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。

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。

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。

基于容积粒子滤波的交互式多模型算法

针对非线性非高斯条件下目标跟踪容易发散和精度下降等问题,将容积粒子滤波引入到交互式多模型算法中,提出了一种基于容积粒子滤波的交互式多模型算法。该算法在粒子先验分布更新阶段,利用容积卡尔曼滤波器融入最新的观测数据并产生重要性密度函数,使其更加逼近系统真实状态的后验概率密度,改善了粒子滤波的性能。仿真表明在运算时间未显著变化的情况下,该算法与交互式多模型无迹粒子滤波算法相比有着更高的滤波精度和稳定性。

交互多模型的Rao-Blackwellized粒子滤波算法在多目标跟踪中的应用

在雷达信号处理领域,运动目标跟踪问题一直是研究的重点,而非线性滤波问题则是难点所在。本文以Rao-Blackwellized粒子滤波(RBPF)算法为基础,针对其应用于雷达目标跟踪时产生的算法收敛情况较差问题进行研究。为提高算法的收敛性能及滤波精度,对RBPF算法中线性部分采用交互多模型的方法进行状态预测和校正,利用数字仿真对更改后的算法进行验证,结果证明改进后的RBPF算法在各个方面均有较大程度改善。

多普勒盲区条件下的交互式多模型粒子滤波算法

机载预警雷达采用脉冲多普勒体制,具有良好的低空探测性能,但其存在不可忽略的多普勒盲区问题。在目标跟踪的过程中,该盲区容易造成目标航迹暂消和重起批甚至断批。针对多普勒盲区条件下的目标连续跟踪问题,提出了一种基于交互式多模型的盲区粒子滤波(Interacting Multiple Model-Blind Doppler Particle Filtering, IMM-BDPF)算法。该算法将多普勒盲区的先验信息并入到IMM-PF中,在模型集中的每个运动模型上分别完成盲区粒子滤波,再进行交互式处理,得到盲区内的目标状态估计值。仿真结果表明该算法对盲区内做机动的目标具有较高的状态估计精度,解决了多普勒盲区条件下的机动目标连续跟踪问题。

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%。

基于卷积粒子滤波的交互式多模型算法

针对噪声分布未知环境下的非线性目标跟踪,提出了基于卷积粒子滤波的交互式多模型算法。该算法利用卷积粒子滤波器并行地运行多个模型,对前一时刻每个模型的状态后验概率密度进行交互,从交互后的概率密度中采样作为当前时刻滤波器的初始粒子,对当前时刻每个模型的状态后验概率密度进行加权作为系统输出。与基于粒子滤波的交互式多模型算法相比,算法消除了对量测噪声分布的依赖,提高了效费比,理论分析和仿真结果证明了该算法的有效性。

基于自适应交互式多模型粒子滤波的分布式说话人跟踪算法

针对分布式麦克风网络中的说话人跟踪问题,提出一种自适应交互式多模型粒子滤波算法,以实现复杂环境下对说话人的分布式跟踪.首先,对分布式麦克风网络中的说话人跟踪问题建立状态空间模型,并利用贝叶斯滤波理论求解该问题.然后,将交互式多模型与粒子滤波相结合,提出一种双粒子滤波方法对运动模型的转换概率进行自适应估计,以更好地对多种运动模式的说话人进行跟踪.最后,应用一致性算法对分布式麦克风网络中各节点说话人位置矢量的后验分布进行最优融合,从而可能得到全局的最优估计结果.该算法不要求状态空间模型中运动模型转换概率已知,相比传统IMMPF算法对声源复杂运动具有更好的鲁棒性.仿真实验结果验证了该算法的有效性.

一种改进的基于粒子滤波的交互式多模型车载跟踪算法

本文提出了一种改进的交互式多模型粒子滤波算法。首先设计了针对该情况分析了交互式多模型粒子算法的计算过程和方法;接着将粒子滤波算法融入交互式多模型算法中,按照先验概率密度随机抽取一组粒子,这组粒子经过输入交互、粒子滤波后进行重抽样;然后进行输出交互,如此循环从而提高目标跟踪效果;最后,通过matlab仿真分析了这两种算法的目标跟踪性能,仿真结果表明,交互式多模型粒子算法较交互式多模型算法(IMM)具有更优的跟踪性能,转弯过程中优势更加明显。

交互式多模型粒子滤波算法及声源跟踪性能分析

交互式多模型粒子滤波是一种融合了交互式多模型和粒子滤波的目标跟踪算法。为了便于对交互式多模型粒子滤波算法在声源跟踪的性能分析,首先阐述了交互式多模型粒子滤波算法的原理;然后对整个算法用到的关键参数进行了分析并对改进算法进行了归纳整理;最后对交互式多模型粒子滤波在声源跟踪当中的应用进行了仿真并指出未来的研究方向。

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．

基于粒子滤波的交互式多模型多机动目标跟踪

针对交互式多模型联合概率数据关联滤波算法(IMM-JPDAF)在非线性情况下跟踪精度低,并不适用于非高斯问题的情况,提出了一种基于粒子滤波的交互式多模型多机动目标跟踪算法;将交互式多模型联合概率数据关联(IMM-JPDA)与粒子滤波相结合,在交互式多模型联合概率数据关联的框架下,各模型采用粒子滤波算法处理非线性非高斯问题,避免了噪声的高斯假设和非线性部分的线性化误差。仿真结果表明,IMM-JPDA-PF算法的跟踪性能明显优于IMM-JPDAF算法,能够对杂波环境中的多机动目标进行有效跟踪。

基于粒子滤波的交互式多模型说话人跟踪方法

本文提出一种基于采样交互的多模型粒子滤波方法,实现了对随意运动说话人的有效跟踪.该方法根据说话人跟踪问题的特点,用马尔可夫跳变系统描述说话人的动态特性,用粒子滤波方法估计说话人的位置.在说话人跟踪过程中,通过调整滤波粒子的采样区域,完成交互式多模型方法中系统状态的交互过程,这不仅实现了各子滤波器中粒子数目的任意设定,避免了模型转换过程中的性能退化现象,而且取消了对模型后验概率密度函数的高斯分布假定,增强了说话人跟踪系统的鲁棒性.计算机仿真实验结果验证了本文方法的有效性.

基于交互多模型的改进无迹粒子滤波算法

为了提高机动目标的跟踪精度,提出了适用于非线性非高斯系统的基于预测残差的交互多模型自适应无迹粒子滤波算法.该算法将无迹粒子滤波与交互式多模型的优点相结合,通过UT变化构造粒子滤波的建议分布函数,利用预测残差在线对测量协方差和状态协方差进行自适应调节,以改进执行和计算的有效性从而降低计算误差.仿真结果表明,与交互式多模型粒子滤波、交互式式无迹粒子滤波算法相比,该算法具有更好的跟踪精度.

基于农田特征的多模型交互粒子滤波跟踪算法

从农田垄线等间距地形特征着手,基于粒子滤波提出了一种基于低成本定位器的高精度跟踪算法.对农机工作路线进行优化设计的基础上,确定了适合农田作业的2种运动模型,并采用交互式多模型(IMM)粒子滤波算法对田间运动目标进行了定位滤波处理;然后以粒子滤波算法为基础,将农田地形特征作为一个限制因素融入到算法中,在滤波过程中对穿越垄线的粒子进行剔除,从而提高估计精度;最后基于改进的IMM粒子滤波算法进行了定位跟踪仿真和分析.结果表明:该算法借助普通低成本GPS应用于垄线规则的农田导航,可有效地提高定位跟踪精度.

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。

自适应网格交互多模型不敏粒子滤波算法

将一种变结构多模型算法——自适应网格交互多模型(AGIMM)算法和不敏粒子滤波(UPF)算法相结合,提出了自适应网格交互多模型不敏粒子滤波算法(AGIMMUPF)。该算法通过自适应网格实现了模型自适应,从而以较小的模型集合覆盖了目标大范围的机动,并以此来克服固定结构交互多模型粒子滤波(IMMPF)算法存在的缺陷,同时各模型滤波算法采用不敏粒子滤波(UPF)算法,使重要性密度函数融合了最新量测信息,更好地逼近真实状态的后验概率分布。通过计算机仿真证明,提出的算法可以有效提高IMMPF的费效比。