基于星凸随机超曲面的扩展目标伽马高斯混合势概率假设密度滤波器

针对杂波和检测不确定情况下扩展目标形状估计精度低的问题,提出了一种基于星凸随机超曲面模型(SRHM)的扩展目标伽马高斯混合势概率假设密度(CPHD)滤波器.该算法在高斯混合概率假设密度滤波的框架下,首先将目标形状建模为星凸随机超曲面,然后通过CPHD滤波估计出目标的质心位置和目标数目,最后通过将已估计的目标质心位置作为目标形状的中心点来结合量测对目标形状进行估计.其中,算法通过自适应估计尺度变换因子对形状边界进行约束优化,解决了星凸随机超曲面模型存在的边界形状不规则的问题.设计扩展目标个数未知以及含有杂波的实验场景,实验结果验证了该算法的有效性和可行性.

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.

多扩展目标的高斯混合概率假设密度滤波器

针对多扩展目标跟踪中状态信息难以估计的问题,提出了一种可以估计扩展目标运动状态和形状信息的多扩展目标高斯混合概率假设密度(RHM-GMPHD)滤波器。首先利用描述凸星形扩展目标量测源分布的随机超曲面模型和传感器量测方程,建立扩展目标运动状态及形状信息与量测之间关系的伪量测函数;然后结合扩展目标状态预报信息,推导了扩展目标状态更新方程,递推地对扩展目标运动状态及形状信息进行估计跟踪。此外,还建立了Jaccard距离来度量RHMGMPHD滤波器对目标形状的估计性能。与联合概率数据关联(JPDA)滤波器和GMPHD滤波器相比,RHM-GMPHD滤波器不仅可以估计凸星形扩展目标的形状信息,并能有效提高对目标数和运动状态的估计精度。仿真实验表明,RHM-GMPHD滤波器对质心估计的均方根误差分别约为JPDA和GMPHD滤波器的1/3和1/2,对目标数的估计接近真实值,对形状估计的Jaccard距离一般小于0.2。

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。

多目标跟踪的高斯混合概率假设密度滤波算法

在多目标跟踪中,在观测数据存在关联的不确定、检测的不确定、噪声和虚警情形下,同时估计出随时间变化的目标数及目标状态,高斯混合概率假设密度(GMPHD)提供了一种有效的方法。PHD滤波不存在解析解,而GMPHD滤波提供了PHD递推的解析解。仿真结果表明,GMPHD滤波能稳健的跟踪目标数未知或时间变化时的目标状态和目标数。

基于势概率假设密度滤波器的不可分辨目标跟踪算法

根据有限集统计方法,推导得到了可适用于不可分辨目标跟踪问题的势概率假设密度(cardinalized probability hypothesis density,CPHD)滤波器。类似传统的点目标CPHD滤波器,该不可分辨目标CPHD滤波器不仅可以递推地传递多目标状态集合的一阶统计矩,还可以传递多目标个数(即势)的概率分布。蒙特卡罗仿真实验表明,相比Mahler提出的不可分辨目标PHD滤波器,所提出的不可分辨目标CPHD滤波器具有更加精确和稳定的多目标个数和状态估计,但它的计算量要大于不可分辨目标PHD滤波器。

一种改进的高斯混合概率假设密度滤波器

针对近邻目标场景下高斯混合概率假设密度滤波器的滤波精度较差问题,该文提出一种改进的高斯混合概率假设密度滤波器。基于更新后的目标强度中目标身份信息,首先将近似同一目标的多个高斯分量融合为一个新的高斯分量,然后依据目标检测结果对各目标分量的权重进行重新分配以获取一个精确的后验强度。实验结果表明,与相关近邻目标GM-PHD滤波器相比,该文算法的目标状态及数目估计精度具有较大优势,且其滤波性能相对稳定。

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。

用于多个机动目标的混合高斯概率假设密度跟踪器

现有的混合高斯概率假设密度(GM-PHD)跟踪器不仅可以估计时变的多目标状态,还能辨识不同目标并保持其轨迹连续性.但当多个目标发生机动时,其稳定性较差,容易丢失目标.针对这一问题,本文提出一种能跟踪多个机动目标的混合高斯概率假设密度跟踪器算法.算法在GM-PHD滤波的框架上采用修正的输入估计方法将目标的概率假设密度(PHD)表示成混合高斯形式,并利用不同的标记辨识各个高斯分量,然后通过PHD滤波方程迭代这些高斯分量和对应的标记,最终达到跟踪多个机动目标的目的.仿真实验表明,和传统的GM-PHD跟踪器相比,新算法能以更高的稳定性跟踪多个机动目标.

改进的高斯粒子概率假设密度滤波算法

高斯粒子概率假设密度滤波在预测和更新时需要进行粒子近似和重新采样,这在一定程度上降低了算法的精度和实时性.针对这一问题,提出一种改进的高斯粒子概率假设密度滤波算法,算法通过粒子的方式表示并传递目标的概率假设密度(PHD)预测值,然后直接利用这些表征PHD预测值的粒子进行更新,最后利用具有最大似然性的粒子将更新后的PHD表示为混合高斯形式.仿真实验表明,和高斯粒子概率假设密度滤波相比,改进算法的多目标误差距离减少了约30%,运行时间减少了约50%.

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.

概率假设密度高斯混合实现的分量删减

针对概率假设密度(Probability hypothesis density,PHD)高斯混合实现算法中的分量删减问题,提出了基于Dirichlet分布的分量删减算法以改进概率假设密度高斯混合实现算法的性能.算法采用极大后验准则估计混合参数,采用仅依赖于混合权重的负指数Dirichlet分布作为混合参数的先验分布,利用拉格朗日乘子推导了混合权重的更新公式.算法利用负指数Dirichlet分布的不稳定性,在极大后验迭代过程中驱使与目标强度不相关的分量消亡.该不稳定性还能够解决多个相近分量共同描述一个强度峰值的问题,有利于后续多目标状态的提取.仿真结果表明,基于Dirichlet分布的分量删减算法优于典型高斯混合实现中的删减算法.

多帧高斯混合概率假设密度的多目标跟踪算法

针对低检测概率下多目标跟踪时,概率假设密度滤波器难以正确估计当前目标个数以及目标状态问题,提出一种基于多帧融合的高斯混合概率假设密度滤波算法。根据不同时刻目标权值构造目标多帧权值记录集及目标状态抽取标志。当某些时刻目标被漏检时,依据目标状态抽取标志,并结合目标多帧权值记录集中权值信息估计丢失目标的状态。仿真实验表明,算法有效地提高了低检测概率下现有相关算法的目标状态和数目估计精度。

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。

高斯混合概率假设密度算法对多目标的跟踪研究

为了规避数据关联的困难,本文深入研究了适宜多目标跟踪工程应用,线性高斯多目标模型假设下的高斯混合概率假设密度算法(GM-PHD),详细给出了后验PHD高斯元素的均值、方差和权值的解析递推式,使用了修剪和合并方法控制高斯元素数目的指数增长。最后,给出了一系列仿真实验,验证了在检测不确定和高杂波环境下,即使对目标数量未知和时变的场景,GM-PHD都能有效地完成跟踪,将其扩展应用于非线性多目标模型,同样得到了令人满意的跟踪效果。

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。