,可以减小系统机动跟踪的误差均值和标准差。较之传统的交互式多模型算法,跟踪性能更加优越。

弹道式再入目标跟踪方法对比分析

地基雷达对弹道式再入目标进行滤波跟踪时主要存在两个导致滤波误差增大的不确定因素,一是弹道系数未知,二是不可准确确定过程噪声协方差矩阵。为此,采用交互式多模型无敏滤波(iterative multiple-model unscented filter,IMM-UF)算法对弹道式再入目标进行跟踪,选取不同的弹道系数初值和过程噪声协方差矩阵构成合适的模型集合进行了仿真分析,并将其滤波结果与扩展卡尔曼滤波(extended Kalman filter,EKF)和无敏滤波(unscented filter,UF)的滤波结果进行了对比分析,同时还分析比较了IMM-UF和自治多模型(autono-mous multiple-model,AMM)UF算法的跟踪滤波性能。从仿真结果可以看出,采用的IMM-UF算法和相应的模型集合可以在先验信息缺少的情况实现对弹道式再入目标更高精度的跟踪。

基于迭代学习的注塑机开合模机构定位控制研究

提出一种用于提高注塑机开合模机构定位精度的迭代学习算法,该方法适用于采用开环分级动作控制并利用电子尺进行开合模机构定位的注塑机系统。同时还提出可变学习增益的方法来加快算法收敛速度;应用遗忘因子和学习律误差容限控制的方法来提高学习算法的鲁棒性。算法实际应用表明,在保证开合模动作平稳的前提下,开合模机构能达到较高的定位精度,满足相关注塑加工工艺要求。

基于后验信息修正的自适应交互多模型跟踪算法

针对目标运动状态变化较大甚至发生突变时,传统交互式多模型算法跟踪精度和稳定性会显著下降的问题,提出了一种在线辨识马尔可夫概率转移矩阵参数的基于后验信息修正的自适应交互多模型跟踪算法,该方法在滤波的过程中,根据不匹配模型误差压缩率的变化自适应调整先验的马尔可夫转移概率矩阵的参数,切换过程中较多地压缩不匹配模型的信息,放大匹配模型的信息,大大提高了系统的收敛速度。通过对仿真结果分析表明,论文提出的算法具有可靠、计算简便、快速等特点,模型滤波精度较高,具有一定的理论价值和实用价值。

IMM迭代无迹Kalman粒子滤波目标跟踪算法

针对传统交互式多模型(interactive multiple model,IMM)算法跟踪机动式再入目标精度差和实时性不高的问题,提出一种交互式多模型迭代无迹Kalman粒子滤波算法。该算法在多模型滤波过程中采用改进的粒子滤波算法,通过迭代无迹Kalman滤波融入最新观测信息,进而生成粒子滤波的重要性密度分布,从而提高采样质量,改善滤波算法性能。仿真结果表明,提出的算法相对于交互式多模型粒子滤波算法具有更好的跟踪效果。该算法对提高跟踪机动式再入目标的精度与实时能力具有一定的理论意义。