基于模糊控制交互式多模型粒子滤波的静电机动目标跟踪

针对交互式多模型粒子滤波算法(IMMPF)的精度不高,算法更新时间长,难以满足静电机动目标跟踪要求的问题,提出了一种新的基于模糊控制的交互式多模型粒子滤波算法(FIMMPF)。该算法先利用模糊控制方法实现实时调整交互式多模型算法中的转换概率矩阵,使与目标当前运动状态最接近的运动模型在混合产生这一采样时刻的初始状态向量里占有更大的比重。同时,为了提高基本粒子滤波算法的精度,减小算法更新时间,再利用中心差分扩展卡尔曼滤波算法产生基本粒子滤波的建议分布函数,实现对目标运动状态的更新。理论分析和仿真结果表明,所提出的算法能够以更高的定位精度,更小的计算量实现对静电机动目标的跟踪。

基于交互式多模型卡尔曼滤波的主动悬架控制

针对固定状态观测器难以保证路面自适应悬架状态观测精度的问题,本文中在交互式多模型卡尔曼滤波(IMMKF)的基础上,建立了悬架状态观测器与控制器。首先基于LQG算法与模糊控制算法建立了路面自适应主动悬架系统。结合谐波叠加法,生成A-B-D-C级空间域路面不平度模型,作为仿真系统的输入。其次以各级路面的最优LQG模型为子模型建立了3种IMMKF悬架状态观测器与控制器。仿真对比表明:14模型的IMMKF悬架状态观测器相对于普通卡尔曼滤波观测器的观测精度最大可提升98.17%,并可用于识别路面等级,并且基于14模型IMMKF的自适应主动悬架控制器的车身加速度相对于被动悬架降低了75.99%、相对于普通LQG主动悬架降低了47.16%,验证了模型的优越性。

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。

应用多模型粒子群优化算法的过热汽温模糊控制

针对单一模型的粒子群参数优化算法存在鲁棒性差的问题,提出一种应用多模型粒子群参数优化的方法,将其应用于模糊控制器参数的优化,有效地避免了模糊控制器设计中复杂的参数调试,使其获得良好的控制品质。通过对锅炉过热汽温系统的仿真实验,在负荷大范围变化的条件下,控制系统仍保持了良好的控制性能,并且具有较强的鲁棒性。仿真结果表明了所设计的控制器的有效性和所提出的优化算法的优越性。

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。

多传感器信息融合模糊控制模型设计

多传感器数据的来源众多,数据时间序列的特征随机性强,难以统一,导致其信息应用范围缩小。提出一种多传感器信息融合的模糊控制模型。运用不同映射模式描述多传感器信息融合状态空间,创建随机时段下测量空间矩阵,获得传感器信息采集时间序列特征。根据信息采集时间序列特征构建二级架构信息融合模型,第一级架构使用模糊控制算法划分输入-输出空间模糊区间,得到模糊规则并计算模糊规则相对信任度,利用模糊规则映射关联聚类信息,剔除传感器冗余数据。在此基础上使用智能粒子滤波法将多传感器信息传输至相应粒子滤波模块,代入遗传算法交叉与变异操作调整粒子权重,通过重采样保存高权值粒子,得到完整的多传感器信息融合结果。仿真结果表明,多传感器信息融合的最大能耗值为110 mJ,信息采集网络延迟为0.75 s,融合时间平均值为4.5 s,信息融合的误差值小于50 m,系统鲁棒性较强。

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。

面向用户偏好的动态网页数据交互式查询算法

为提高网页数据查询速度、精度及工作效率,提出一种面向用户偏好的动态网页数据交互式查询算法.首先,构建用户偏好模型,增加偏好组合的演化个体适应性,综合计算适配值;其次,为防止数据冗余和重复,基于兴趣相似性,分离相似度高的查询数据和重复数据,识别出网络数据的性质;最后,利用粒子群优化算法寻找最优的动态网页数据交互式查询方案.实验结果表明:在数据集基数影响下,该算法的查询结果集质量在0.95以上;在查询最大维数影响下,该算法的查询结果集质量在0.96以上,表明其查询使用时间短、结果集精度高、自适应能力强.

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.