基于交互式多模型滤波算法机车车速估计

提出了基于交互式多模型滤波算法估计机车运行速度。轮速作为唯一已知的数据作为整个估计系统的输入。由于机车实际运行轨面未知,考虑了三种轨面情况模拟机车轨面运行情况,分别是干燥轨面、潮湿轨面及冰雪轨面。对马尔可夫矩阵进行自适应修正,设计了改进交互式多模型的滤波模型。根据仿真结果表明,不需要额外的轨面识别就能快速精确地估计出机车运行速度。

基于模糊逻辑的交互式多模型滤波算法

针对交互式多模型(IMM)滤波算法在对反舰导弹的"蛇形"机动方式进行跟踪时收敛速度慢、滤波精度低的问题。在三维空间内,假定目标以匀速直线和"蛇形"机动2种方式进行运动,以相对距离和视线角为观测信息,对IMM滤波算法的模型概率更新模块进行改进,提出了基于模糊逻辑的交互式多模型(FLIMM)滤波算法。通过仿真对比分析,改进后的算法能够有效地提高收敛速度,进而获得更高的跟踪精度。

基于交互式多模型滤波算法的航迹预测

航空器航迹预测是空中交通冲突探测与解脱,以及进离场管理等空中交通管制自动化系统的重要组成部分。基于混杂系统理论,描述航空器在水平面的运动模型,并针对航空器运动的多样性和不确定性提出了利用交互式多模型的航空器航迹预测算法。将算法应用于航空器的航迹预测,并与单一模型的卡尔曼滤波、α-β滤波和α-β-γ滤波的仿真预测结果对比,结果表明算法的有效性。

基于坐标转换的卡尔曼交互式多模型滤波算法

为解决舰炮火控系统中在笛卡尔坐标系中测量信息的互相关性,分析了目前舰炮火控系统中所用到的坐标系及其坐标变换,在瞄准线坐标系内建立了自适应滤波的交互式多模型算法,能够充分利用跟踪传感器的量测信息,在卡尔曼滤波中具有较强的自适应能力,通过与标准交互式多模型算法的对比验证,自适应交互式多模型算法在计算精度上明显好于标准交互式多模型算法。

基于扩展卡尔曼滤波的交互式多模型跟踪算法研究

在辅助驾驶系统中,行人轨迹跟踪一直是一项有挑战性的任务,因为行人的回波信号中往往存在着许多干扰噪声。此外,行人在运动过程中可能会做出突然转身或其他改变方向的行为,这将直接导致行人运动轨迹呈现出非线性特征。针对上述问题,文中提出一种基于扩展卡尔曼滤波的交互式多模型跟踪(IMM-EKF)方法,适用于毫米波雷达对行人进行轨迹跟踪。首先,在扩展卡尔曼滤波算法(EKF)的基础上重构状态预测协方差矩阵,来补偿EKF非线性化过程中引入的误差;然后将改进的EKF作为交互式多模型算法(IMM)中的滤波器,根据行人运动特性选择匀速模型和协调转弯模型作为跟踪模型,利用所提出的IMM-EKF算法进行轨迹跟踪。实验结果表明,所提出的滤波算法较典型的EKF和改进的EKF算法,在跟踪滤波精度方面均有所提升,同时具备更优的跟踪鲁棒性。

基于交互式多模型自适应滤波AUV定位算法

为实现自主水下航行器(AUV)有效定位,针对现有单模型滤波定位算法滤波误差大、定位精度低等问题,提出一种基于交互式多模型自适应滤波AUV定位算法(IMAF)。该算法采用平滑高斯-半马尔可夫模型描述AUV运动状态,结合AUV动力学状态方程构建机动和非机动交互式运动模型;再利用平滑高斯-半马尔可夫模型状态转移概率实现AUV不同运动状态的转换进而实现自适应定位。仿真实验表明,所提算法与基于条件最小化非线性滤波算法、单模型的扩展卡尔曼滤波算法和卡尔曼滤波算法相比,AUV定位精度分别提升了53.6%,62.1%和83.5%。

新息滤波交互式多模型噪声辨识算法

预先或在线获取系统噪声的统计特性，往往是有效设计一个估计器或控制器的先决条件．早期关于噪声辨识的工作主要针对平稳或统计特性缓变的噪声过程．本文提出一种混合系统噪声辨识新算法，该算法将新息滤波与交互式多模型算法结合起来，前者降低了权概率系数对量测噪声的敏感程度，而后者则是基于混合系统模态的马尔可夫链过程实现多模型的动态交互与动态切换．仿真结果证明了本文新算法的有效性．

基于交互式多模型的粒子滤波算法

融合交互式多模型和粒子滤波,提出了一种新的多模型粒子滤波算法。该算法采用多模型结构以跟踪目标的任意机动。各模型采用粒子滤波算法,以处理非线性、非高斯问题。各模型中相对固定数目的粒子群经过相互交互、粒子滤波后再进行重抽样以减少滤波退化现象。与通用的交互式多模型算法进行了比较,试验仿真结果证实了本文新滤波算法的有效性。

改进的交互式多模型粒子滤波跟踪算法

通常的交互多模型卡尔曼滤波(IMMKF)或交互多模型扩展卡尔曼滤波(IMMEKF)对于非高斯问题无能为力;对于非线性问题,其性能不及交互多模型粒子滤波算法(IMMPF)。粒子滤波能够处理非线性/非高斯问题,其与交互式多模型结合用来获得更好的跟踪性能。然而,粒子滤波的主要问题是巨大的计算量,由于粒子滤波通常采用大量的粒子数目,将带来很大的计算负荷。该文提出了一种改进的交互多模型粒子滤波算法,其利用多模型综合使用了卡尔曼滤波和粒子滤波,与常规交互式多模型粒子滤波(IMMPF)相比,大大改善了计算效率。对于非线性/非高斯问题,其性能与IMMPF相当;对于线性问题,其性能与IMMEKF相当,并优于IMMPF的性能。

改进的交互式多模型粒子滤波目标跟踪算法

针对现有的交互式多模型粒子滤波算法存在粒子退化现象,跟踪性能不高,计算量大影响跟踪的实时性等问题,采用改进的残差重抽样算法,并在滤波前后,对各模型粒子进行输入输出交互运算,得出一种改进的交互式多模型粒子滤波目标跟踪算法。该算法在解决了粒子退化现象的同时,避免了残留粒子重采样问题,在一定程度上降低了计算量,减小了系统估计误差,提高了跟踪性能。通过仿真,验证了该算法的良好性能。

机动目标跟踪的交互式多模型自适应滤波算法

采用“当前”统计模型、匀加速模型以及匀速模型 ,运用交互式多模型算法的思想 ,提出了一种用于机动目标跟踪的交互式多模型自适应滤波算法。基本思路是上述三种模型并行工作 ,利用马尔可夫切换系数在它们之间进行切换 ,目标状态估计是上述三种模型交互作用的结果。蒙特卡罗结果表明该算法不仅克服了上述三种模型各自的缺点 ,提高了对机动目标的跟踪精度 ,同时具有全面自适应跟踪能力。

两阶段卡尔曼滤波自适应交互式多模型算法

对于机动目标跟踪问题,由于目标机动能力的增强,需建立大量模型来逼近真实模式,使建立的目标模型与目标的实际运动适配,但这使计算量增大,而且性能不一定能提高。针对这个问题,将两阶段卡尔曼滤波器与一般的交互式多模型算法相结合,设计了一种自适应交互式多模型算法。该算法采用两阶段卡尔曼估计器估计目标的加速度,然后将其反馈到由多个不同参数构成子滤波器的交互式多模型滤波算法中进行交互式多模型滤波。与自适应半交互式多模型算法进行对比的仿真验证了该算法有效地减少了子滤波器的数量,同时在一定程度上也提高了跟踪的精度。

交互式多模型集自适应协同滤波目标跟踪算法研究

为了解决传统交互式多模型算法静态模型集带来的精度低等局限问题,提出了一种多模型集自适应协同滤波算法。通过比较目标与当前模型集中不同模型之间的模型匹配概率,自动确定当前模型匹配中的最好模型与最坏模型,利用激活、保留和剔除策略改变固定模型集的结构以达到模型集自适应的过程。通过与其他已经提出的交互式多模型算法进行比较,实验结果表明:多模型集自适应协同滤波算法在速度、加速度以及转弯速率的状态估计上都得到了优化,在一定程度上提升了目标跟踪定位的准确性。

防发散无迹卡尔曼滤波自适应网格交互式多模型算法

针对非线性观测条件下的机动目标跟踪问题,基于机动目标的协同转弯模型,采用防发散无迹卡尔曼滤波方法和自适应网格的模型集自适应策略,研究了一种变结构交互式多模型算法。对二维机动目标跟踪的仿真结果表明,该算法与相应的固定结构交互式多模型算法相比,可以解决固定结构多模型算法存在的问题,有效提高多模型算法的精度和费效比,缩短计算时间,且适合工程应用。

高超声速飞行器新息滤波交互式多模型跟踪算法

研究临近空间高超声速飞行器在运动特点,针对强杂波环境下高速、高机动目标跟踪问题,提出用新息滤波减小观测噪声以修正模型概率更新过程的算法。Monte-Carlo仿真结果表明:该算法可以有效减小量测噪声对系统滤波的影响,提高滤波精度,在临近空间强杂波环境下具有较好的跟踪精度,具有一定工程实用价值。

基于交互式模型的多AUV协同导航鲁棒性滤波算法

针对多自主式水下潜器(autonomous underwater vehicle,AUV)在协同导航过程中量测异常等问题,提出一种基于交互式模型的多AUV协同导航滤波算法。首先以建立多AUV协同导航基本模型为基础,给出基本的协同导航滤波过程;通过广义最大似然估计的滤波算法对受污染的量测噪声进行处理;进一步地,利用Schweppe形式下的广义最大似然估计解决量测出现的异常情况;运用交互式多模型算法解决由量测噪声时变而造成的滤波精度下降问题。最后仿真结果表明该协同导航滤波算法具有良好的自适应鲁棒性。

交互式多模型粒子滤波算法综述

指出了交互式多模型方法和粒子滤波结合时存在的主要问题,围绕该问题,重点对国内外关于交互式多模型粒子滤波算法的相关研究成果进行整理和归纳,给出了典型的交互式多模型粒子滤波算法,综述了目前交互式多模型粒子滤波的应用情况,并指出了几个有价值研究方向。

变结构交互式多模型滤波和平滑算法

针对机动目标跟踪问题,提出了一种变结构交互式多模型滤波和平滑算法。首先,对多模型滤波和平滑问题进行了简单描述,并给出了前向交互式多模型滤波和后向交互式多模型平滑的数学模型;然后,建立了变结构交互式多模型算法的精确模型,模型子集之间并行独立运行,通过选取概率最高的模型子集的状态估计作为最终的估计结果;最后,对变结构交互式多模型算法的滤波数据进行平滑处理,得到了变结构交互式多模型滤波和平滑算法。所提算法将前向滤波和后向平滑相结合,提高了目标跟踪精度。仿真结果表明,变结构交互式多模型滤波和平滑算法的跟踪效果优于其他方法。

捷联导引头视线转率估计的交互式多模型样条滤波算法

针对捷联导引头测量信息的弹目惯性视线转率估计,提出了一种基于交互式多模型算法的样条滤波方法(IMM-SF)。基于体视线和惯性视线的映射关系解算惯性视线角,将其作为虚拟观测量进行滤波,设置多个过程噪声模型,每个模型分别采用样条滤波器进行滤波,IMM-SF滤波器的估值结果为各滤波器估值的加权综合。该方法不必对目标的未知机动建模,应用更加方便,并且可在交互式多模型算法的框架下自适应地调整滤波器的噪声。Monte-Carlo仿真结果表明该方法可有效估计视线转率,并可提高估值精度。

交互式多模型粒子滤波优化重采样算法

针对标准交互式多模型粒子滤波(IMMPF)算法中存在粒子退化及多样性匮乏问题,提出了交互式多模型粒子滤波优化重采样(IMMPFOR)算法,利用线性优化理论改善模型中具有小权值的粒子精度。该算法的新颖性体现在给定量测信息条件下,利用线性优化方法及模型交互概率将每个模型中拥有小权值的粒子替换成新的粒子。新的粒子既包含本模型中粒子信息,又包含了本模型与其他模型交互后的粒子信息。目标跟踪的仿真结果证明:每个模型新产生的粒子集合可以准确地近似真实状态后验概率密度函数,系统的估计精度与标准IMMPF算法相比有较大提升。