基于高斯混合带势概率假设密度滤波器的未知杂波下多机动目标跟踪算法

多模型的随机有限集(RFS)类方法是一类有效的多机动目标跟踪算法,但是现有算法都假定杂波统计特性先验已知,不适用于未知杂波背景。该文以高斯混合带势概率假设密度滤波器(GMCPHDF)为基础,提出一种未知杂波下的多机动目标跟踪算法。该算法对目标和杂波分别独立建模,通过最优高斯(BFG)估计方法对真实目标的强度函数进行预测,从而使多目标强度函数独立于机动目标的运动模型,实现各时刻真实目标的强度函数、杂波源期望个数以及真实目标和杂波源的混合势分布的迭代。仿真结果表明,该算法能够有效地联合估计多机动目标状态以及杂波期望个数。

高斯混合概率假设密度滤波器在多目标跟踪中的应用

实现了基于随机集和点过程理论在目标数未知或随时间变化的多目标跟踪滤波算法.研究成果包括:(1)分析了基于随机有限集的多目标跟踪模型;(2)分析推导了基于随机集和点过程理论的概率假设密度滤波递推表达式;(3)实现了在线性高斯条件下的概率假设密度滤波的一种解析滤波算法;(4)仿真实验验证了算法的性能,比较了在杂波强度和检测概率变化的情况下和联合概率数据互联算法相关性能;(5)指出了算法的一些不足以及改进的研究方向.

高斯混合扩展目标概率假设密度滤波器的收敛性分析

研究了高斯混合扩展目标概率假设密度(Gaussian mixture extended-target probability hypothesis density,GM-EPHD)滤波器的收敛性问题,证明了在杂波强度先验已知且扩展目标的期望测量个数连续有界的假设条件下,若该GM-EPHD滤波器的GM项趋于无穷多,那么它一致收敛于真实的EPHD滤波器.并且,本文还证明了该算法在弱非线性条件下的扩展卡尔曼(Extended Kalman,EK)滤波近似实现—EK-GM-EPHD滤波器,在每个GM项的协方差趋于0时,也一致收敛于真实的EPHD滤波器.本文的研究目的在于从理论上给出GM-EPHD和EK-GM-EPHD滤波器的收敛性结果以及它们满足一致收敛性的条件.

基于高斯混合势化概率假设密度的脉冲多普勒雷达多目标跟踪算法

为在新兴的随机有限集(RFS)框架下充分利用多普勒信息跟踪杂波环境下的多目标,该文提出基于高斯混合势化概率假设密度(GM-CPHD)的脉冲多普勒雷达多目标跟踪(MTT)算法。该算法在标准GM-CPHD基础上,在使用位置量测更新状态后,再利用多普勒量测进行序贯更新,可获得更精确的似然函数和状态估计。仿真结果验证了该算法的有效性,表明在GM-CPHD基础上引入目标的多普勒信息可有效抑制杂波,显著改善跟踪性能。

基于噪声方差估计的高斯混合概率假设密度滤波算法

针对传统的高斯混合概率假设密度(GM-PHD)滤波器在噪声先验特性未知或不准确时跟踪性能会下降,提出了一种基于噪声方差估计的高斯混合概率假设密度(NCE-GM-PHD)滤波算法.该算法可以同时在线估计时变的目标个数、多目标状态以及噪声方差.首先,通过引入遗忘因子和采取有偏估计的方法改进了传统的Sage-Husa自适应滤波器.基于改进的自适应滤波器,推导了带噪声方差估计的GM-PHD滤波算法.仿真结果表明,在非时变或时变量测噪声方差未知的情况下,NCE-GM-PHD算法的跟踪性能优于传统的GM-PHD算法,对噪声变化的适应能力更强.

基于高斯混合概率假设密度的运动参数估计组合平滑滤波算法

针对高斯混合概率假设密度(GM-PHD)滤波器在目标速度未知或不准确时,目标状态估计性能较差,该文提出一种基于GM-PHD的运动参数估计组合平滑滤波算法。该算法通过目标状态提取速度信息,经过中值平滑和线性平滑组合处理提升速度估计准确性,然后将速度反馈给GM-PHD滤波器的状态转移方程,提高状态预测精度。仿真结果表明,目标速度未知或不准确时,所提算法能够明显改善GM-PHD滤波器状态估计性能。

认知无线电中基于高斯混合概率假设密度滤波的主用户跟踪算法

基于随机集的高斯混合概率假设密度滤波算法是一种典型的多目标跟踪算法,可以在目标数目未知的情况下进行多目标跟踪,但是该算法要求已知目标的起始位置,在很多情况下,目标的起始位置信息是无法获得的。本文针对这一问题,提出了改进的高斯混合概率假设密度滤波算法,并将本文算法应用于认知无线电系统的主用户跟踪问题。该算法利用双向预测的方式对检测结果进行估计,即使用正向预测算法来估计现存主用户的位置,然后采用后向预测算法来搜索新生的主用户并估计出新生主用户的位置。本文算法的主要优点是在主用户的数目、出现的时间和起始位置均未知的情况下仍可以有效的跟踪目标。最后,通过仿真对本文算法的性能进行了分析。仿真结果表明,本文算法在误检率较高的情况下可以准确地跟踪主用户。

多传感器序贯势分布概率假设密度滤波

针对多传感器多目标跟踪中数据关联的计算复杂性问题,提出了一种多传感器序贯势分布概率假设密度滤波算法.利用序贯滤波的方法将单传感器的势分布概率假设密度滤波扩展到多传感器情况,并给出了高斯混合实现的序贯势分布概率假设密度(Gaussian mixture sequential PHD,GMSPHD)滤波的递推算法.仿真实验结果表明,文中提出的GMSCPHD滤波算法具有较高的多目标状态估计和目标数目估计精度,是一种有效的多传感器多目标跟踪方法.

多模型不敏高斯混合概率假设密度滤波方法

基于机场目标跟踪的实际问题,提出一种多模型不敏高斯混合概率假设密度滤波算法。首先,为减小计算量,将扩展目标建模成带有扩展信息的点目标,采用标准不敏高斯混合概率假设密度滤波器。其次,对可能的运动形式,设置多模型下统一的状态矢量和状态转移矩阵。然后,利用不敏变换进行非线性滤波。实测数据处理结果验证了所提算法的有效性,对未来概率假设密度滤波器用于实际雷达有重大意义。

未知杂波条件下样本集校正的势估计概率假设密度滤波算法

在贝叶斯框架下的多目标跟踪算法中,总是假设杂波的先验信息是已知的。然而,实际应用中,杂波分布一般是未知的,假设的杂波分布往往与实际情况匹配度差,难以保证滤波精度。针对该问题,该文研究了未知杂波势估计概率假设密度(CPHD)滤波算法。首先,提出一种基于狄利克雷过程混合模型(DPMM)类的未知杂波CPHD算法,该算法能够自动选取合适的类数对杂波进行描述,有效降低了杂波空间分布估计的误差。此外,提出样本集校正的思想,并将其引入所提算法,通过去除样本集中由真实目标产生的量测,较好地解决了杂波数过估和目标数低估的问题。与传统算法相比,所提算法的滤波精度更接近于杂波信息匹配情况下的性能,仿真结果验证了其优越性与鲁棒性。

基于双马尔科夫链的势概率假设密度滤波

针对已有的基于双马尔科夫链(PMC)模型的势概率假设密度(PMC-CPHD)滤波算法无法实现的问题,将PMC-CPHD算法改进为多项式形式以便于算法的实现,并给出了改进算法的高斯混合(GM)实现。实验结果表明给出的GM实现能够有效实现多目标跟踪,并且比基于PMC模型的概率假设密度(PMC-PHD)算法的GM实现提高了目标个数估计的稳定性。

针对低检测概率的概率假设密度滤波算法

当跟踪目标属于隐身目标、低空目标或处于强杂波和干扰环境,都会导致雷达的目标检测概率降低,丢失率较高。因此,本文着重研究PHD算法在检测概率较低的情况下跟踪稳定性不佳的缺陷,找出了一种适用于低目标检测概率的L-GMPHD滤波,通过对前一时刻状态估计值外推,若发生漏检,则将外推值加入当前时刻状态估计值中,确保了目标的状态估计不被裁剪去除。从MATLAB仿真结果可知,L-GMPHD滤波器处于检测概率较低的情况时,能够明显改善目标跟踪的稳定性。该方法能够保持高精度的多目标跟踪,具有良好的工程应用前景。

基于势概率假设密度平滑器的多目标跟踪算法

针对概率假设密度(PHD)滤波在杂波环境下对机动多目标进行检测与跟踪时,易出现高阶势分布信息丢失,从而导致目标检测出现偏差的问题,提出一种将势概率假设密度(CPHD)滤波与平滑算法相结合的多目标跟踪算法。从CPHD的预测与更新步骤出发,结合后向平滑递归公式,推导CPHD平滑公式,并提出基于高斯混合实现的GM-CPHD平滑器。仿真实验表明,GM-CPHD平滑器的检测与跟踪性能优于未经平滑处理的CPHD滤波器。

低检测概率下改进的概率假设密度滤波器

针对传统多目标概率假设密度(PHD)滤波器在低检测概率情况下跟踪精度低和失跟率高的问题,提出了一种改进的概率假设密度滤波算法。该算法利用高斯混合PHD(GM-PHD)滤波器进行PHD预测和PHD更新,处理过程中通过修正上一拍权值大的高斯项,并在处理当前拍时保证其权值的稳定性,以保证算法的高精度。仿真结果表明,在低检测概率情况下,该算法可较好估计目标数和目标状态。与传统GM-PHD滤波器比,该算法跟踪精度大幅提高。

基于二阶中心差分滤波的高斯混合粒子PHD多目标跟踪算法

针对杂波环境下高斯混合粒子PHD面临的跟踪精度低、滤波发散等问题,提出基于二阶中心差分滤波的高斯混合粒子PHD算法。该算法在传统的高斯混合粒子PHD滤波的基础上,采取二阶中心差分滤波方法来得到最优的重要性密度函数,充分利用了量测信息对采样粒子进行更新,使得粒子分布更加接近目标真实的后验分布,然后对PHD进行更新。仿真结果表明,该算法能在杂波环境下有效地跟踪多个目标,与高斯混合粒子PHD算法相比,状态估计更加接近真实值,大大提高了跟踪精度和系统稳定性。

基于无迹变换的多目标高斯混合粒子PHD滤波

针对在杂波环境下,一般的高斯混合粒子PHD出现滤波精度不高、滤波发散的问题,提出了一种基于无迹变换的高斯混合粒子PHD。该算法在高斯混合粒子PHD预测的基础之上,采用无迹变换进行重要性采样,结合观测值对采样粒子进行更新,获得重要性密度函数,然后对PHD进行更新。最后,将该算法与高斯混合粒子PHD进行比较;仿真结果表明,该算法在有效提高高斯混合粒子PHD精度的同时,还能提高系统的稳定性。

基于模糊混合退火分布的多目标高斯混合粒子PHD滤波算法

针对杂波环境下高斯混合粒子PHD跟踪精度低,滤波发散的问题,提出基于模糊混合退火分布的高斯混合粒子PHD。所提算法在传统的高斯混合粒子PHD滤波的基础上,采取状态变量分解和引入退火参数产生建议分布函数,同时采用模糊推理系统产生最优的退火系数,有利于提高粒子滤波的稳定性和精度,然后对PHD进行更新。仿真结果表明:该算法能在杂波环境下有效跟踪多个目标,与高斯混合粒子PHD滤波相比,状态估计更加接近真实值,大大提高了跟踪精度和系统稳定性。

声呐图像多目标跟踪高斯滤波算法

针对高斯滤波算法中“新生目标强度已知”这一假设在声呐图像多目标跟踪应用中不成立的问题,本文提出一种改进高斯混合概率假设密度滤波滤波算法,利用量测进行滤波算法的初始化,相比均匀分布初始化可加快收敛速度;并在每一时刻的算法循环中采用量测驱动新生,但不做判决,而是到下一时刻根据量测和算法再判定新生目标的真实性,可突破新生目标强度已知的限制并降低跟踪误差。仿真表明:改进高斯混合概率假设密度滤波滤波算法的跟踪误差更低且运算时间更短。此外,分析了检测概率以及杂波密度对跟踪性能的影响。图像声呐多目标跟踪水池实验验证了改进高斯混合概率假设密度滤波算法能进行有效地多目标跟踪。

一种改进的高斯混合概率假设密度SLAM算法

针对高斯混合概率假设密度SLAM(GMPHD-SLAM)算法存在的估计精度低和计算代价高的问题,提出一种无迹高斯混合概率假设密度SLAM算法(unscented-GMPHD-SLAM).其主要特点在于:将无迹卡尔曼滤波器应用于机器人位姿粒子权重计算及概率假设密度更新过程中,可提高算法整体估计性能;将更新的高斯项按照传感器视域分类,有效降低了算法计算量.通过仿真实验,将所提出算法与传统PHD-SLAM算法进行比较,结果表明该算法在提高估计精度和降低计算负担方面是十分有效的.

基于高斯粒子滤波的CPHD多目标跟踪平滑算法

针对在杂波环境下对机动多目标进行检测与跟踪时,跟踪精度低、计算复杂度高等问题,提出一种基于高斯粒子滤波(GPF)实现的势概率假设密度滤波(CPHD)平滑算法。文章从CPHD平滑公式出发,结合GPF的特点,在CPHD的预测和更新步迭代目标状态的均值和协方差,并采用高斯函数来近似目标状态的后验概率密度,提出基于高斯粒子滤波实现的GPF-CPHD平滑器。仿真结果表明,所提平滑器的检测与跟踪性能优于未经平滑处理的CPHD滤波器。