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。

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。

对机动辐射源单站无源定位IMM算法

探讨了一种利用单个观测站对机动辐射源目标进行无源定位与跟踪的交互式多模型 (IMM)算法。在该方法中 ,基于辐射源的信号到达时间 (TOA )和信号到达方向 (DOA )信息 ,可以实现单站无源定位 ,运用交互式多模型算法 ,可以适应目标的机动性。通过计算机仿真 ,验证了该方法的正确性与有效性。

基于模糊自适应IMM算法的机动目标跟踪方法

提出了一种模糊自适应IMM算法(FAIMM)自适应地设计IMM算法中的模型集.该方法根据加速度估计值,通过模糊推理获得所使用模型的后验概率,自适应地摒弃概率较小的模型,从而减少了模型数目,降低了算法的计算量.仿真结果表明,应用FAIMM算法跟踪目标,跟踪的精度、平稳性以及算法的收敛速度等都得到了改善.

机动目标跟踪中IMM算法的性能分析

IMM算法是以混合状态系统的观点为基础,利用一个连续状态的微分方程来描述目标的运动,利用一个离散差分方程来描述目标的机动出现,从而建立更为准确的.本文对该滤波算法进行了进一步的研究,总结了该算法的性能特点,细致分析了影响该算法性能的因素.

基于外辐射源的机动目标单站无源定位IMM算法

探讨一种基于外辐射源的信号到达时间差 (TDOA)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新方法。在建立目标机动模型与量测方程的基础上 ,运用交互式多模型 (IMM)算法 ,实现对机动目标进行定位与跟踪。通过计算机仿真 。

基于运动学参数的高速高机动目标跟踪自适应IMM算法

提出一种基于运动学参数的自适应IMM算法,进行高速高机动目标跟踪。该算法利用交互输出的结果,计算目标的运动学参数,进而实时估算出机动目标的转弯率,利用估计值自适应地使模型与目标实际运动状态匹配。文中还将该算法与其他两种IMM算法进行了比较。蒙特卡罗仿真结果表明,这种算法跟踪目标的稳定性和精确性均优于其他两种算法,有利于高速高机动目标的实时跟踪,具有较好的可实现性。

基于改进自适应IMM算法的机动目标跟踪

文中提出了一种改进的跟踪机动目标的自适应IMM(AIMM)算法,采用协同转弯运动模型作为目标的机动模型,通过估计目标的角速度,并在估计参数值的周围选择数量一定的模型组成模型集来覆盖目标所有可能的运动模式,采用交互模型算法进行状态估计;应用变结构思想,将模型之间的切换理解为随机有向图,并综合利用前一时刻模型的后验概率和当前时刻模型的预测概率,计算模型之间的转移概率,从而能够根据目标(转弯)机动的情况,自适应地建立IMM算法的可变模型集。仿真结果表明,改进的AIMM算法的跟踪精度有了较大的改善,算法也更加平稳。

基于改进IMM算法的机场移动目标轨迹跟踪与预测

为了实现机场场面移动目标的准确轨迹跟踪与预测,考虑使用IMM算法对轨迹进行校准,并在此基础上提出了一种改进的轨迹外推算法.首先对机场进行路网建模,路网中节点之间互相转移概率用概率邻接矩阵表示,并建立匀速、匀变速,以及匀速转弯模型.然后对采集的ADS-B数据进行实时处理,结合改进的IMM算法实现轨迹跟踪.为推测机场目标意图,在缺乏轨迹观测数据情况下,将历史统计概率纳入马尔科夫转移矩阵考量以提高轨迹外推的精度,使其更符合实际.仿真结果证实了修正后的外推算法预测的轨迹比未修正的外推算法准确率更高.

IMM算法到systolic阵的映射研究

ＩＭＭ算法是一种性能优良的机动目标跟踪算法。但其计算量比较大，所以实时实现比较困难，这就限制了它的应用。但ＩＭＭ算法具有非常好的并行性。适合于并行实现。而 ｓｙｓｔｏｌｉｃ阵是一种典型的并行处理结构。所以，本文将ＩＭＭ算法映射到ｓｙｓｔｏｌｉｃ阵列结构上，从而实现了ＩＭＭ算法的并行处理，达到了实时实现的目的。分析结果表明，本文提出的方法具有加速比大、扩展性好的特点。

目标跟踪下的Kalman算法与IMM算法性能比较

介绍了Kalman滤波算法原理和IMM滤波算法原理,并进行了两种算法的仿真与性能比较。

基于改进“当前”统计模型的机动目标IMM跟踪算法

交互式多模型(IMM)算法是一种有效的机动目标跟踪算法,但其性能与模型的选择、个数以及参数有关。文中提出了一种基于改进的"当前"统计模型的交互式多模型算法,改进的"当前"统计模型提高了对机动目标的跟踪能力,而常速模型对匀速目标跟踪性能良好,IMM算法通过两种模型的交互作用可以实现对目标状态的自适应估计;同时,该算法结合了模型概率转移自适应技术,实现了对模型转移矩阵的在线估计,降低了人为因素。最后,通过Monte Carlo仿真进一步验证了该算法的有效性。

模型集和IMM自适应的目标跟踪算法

本文在仿真试验和理论分析基础上,首先给出了一种自适应IMM算法。再根据变结构IMM思想,把该算法与具体的运动模型相结合,提出了模型集和IMM算法都是自适应的机动目标跟踪方法。该方法在模式空间连续的情况下,模型集合逐步收敛到给定的范围内。文中给出了两种方法的具体实现步骤,并对文[6]中的AGIMM方法作了修正。仿真试验中把两种方法分别与传统的IMM算法和文[6]的方法进行了比较,结果表明在目标机动情况下,两种方法在性能上均有不同程度的提高,从而证明了本文所提算法的有效性。

基于概率模型的实时修正IMM目标跟踪算法

针对传统的IMM算法采用固定测量噪声协方差矩阵和Markov转移概率矩阵导致模型切换缓慢,跟踪精度下降的问题,提出了一种具有模型概率实时修正的IMM机动目标跟踪算法。该算法在监控区域上建立无线电指纹库,利用支持向量回归算法训练得到观测模型。引入模糊神经网络,在模型交互输出阶段自适应地调整测量误差协方差矩阵。根据IMM子模型中连续时间点之间的模型概率的比值,对Markov转移概率进行修正。仿真结果表明,提出的方法在实时性、跟踪精度方面具有良好的性能。

一种马尔可夫矩阵自适应的IMM-CKF算法

为了解决标准的交互式多模型(Interacting Multiple Model,IMM)算法中Markov概率转移矩阵固定不变的问题,结合容积卡尔曼滤波(Cubature Kalman Filter,CKF)算法,提出了一种Markov概率转移矩阵自适应的IMM-CKF算法。该算法引入了一个Markov矩阵元素的调整系数,在滤波过程中自适应调整Markov概率转移矩阵的每一个元素。新算法大幅度提高了匹配模型的概率,降低了非匹配模型的影响,同时改善了标准IMM算法的滤波效果。最后,通过蒙特卡洛仿真实验验证了自适应IMM-CKF算法的跟踪效果比IMM-CKF算法更好。

基于IMM算法的容错气动参数辨识

针对高超声速飞行器非线性模型气动参数在线辨识问题,将需要辨识的参数增广为状态,建立理论解析模型和实际飞行模型。利用交互多模型(IMM)算法在传统3-2-1-1激励输入条件下对增广"状态"进行跟踪,并将跟踪结果作为对参数的辨识结果。仿真结果表明,IMM算法可以在正常及舵面卡死条件下实现对高超声速气动参数的准确辨识,具有较好的容错性能,并能快速诊断出舵面故障。

IMM滤波算法在目标跟踪中的建模和仿真

IMM(Interacting Multiple Model)滤波算法以混合状态系统的观点为基础,利用一个连续状态的微分方程来描述目标的运动,利用一个离散差分方程来描述目标的机动出现,从而建立了更为准确的目标运动模型。本文对该滤波算法进行了进一步的研究,总结了该算法的特点,指出了影响该算法性能的因素,并进行了细致的分析。

跟踪密集多回波环境下多机动目标的IMM-PC算法

跟踪密集多回波环境下的多机动目标不论是对数据关联方法 ,还是对滤波算法来说都是一个具有挑战性的问题 ,根据已有研究成果 ,采用交互多模型结合全局最优关联体制的方法是目前解决该问题的推荐方法。本文提出的交互多模型 -投影收缩 (IMM -PC)算法符合上述想法 ,采用当前优化算法前沿中简单有效的投影收缩算法 ,来解决全局最优关联问题 ,因此对跟踪密集多回波环境下的多机动目标是实用有效的 。

基于IMM Kalman滤波算法的实时追踪监控系统

将SAD匹配算法和IMM Kalman滤波算法相结合,构建了一个实时追踪监控系统的雏形。该系统通过SAD匹配算法对目标进行检测,结合IMM Kalman滤波算法使追踪更加精确,从而优化现有的监控系统。选用MATLAB对SAD匹配算法和IMM Kalman滤波算法分别进行仿真,仿真结果表明SAD匹配算法与IMM Kalman滤波算法相结合,可以实现检测和追踪功能,具有现实意义。

基于IMM的雷达目标跟踪算法研究

目标跟踪的概念可以定义为:通过处理计算雷达探测的目标数据来预测估计目标的下一状态。由于人们要求的不断提高以及目标机动性的不断增强,单一模型跟踪的算法已经不能对目标的状态做出准确的预测和判断。由于这种状况的出现,也就引发了基于多模型的跟踪算法的出现,如此一来就可以完成对多种不同目标运动模型的跟踪和下一状态预测。多模型的运动估计预测方法包括有BGP1、BGP2、IMM等,其中IMM算法是当前主要的研究方向。