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。

基于高斯混合概率假设滤波的水下目标跟踪算法

为了解决传统水下目标跟踪中目标数目估计不准确、状态估计误差增长过快的问题,提出了一种基于高斯混合概率假设滤波的水下目标跟踪算法。该算法基于双基地观测模型,采用高斯混合概率假设滤波算法处理方位和时延信息,利用粒子群算法处理多普勒频率获得矢量速度,进一步提升算法的跟踪精度。结果表明,该算法能完成在杂波环境下对目标的跟踪,相比传统的关联算法,能够有效地实现目标个数估计和抑制状态误差增长的目的。

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。

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。

基于高斯和近似的扩展切片高斯混合滤波器及其在多径估计中的应用

全球卫星导航系统(Global navigation satellite system,GNSS)信号的多径估计问题实际上是条件线性状态空间模型下的状态估计问题.根据高斯和理论提出了适用于非高斯噪声环境的扩展切片高斯混合滤波(Extension of sliced Gaussian mixture filter,ESGMF)算法.该算法将非高斯噪声的状态概率密度函数(Probability density function,PDF)表示为高斯和的形式,将ESGMF通过一组并行的切片高斯混合滤波器(Sliced Gaussian mixture filter,SGMF)来实现.同时,在ESGMF算法中利用粒子滤波(Particle filter,PF)中重采样的思想对成指数增加的状态预测PDF的高斯混合个体进行约简,以提高贝叶斯推理的效率.该算法可以获得非高斯噪声下状态PDF的迭代解析表达式.最后,将ESGMF应用于GPS多径参数估计,仿真结果表明,ESGMF算法的估计精度优于基于PF和扩展卡尔曼滤波(Extended Kalman filter,EKF)的算法.

使用高斯混合滤波器的机动目标跟踪

实际目标跟踪过程中,被跟踪目标的状态与类型都是不确定的。使用运动学传感器与属性传感器分别获取的目标状态量测信息与特征量测信息,给出了目标状态与类型不确定性的联合状态类型概率密度函数表示,并推导了线性高斯假设下的系统模型为高斯混合模型。根据这一性质,引入高斯混合滤波器,实现了机动目标的有效跟踪。在仿真分析中,通过对比3种算法的跟踪结果,进一步验证了使用高斯混合滤波器在机动目标跟踪过程中的有效性。

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。

一种基于牛顿法的高斯非线性滤波器

针对高斯型非线性滤波器在大初始估计误差和/或小量测误差条件下的估计性能恶化问题,提出一种新的高斯型非线性滤波器设计方法。从优化角度出发,将当前时刻状态视为未知参数,以高斯假设下状态-观测联合概率分布密度的对数作为代价函数,基于一阶线性化和牛顿下降方法推导了迭代观测更新方程,在此基础上设计了一种迭代型高斯非线性滤波器。通过典型仿真算例将所提算法与几种经典滤波器及近期提出的几种迭代型高斯滤波器进行了性能对比。结果表明,算法具有更好的收敛性和准确性,适于大初始误差条件下的非线性滤波问题。

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.

一种具有信息保持能力的GM-PHD滤波器

概率假设密度(PHD)滤波器是解决虚警、漏检和目标数未知情况下多目标跟踪问题的新方法.然而在该滤波器中已存在的目标一旦在某个时刻不能被传感器检测到,漏检目标的大量信息会被滤波器丢弃.为解决漏检目标的信息丢失问题,对PHD滤波器的预测和更新方程进行了修正,提出了一种具有信息保持能力的PHD滤波器.在此基础上提出了适用于线性高斯模型的修正PHD滤波器高斯混合(GM)实现算法.仿真实验结果表明,与现有的PHD滤波器相比,在存在漏检的情况下所提出的GM-PHD滤波器能够提供更好的多目标跟踪能力.

一种新的多机动目标跟踪的GMPHD滤波算法

针对多机动目标跟踪的传统数据关联算法约束条件苛刻、估计精度低、计算量大等问题,提出了一种基于随机集理论的非数据关联的多机动目标跟踪算法.该算法将高斯混合概率假设密度(GMPHD)滤波与"当前"统计模型的优点相结合,绕过了棘手的数据关联问题,能高效处理目标数较大的机动跟踪问题.在漏检、虚警、多机动目标交叉杂波复杂环境下进行了仿真实验,结果表明,该算法具有较高的跟踪精度和稳健的跟踪性能.

结合聚类的GM-PHD滤波器辐射源群目标跟踪

群目标跟踪是一种情况更为复杂的多目标跟踪问题,由于军事辐射源目标经常出现雷达关机的情况,因此常用的多目标跟踪方法对于这类辐射源群目标的跟踪效果并不理想。为此,结合聚类技术提出了一种改进的高斯混合概率假设密度(Gaussian mixture-probability hypothesis density,GM-PHD)滤波器跟踪方法。该方法在GM-PHD滤波器的更新过程中,通过引入群中心产生的虚拟量测信息以提高目标跟踪性能,但不进行量测集划分。获得单一个体目标的估计状态后利用Jensen-Shannon divergence计算其相似度,然后再对估计目标进行聚类以实现群目标的跟踪。最后通过对相邻时刻的群中心轨迹点进行关联匹配,从而获得群目标的完整运动轨迹。仿真实验结果表明,所提方法能够对辐射源群目标进行有效跟踪,并具有较好的目标跟踪性能。