基于非等维状态交互的并行IMM转移概率自适应算法

为了提高转移概率自适应的并行交互模型算法(ATPM-PIMM)对机动目标的跟踪精度,提出一种改进的ATPMPIMM算法。该算法将基于非等维状态的混合估计方法引入ATPM-PIMM算法中,改善非等维状态交互带来的信息丢失问题,降低模型切换导致的峰值误差,满足对机动目标跟踪的需要。仿真结果表明,改进的ATPM-PIMM算法能有效地提高对机动目标的跟踪精度。

基于自适应转移概率的蚁群优化算法

为避免蚁群优化算法容易早熟的缺点,在转移概率公式中引入一个新的自适应因子。随着迭代次数的增加,该因子有利于蚂蚁探索有较弱信息素浓度的边而避免一些边上信息素的过度积累。该特点使蚂蚁在迭代后期仍能以较高概率搜索到更好的解从而避免早熟。仿真实验结果表明,该算法对解决旅行商问题具有更优的全局搜索能力。

基于自适应动态搜索蚁群算法的车辆路径规划

基于蚁群算法求解车辆路径规划的缺陷性分析,提出一种自适应动态搜索蚁群算法(ADACO)。建立算法模型,以测试案例的TSP问题为基础实验性配置组合参数;采用伪随机分布和自适应转移概率相结合策略,帮助群体选择较高质量路径;分段化设定信息素强度,有效诱导群体及时跳脱局部困境并构造新的解。测试结果表明,无论在时间开销还是配送成本方面,ADACO算法较于其它算法均有实质性地突破,验证了该算法的可行性。

模型参数自适应的低复杂度ATPM-VSIMM算法

在机动目标跟踪中,针对交互式多模型算法使用固定模型集和固定转移概率矩阵导致跟踪精度下降的问题,提出模型参数自适应更新的低复杂度ATPM-VSIMM算法。所提算法根据系统新息变化情况来判断目标是否出现机动,从而调整模型集的状态噪声,实现模型集的自适应更新;然后,根据模型后验概率变化情况和模型间的相互切换关系,准确地计算出转移概率矩阵,从而提高系统运动模型和目标运动轨迹的匹配程度,保证跟踪系统具有滤波精度高和响应速度快的优点。从模型后验概率初值、转移概率矩阵初值和状态噪声三方面验证了所提算法的有效性。仿真结果表明,ATPM-VSIMM算法的空间位置跟踪精度比现有算法提高了8%左右。

自适应交互多模型的PHD粒子滤波多机动目标跟踪

针对多机动目标跟踪中采用统一固定模型转移概率的问题,提出一种在线估计模型转移概率的自适应多模型PHD滤波(AIMM-PHD)。首先保留模型的采样粒子及其似然度;其次根据粒子的分类结果,计算出每个目标对应每个模型的状态输出;最后将输出交替作为模型输入进行滤波,计算出目标的模型转移概率。实验表明:相较于IMM-PHD,所提AIMM-PHD有较低的OSPA误差,目标个数估计更准确,且时间只增加了8.1%,从而证明了该算法的有效性。

基于改进ATPM-IMM算法的外辐射源雷达机动目标跟踪

针对外辐射源雷达进行机动目标跟踪时,现有的自适应交互式多模型(AIMM)算法难以达到高精确度跟踪的问题,提出一种基于改进的自适应转移概率交互式多模型(ATPM-IMM)的机动目标跟踪算法。该算法在ATPM-IMM算法的基础上增加了自适应控制窗,对转移概率矩阵进行再次修正,从而可根据目标的机动情况自适应切换机动模型,提高真实模型的匹配概率。仿真和实测数据结果表明,所提算法可有效提高外辐射源雷达进行机动目标跟踪的精确度。

高机动目标跟踪ATPM-IMM算法

在高机动目标跟踪中,针对标准交互式多模型算法使用固定的转移概率矩阵导致跟踪精度下降的问题,提出了一种转移概率矩阵具备自适应更新的高机动目标跟踪ATPM-IMM算法。所提算法对模型后验概率和转移概率矩阵的先验信息要求不高,既适用于高机动目标跟踪,也适用于弱机动目标跟踪。仿真结果表明,所提算法的滤波精度比现有算法提升了约11%。