区间量测下自适应交互多模型箱粒子滤波机动目标跟踪

针对现有交互多模型箱粒子滤波(Interacting Multiple Model Box Particle Filter,IMMBPF)算法在区间量测目标跟踪过程中模型切换和跟踪精度方面的不足,结合自适应交互多模型算法,提出了一种自适应交互多模型箱粒子滤波(Adaptive IMMBPF,AIMMBPF)算法。该算法利用模型似然后验信息构建修正因子,并结合阈值对马尔可夫转移概率矩阵进行自适应修正,使得匹配模型的概率快速增大,并且可以减小非匹配模型的影响,即使在目标运动模型先验信息不足或者不准确情况下,也能对模型转移概率进行自适应更新。对于量测常受到未知分布和偏差的区间误差所影响而呈现区间形式的问题,将箱粒子代替普通粒子,拟合后验概率密度从而进行滤波。仿真结果表明,相比于原有算法,该算法在区间量测机动目标跟踪的应用中,拥有更优的模型匹配度和目标跟踪精度。

基于IMMBPF的纯方位区间量测机动目标跟踪

针对纯方位区间量测下机动目标跟踪问题,提出了一种交互式多模型箱粒子滤波(IMMBPF)算法。该算法通过交互式多模型算法估计每个箱粒子的状态,利用多传感器交叉定位构建用于非线性测角区间分析的包含函数。在滤波更新阶段,引入二次压缩算法,使得更新的箱粒子具有更大的新息区间和存活概率,从而达到提高箱粒子多样性和目标状态估计性能的目的。利用等效浮点运算测度,从理论上推导分析了算法的复杂度。通过仿真实验对比了IMMBPF、交互式多模型粒子滤波(IMMPF)和匀速运动模型箱粒子滤波(CV-BPF)三种算法的目标跟踪性能,仿真结果证明了所提算法的有效性。

区间量测下基于无迹变换的伯努利粒子滤波算法

针对区间量测下目标的实时检测与跟踪问题,提出基于无迹变换的伯努利粒子滤波算法(BernoulliUpf).该算法在伯努利粒子滤波算法(Bernoulli-pf)的基础上融合无迹卡尔曼滤波(UKF),融合后的算法在预测步骤产生持续存活粒子时,充分考虑到当前时刻的量测,从而引导粒子向高似然区域移动,使得粒子分布更加接近真实状态的后验分布.仿真实验表明,Bernoulli-Upf算法的估计精度优于Bernoulli-pf算法.

多传感器箱粒子PHD滤波多目标跟踪算法

针对目标检测概率较低导致单个传感器无法对目标进行有效检测并跟踪的问题,本文提出了多传感器箱粒子概率假设密度(multi-sensor box particle probability hypothesis density filter,MS-BOX-PHD)滤波器。MS-BOX-PHD滤波器首先将多个传感器的量测转换、融合成为一个量测集合,并利用箱粒子概率假设密度(box particle probability hypothesis density filter,BOX-PHD)滤波器对多个目标的状态进行预测和更新。数值实验表明,相较于单传感器箱粒子概率假设密度(Single-BOX-PHD)滤波器,MS-BOX-PHD滤波器在目标检测概率较低时,能够有效地对多目标的状态和数目进行估计;相较于区间量测下多传感器标准PHD粒子(multi-sensor standard probability hypothesis density particle filter with interval measurement,IM-PHD-PF)滤波器,在达到相同的跟踪性能时,计算效率提升了38.57%。

基于箱粒子的ET-CBMeMBer滤波算法

为解决扩展目标跟踪算法量测不精确的问题,提出一种基于箱粒子滤波的ET-CBMeMBer滤波算法。该算法基于随机集理论,首先将扩展目标的状态集和观测集随机化,然后基于区间分析技术,推导了适用于区间量测的多扩展目标伪似然函数和势平衡多伯努利多扩展目标状态更新方程,并提出了适用于区间量测的模糊ART区间量测集划分方法,继而在量测集划分的基础上对目标进行持续稳定的跟踪。最后进行了仿真实验,结果表明了所提算法的有效性。

基于盒粒子滤波的多扩展目标伯努利滤波算法

针对非线性和区间量测条件下的多扩展目标跟踪问题,提出了一种基于盒粒子滤波的多扩展目标MeMBer滤波算法。该算法首先将盒粒子滤波引入到改进的ET-MeMber滤波中,并推导了适用于区间量测的多扩展目标伪似然函数和状态更新方程,接着给出了基于MD-AP聚类的区间量测集划分方法来处理滤波过程中存在的区间量测集划分问题。仿真实验结果表明,所提算法能够快速高效地对区间量测进行处理,与传统的序贯蒙特卡洛实现方式相比,具有更好的跟踪性能。

基于箱粒子滤波的再入弹道目标跟踪

弹道目标在再入段运动方式的不确定性和复杂性导致了跟踪问题呈现非线性、不精确性。为此,引入一种"广义粒子滤波"算法——箱粒子滤波算法对再入段的弹道目标进行跟踪。该算法有别于传统点量测和误差统计模型,采用基于区间分析的箱粒子来处理这类不精确性,更加符合实际系统的工作情况,且克服了粒子滤波因需大量粒子拟合带来的实时性差的问题。仿真实验将新算法与粒子滤波算法和无迹卡尔曼滤波算法进行了对比。仿真结果表明,在确保了跟踪精度的前提下,新算法计算效率更高,是个很有效的跟踪再入目标的非线性滤波算法。

一种改进的箱粒子滤波目标跟踪算法

当箱粒子滤波算法在噪声环境下对目标进行检测与跟踪时,由于量测噪声分布不合理,导致广义似然函数表达精度不高,提出了一种改进的箱粒子滤波目标跟踪算法。该算法以高斯分布表示区间噪声,从箱粒子滤波的预测与更新步骤出发,在高斯分布环境下修改广义似然函数,推导了伯努利箱粒子滤波更新过程的表达式。