一种基于模型概率单调性变化的自适应IMM-UKF改进算法

针对现有交互式多模型(IMM)算法模型间切换迟滞和转换速率慢的缺点,提出一种基于模型概率单调性变化的自适应交互式多模型无迹卡尔曼滤波改进算法(mIMM-UKF)。该算法利用后验信息模型概率的单调性,对马尔可夫转移概率矩阵及模型估计概率进行二次修正,加快了匹配模型的切换速度及转换速率。仿真结果表明,与现有算法相比,该算法通过快速切换匹配模型,有效提高了水下目标跟踪精度。

基于改进自适应IMM算法的高速列车组合定位

针对列车高精度定位问题,该文提出基于改进自适应交互多模型(IMM)的高速列车高精度组合定位方法。首先,根据列车定位需求和各传感器特点,设计了卫星接收器、轮轴测速传感器、测速雷达以及单轴陀螺仪4种传感器的组合定位方案。然后,针对IMM融合滤波算法因先验信息不准导致固定参数设置不当的问题,引入Sage-Husa自适应滤波和转移概率矩阵(TPM)自适应更新集成为自适应IMM算法。针对多模型切换的滞后问题,利用子模型似然函数值能快速反映模型变化趋势的特点,将似然函数值设为判定标志,并引入判定窗对TPM矩阵元素进行修正,有效提升了模型的切换速度。最后,基于改进自适应IMM算法对4种传感器定位信息进行融合滤波,实现高速列车的高精度组合定位。仿真结果表明:改进后的算法相比其他自适应IMM算法提升定位精度1.6%~14.7%,并且能通过提高模型间切换速度来有效降低位置误差峰值,同时具备较好的抗噪性能。

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。

基于SWA-IMM的水面无人艇目标跟踪方法

针对标准交互式多模型(Interacting Multiple Model,IMM)算法采用固定运动模型集导致运动目标跟踪精度下降的问题,本文提出一种基于滑动窗口的多模型自适应滤波(SWA-IMM)算法。通过计算运动目标与不同模型的匹配概率,利用滑动窗口判定法确定最佳匹配模型,改变模型集中最佳匹配模型的权重以达到模型集自适应的过程。结果表明,基于滑动窗口的多模型自适应滤波算法,在一定程度上提升了无人艇运动目标跟踪的准确性。

基于IMM-KF算法改进的欺骗式干扰检测算法

针对基于接收机基线长度的欺骗干扰检测方法在短基线和低定位精度下检测性能差的问题,提出了一种交互多模型卡尔曼滤波(Interactive Multi-model Kalman Filtering,IMM-KF)算法改进的欺骗式干扰检测算法。该方法通过IMM-KF算法对两个接收机天线的位置信息进行最优估计,提高基线解算精度,从而提升基于基线长度的欺骗干扰检测方法的检测性能。首先,详细分析了基于基线长度的欺骗干扰检测方法的数学原理;其次,建立欺骗检测算法模型,并对其性能进行仿真分析;然后,根据算法应用场景引入IMM-KF算法优化基线长度估计量;最后,针对不同的基线长度和定位精度进行仿真实验,对算法进行性能评估。仿真结果表明,该算法可以在接收机伪距测量精度为0.1 m、基线长度为0.5 m的情况下达到86%的检测成功率,而传统算法在此情况下检测成功率仅为10%。

GEO混合推力机动目标跟踪IMM算法

针对交互多模型(IMM)算法求解地球静止轨道(GEO)卫星混合推力机动目标跟踪问题时模型匹配难、模型转移概率近似平均和响应速度慢的问题,从交互模型集构建和模型转移概率自适应设计两个方面出发提出一种改进IMM算法。该方法通过考虑无机动、脉冲机动和有限推力机动三种模式,构建了覆盖目标机动状态的交互模型集,提高了模型与机动目标实际运行状态的匹配度;采用一种基于加速度估计自适应修正的模型交互概率修正方法,提升了算法对目标机动状态的响应速度和跟踪精度。仿真结果表明,所提算法是解决混合推力模式下的GEO机动目标跟踪问题的有效手段,在收敛速度和收敛精度等方面与传统方法相比有较大提高。

室内外混合环境下基于IMM-EKF的AGV连续定位方法研究

针对室内外混合环境下自动导引车(AGV)连续定位中存在多模型不匹配竞争、定位精度差的问题,提出一种基于交互式多模型—扩展卡尔曼滤波(IMM-EKF)的AGV室内外连续定位算法。针对AGV连续定位存在定位精度差的问题,提出采用平行扩展卡尔曼滤波器分别实现激光雷达(LiDAR)/里程计(ODOM)、全球导航卫星系统(GNSS)/ODOM的融合滤波定位。针对AGV连续定位存在多模型不匹配竞争问题,提出通过模型的似然概率分别计算LiDAR和GNSS模型概率,并根据模型概率对定位结果进行加权融合,从而计算AGV的最优位姿估计。AGV连续定位实验结果表明:本文提出融合LiDAR/GNSS/ODOM的IMM-EKF连续定位滤波算法,极大地提高了室内外连续定位精度、并有效抑制模型间的不匹配竞争关系,实现AGV的实时全局精准定位。

VICKF-IMM算法在机动目标跟踪中的应用

针对智能体移动方式复杂,对其进行观测的传感器测量的信息存在噪声以及目标运动轨迹发生突然的改变会导致目标观测失真甚至错误的问题,提出了一种变积容积卡尔曼滤波交互多模型算法(VICKF-IMM)。该算法将容积卡尔曼滤波与交互多模型算法相结合,并对容积卡尔曼滤波(CKF)中球面积分进行变积分转换处理。优化了其积分求解的方式,提高了整体的稳定性。Monte-Carlo仿真分析,与CKF-IMM和UKF-IMM算法相比,该算法的跟踪精度有明显的提高,并在目标运动发生突变时有更高的稳定性。

基于扩展卡尔曼滤波的交互式多模型跟踪算法研究

在辅助驾驶系统中,行人轨迹跟踪一直是一项有挑战性的任务,因为行人的回波信号中往往存在着许多干扰噪声。此外,行人在运动过程中可能会做出突然转身或其他改变方向的行为,这将直接导致行人运动轨迹呈现出非线性特征。针对上述问题,文中提出一种基于扩展卡尔曼滤波的交互式多模型跟踪(IMM-EKF)方法,适用于毫米波雷达对行人进行轨迹跟踪。首先,在扩展卡尔曼滤波算法(EKF)的基础上重构状态预测协方差矩阵,来补偿EKF非线性化过程中引入的误差;然后将改进的EKF作为交互式多模型算法(IMM)中的滤波器,根据行人运动特性选择匀速模型和协调转弯模型作为跟踪模型,利用所提出的IMM-EKF算法进行轨迹跟踪。实验结果表明,所提出的滤波算法较典型的EKF和改进的EKF算法,在跟踪滤波精度方面均有所提升,同时具备更优的跟踪鲁棒性。

固定单站对机动目标无源定位IMM算法

本文探讨了一种基于目标的信号到达时间（ＴＯＡ）和信号到达方向（ＤＯＡ）信息，利用固定单站对机动目标进行无源定位与跟踪的交互式多模型算法，并详细分析了定位原理。通过计算机仿真，验证了其正确性与有效性。

马尔可夫矩阵修正IMM跟踪算法

传统交互多模型(interacting multiple model,IMM)滤波算法中,马尔可夫概率转移矩阵参数固定,切换过程模型概率滞后。基于后验信息修正,扩展了一种在线更新马尔可夫概率转移矩阵的自适应跟踪算法,新算法克服了原算法只能交互2个模型的局限性。在计算过程中,依据不匹配模型误差压缩率的更新信息,在线调整先验马尔可夫概率转移矩阵,模型转换过程中更多地利用匹配模型的信息,而减小不匹配模型信息的影响,使收敛速度得到了提高。最后通过多模交互3个当前统计模型(current statistical model,CSM)验证了所提算法的有效性。

基于当前统计模型的有向图切换IMM算法

将当前统计模型和变结构多模型估计算法相结合,提出了一种新的用于跟踪机动目标的交互多模型算法,计算机仿真结果显示该算法能有效提高交互多模型估计器的费效比。

基于IMM-IME输入法接口的实现方法

输入法管理器-输入法编辑器(IMM-IME)结构是Windows多语言支持的核心组件之一,为输入法的开发提供了强有力的支持。该文介绍了IMM-IME的构成部件、工作原理及输入法编辑器的具体实现步骤。并结合开发实际,论述了通用输入法接口的概念和实现原则。

基于自适应CS模型的IMM算法

目标运动状态的改变将导致目标跟踪算法精度降低或发散。为了提高机动目标跟踪的跟踪性能,首先,针对当前统计(current statistical,CS)模型中最大加速度固定设置导致模型误差增大的问题,提出了一种自适应CS模型;在自适应CS模型和交互式多模型(interacting multiple model,IMM)的基础上,提出了一种交互式多自适应模型(interacting multiple adaptive model,IMAM),该模型通过采用两个自适应CS模型,能够有效消除目标状态突变造成模型误差急速增大的问题,提高了模型的准确度和适应性。其次,在IMAM的基础上,结合修正卡尔曼滤波(amendatory Kalman filter,AKF)的思想,提出了IMAM-AKF算法,该算法通过修正最终的状态融合估计值,有效地降低了目标机动造成的模型误差,进一步提高了机动目标跟踪的性能。最后,结合自适应渐消卡尔曼滤波(adaptive fading Kalman filter,AFKF)的思想,提出了IMAM-AFAKF算法。仿真结果表明,无论是强机动还是弱机动,IMAM-AFAKF算法都具有较好的跟踪性能。

时变转移概率IMM-SRCKF机动目标跟踪算法

给出了一种交互多模型(interacting multiple model,IMM)算法中Markov转移概率矩阵在线修正的方法,并将平方根容积卡尔曼滤波器(square-root cubature Kalman filter,SRCKF)引入到IMM算法中,提出一种时变转移概率的机动目标跟踪IMM-SRCKF算法。该算法利用当前量测中包含的模式信息,对IMM算法中的转移概率矩阵进行实时递推估计,避免了常规IMM算法中转移概率先验确定的困难,提高了模型切换速度和跟踪精度;同时,SRCKF以目标状态协方差的平方根进行迭代更新,确保了滤波过程中协方差矩阵的对称性和半正定性,改善了数值精度和稳定性。仿真实验结果表明,该算法对机动目标的跟踪性能优于常规的IMM及IMM-CKF算法。

IMM-EKF雷达与红外序贯滤波跟踪机动目标

雷达与红外数据融合能够实现信息互补,改善对目标的跟踪、识别以及提高系统的生存能力。为了解决空中目标高速机动时,单一模型的雷达/红外序贯滤波跟踪发散的问题,提出了一种基于序贯滤波和交互多模型的雷达/红外融合跟踪机动目标的方法,通过在雷达与红外序贯滤波融合中引入交互多模型来跟踪机动目标。仿真结果表明,该方法与基于最优数据压缩的雷达与红外传感器融合跟踪机动目标相比,跟踪精度明显提高,是一种雷达与红外传感器融合跟踪机动目标的有效方法。

基于VS-IMM算法的A-SMGCS场面运动目标跟踪

为实现先进场面运动引导控制系统中场面监视雷达对运动目标的跟踪,研究了将变结构交互式多模型(Variable structure interacting multiple model,VS-IMM)算法应用到该系统中。首先,根据飞机的真实运动情况建立了飞机的匀速运动、匀加速运动和匀速转弯运动模型;然后,针对固定结构交互式多模型(Fixed structureinteractive multiple model,FS-IMM)算法在目标跟踪方面的不足,结合机场地图,将VS-IMM算法应用到机场场面运动目标跟踪中;最后,基于扩展卡尔曼滤波将VS-IMM算法与FS-IMM算法进行仿真比较。结果表明:VS-IMM算法的跟踪精度及模型选择均优于FS-IMM算法,VS-IMM算法在场面跟踪方面具有更大的应用价值。

基于IMM的高脉冲重复频率雷达解距离模糊方法

针对高脉冲重复频率(high pulse-repetition frequency,HPRF)雷达多假设解距离模糊方法在模糊区间发生变化时会出现解距离模糊错误的现象,提出一种基于交互式多模型(interacting multiple model,IMM)的混合滤波解距离模糊方法。通过把脉冲间隔数和脉冲间隔变化量作为目标待估计状态,对离散的脉冲间隔数、间隔变化量和连续的目标状态(径向距离和速度)进行混合滤波,从而将解距离模糊转换为混合滤波问题。仿真结果表明,在第一个驻留时间内,在两帧以上同时检测到目标和只有一帧检测到目标两种情况下,该方法均可以克服现有多假设方法的不足,随着模糊区间的变化,正确地解距离模糊。

基于IMM-UKF方法的机电作动器突发性故障诊断研究

飞机飞行控制系统机电作动器(electromechanical actuator,EMA)的突发性故障会影响到飞机的飞行安全性,甚至导致飞机失控.针对EMA的突发性故障,提出一种基于交互式多模型(interactive multiple model,IMM)和无迹卡尔曼滤波(unscented Kalman filter,UKF)相结合的故障诊断方法.该方法利用UKF不仅能更好地逼近状态方程的非线性特性,而且能使滤波器具有更好的稳定性和更低的计算量要求;利用IMM不仅解决了可测量参数偏少导致的故障诊断困难的问题,而且还改善了发生的故障与预先假设的故障差异较大的情况下故障诊断的快速性和准确性.通过对某型EMA进行故障诊断,仿真结果表明所提出的IMM-UKF故障诊断方法可以实现对EMA部件和传感器故障的快速准确诊断.

适用于模型失配时的改进IMM算法

机动目标难以跟踪的主要原因是无法找到一个准确的模型来描述目标的运动,即此时目标运动模型是失配的。现今交互式多模型(interacting multiple-model,IMM)算法是一种常用的用于机动目标的跟踪算法。推导分析了现有的典型IMM滤波算法在跟踪机动目标时存在的不足,提出了一种更适用于运动模型失配情况下机动目标跟踪的改进IMM算法。该算法对在跟踪机动目标时滤波器的新息序列的均值特性进行推导分析,改进了IMM算法中模型概率的计算方法,提高了模型概率计算的准确性,从而提高对机动目标的跟踪精度。建立了典型的机动目标跟踪场景,将改进后的IMM算法和原有的典型IMM算法的跟踪性能进行了对比研究,并对模型转换概率的准确性进行了分析,仿真结果验证该改进算法的有效性。