带有色观测噪声解耦Wiener跟踪滤波器

对带有色观测噪声的离散线性系统 ,应用现代时间序列分析方法 ,基于ARMA新息模型 ,提出了一种解耦Wiener滤波新方法 。

带有色观测噪声解耦Wiener跟踪滤波器

对带有色观测噪声的离散线性系统,本文应用现代时间序列分析方法,基于ARMA新息模型,提出了一种解耦Wiener跟踪滤波新方法,仿真例子说明了本方法的有效性。

基于强跟踪滤波器的水中高频振荡放电参数分析

为探明水中放电高频振荡阶段参数及其变化特性,提出一种基于自适应噪声完备集合经验模态分解(CEEMDAN)和强跟踪滤波器的时变参数辨识方法。通过该方法分解水中放电实验平台采集的电压、电流信号得到不同频率特征的信号分量,对最适应原始波形的信号分量开展Hilbert变换并求得相应的瞬时幅值、频率,进而得到所需的电阻和电感。实验数据离散度分析结果表明,放电进程中参数变化具有随机性,故利用强跟踪滤波器进一步对实验数据进行辨识处理,可有效地降低随机放电造成的离散性,并获得具备普适性的电阻值和电感值。偏离度分析结果表明,辨识电阻与测量数据除在气泡崩塌阶段随机性过大外,前期偏离度集中在23.26%以下,降低了偏离度处于80%~110%内数据点的干扰,电感偏离度集中在2.35%以下。该方法能够有效地应用于水中高频振荡放电过程的时变参数处理研究中。

基于指令滤波器的无人艇抗饱和动态面跟踪控制器设计

本文对带有外界干扰、输入受限情形下的无人水面艇轨迹控制问题开展了研究。首先,给出了考虑前进、横漂和艏摇的无人艇三自由度跟踪控制模型。其次,基于反步法、跟踪微分器和抗饱和辅助系统,提出了有限时间饱和动态面跟踪控制器,并通过引入补偿信号消除了滤波器带来的微分误差,提高了控制系统的性能。最后,借助李雅普诺夫稳定性理论证明了所设计系统状态为有限时间稳定的,并通过数字仿真验证了所设计控制策略的有效性。

基于代价参考粒子滤波器组的多目标检测前跟踪算法

针对图像序列中多目标检测和跟踪算法结构复杂、计算量大、性能降低等问题,提出一种基于代价参考粒子滤波器组的多目标检测前跟踪(Cost-reference particle filter bank based multi-target track-before-detect, CRPFB-MTBD)算法,将多目标跟踪问题转换为序贯地检测和跟踪多个单目标的问题.首先,采用代价参考粒子滤波器组序贯地估计所有可能单目标状态序列;其次,基于所有可能单目标状态序列的欧氏距离和累积代价确定目标数量;最后,根据累积代价判断每个目标出现和消失的具体时刻.仿真实验验证了CRPFB-MTBD的优良性能,与基于传统粒子滤波的多目标检测前跟踪算法(Particle filter based multi-target track-before-detect, PF-MTBD)、基于概率假设密度的检测前跟踪算法(Probability hypothesis density based track-before-detect, PHD-TBD)和基于伯努利滤波的检测前跟踪算法(Bernoulli based track-before-detect, Bernoulli-TBD)相比, CRPFB-MTBD的目标状态序列和数量估计结果最佳,且平均单次运行时间极短.

基于群结构集成势均衡多目标多伯努利滤波器的群目标跟踪算法

群目标跟踪已被广泛应用于作战对抗、自动驾驶、低空防御等各个军民领域。群目标是指由多个单目标组成,并以相同的速度或方向进行移动的一组或多组目标集群。鉴于随机有限集(Random Finite Set,RFS)滤波器在处理多目标数据关联方面的优势,现有的群目标跟踪算法大多基于RFS滤波器。然而,这些滤波器在对群目标进行跟踪时大多忽略了各目标之间的关联、依赖关系等问题,为此,提出了一种基于群结构集成的势均衡多目标多伯努利(Cardinality Balanced Multi-target Multi-Bernoulli,CBMeMBer)滤波器的群目标跟踪算法。具体而言,首先通过邻接矩阵对目标群结构进行估计,即将群目标看作无向图,利用各目标之间的距离来估计群目标的邻接矩阵,进而将群目标划分为多个子群。并根据各子群中目标的运动状态,将其划分为群中心和群成员两种类别,分别建立了运动方程。而后在预测步骤中,利用估计的群结构来对目标状态进行预测。特别地,在滤波器的高斯混合实现步骤中,多个高斯分量被用来拟合相对应的各伯努利分量,但过多高斯分量的存在会降低对群目标状态估计的准确性,从而降低群结构估计的准确性,因此,在状态提取阶段,本文所提算法对高斯分量进行修剪,即对更新步骤后的每个伯努利分量中所包含的高斯分量进行筛选,只保留一个权重最大的高斯分量。最后,仿真结果表明,本文所提算法实现了对群目标的稳定跟踪,且跟踪性能优于传统的CBMeMBer滤波器。

一种纯方位多目标跟踪的联合多高斯混合概率假设密度滤波器

现有的多模型-高斯混合-概率假设密度(MM-GM-PHD)滤波器被广泛用于不确定机动目标跟踪,但它不能在不同模型下保持并行的估计,导致各模型的似然值滞后于目标机动。为此,该文提出一种联合多高斯混合概率假设密度(JMGM-PHD)滤波器,并将其用于纯方位多目标跟踪。首先,推导了JMGM模型,其中每个单目标状态估计由一组并行的、带模型概率的高斯函数描述,该状态估计的概率由一个非负的权重来表征。一组权值、模型概率、均值和协方差被统称为JMGM分量。根据贝叶斯规则,推导了JMGM分量的更新方法。然后,利用JMGM模型近似多目标PHD。根据交互式多模型(IMM)规则,推导出JMGM分量的交互、预测和估计方法。将所提JMGM-PHD滤波器应用于纯方位跟踪(BOT)时,针对同时执行平移和旋转的观测站,基于复合函数求导规则推导出一种计算线性化观测矩阵的方法。所提JMGM-PHD滤波器保持了单模型PHD滤波器的形式,但能够自适应地跟踪不确定机动目标。仿真结果表明,JMGM-PHD滤波器克服了似然值滞后于目标机动的问题,在跟踪精度和计算成本方面均优于MM-GM-PHD滤波器。

基于随机有限集滤波器的可分辨群目标跟踪技术研究综述

群目标跟踪在救灾搜救、海陆防御和战场作战等领域展现出广阔的应用前景。与传统多目标跟踪不同,群目标跟踪不仅涉及对多个个体目标的跟踪,还涉及对一个群体目标的跟踪。在群体中各个子目标需要同步运动以避免碰撞,同时群体中的子目标数量和群结构还将随着时间推移而改变。根据子目标数量和传感器分辨率的不同,群目标跟踪问题包含可分辨、不可分辨、部分可分辨以及部分不可分辨群目标跟踪等多个类别。其中,可分辨群目标跟踪问题需要同时对群体结构、群内子目标交互和数目进行估计。现有研究主要关注基于传统数据关联和随机有限集滤波器的可分辨群目标跟踪方法,其中,基于随机有限集滤波器的方法通过将多个目标状态联合建模成随机有限集,缓解了数据关联问题,从而可更好地适应跟踪场景。为更好地展示群目标跟踪方法的研究进展,综述了近年来基于随机有限集滤波器的可分辨群目标跟踪的若干代表性方法,包括基于多目标多伯努利滤波器、基于标签随机有限集滤波器和基于泊松多伯努利混合滤波器的群目标跟踪方法。这些方法在处理可分辨群目标跟踪问题时展示出了显著的优势。最后,探讨了存在的问题和未来的发展方向。

基于椭圆随机超曲面模型CPHD滤波器的多扩展目标跟踪算法

复杂场景下多扩展目标跟踪在自动驾驶、目标识别等领域具有很高的应用价值。文中提出了一种基于椭圆随机超曲面模型(ERHM)的势概率假设密度(CPHD)滤波器。首先,基于有限集统计理论,利用CPHD滤波器建立多扩展目标的贝叶斯滤波框架;然后,采用ERHM描述扩展目标的量测源分布,并利用无迹变换嵌入CPHD滤波流程;最后,仿真实验结果表明,ERHM-CPHD滤波器对椭圆扩展目标的跟踪性能优于传统的伽马高斯逆威沙特CPHD滤波器,在杂波密度较高、目标新生的位置比较确定的场景或者扩展目标数目较多时,对扩展目标的参数估计更为准确。所提方法在高分辨率雷达多目标跟踪方面具备很好的运用前景。

基于多模态数据和粒子滤波器的移动机器人目标跟踪方法

在复杂环境中,目标可能受到遮挡、光照变化、背景干扰等因素的影响,导致移动机器人目标跟踪精度和效率低;为保证移动机器人目标跟踪效果,提出了基于多模态数据和粒子滤波器的移动机器人目标跟踪方法;采集移动机器人目标多模态数据,通过畸变校正、去噪、增强等步骤,完成移动机器人目标多模态数据的预处理;从边缘、颜色、纹理等多个方面,提取移动机器人目标多模态数据特征;以提取特征为研究对象,通过粒子滤波器的训练,得出移动机器人跟踪目标的检测结果,最终通过实时目标位置的更新,实现移动机器人目标跟踪;仿真结果表明,在单目标和多目标两种仿真场景下,设计方法的跟踪误差和跟踪时延较低,能够有效提高移动机器人目标跟踪精度和效率,具有较好的移动机器人目标跟踪效果。

多滤波器支持相关滤波跟踪算法

支持相关滤波跟踪方法利用循环采样将计算转换到频域进行,解决了支持向量机采样少与计算量大的问题。但是当前跟踪方法在模型更新时将历史样本和当前样本进行线性插值,不能很好地利用样本的历史信息。针对该问题,提出多滤波器支持相关滤波跟踪方法。在跟踪过程中,首先利用历史样本训练历史滤波器,其次利用历史滤波器对当前滤波器进行约束,从而能够更好地利用样本的历史信息。在OTB100数据库上的实验表明,该算法精确率达到79.2%,成功率达到58.6%。相较于尺度核化支持相关滤波算法(SKSCF),该算法在精确率与成功率上分别提高了2%和3.7%。

PHD滤波器在多目标检测前跟踪中的应用

检测前跟踪(TBD)用于对低信噪比目标的雷达检测与跟踪.同时,传统的概率假设密度(PHD)滤波器是解决多目标跟踪问题的有效方法,但它不适用于多目标TBD问题.本文通过分析多目标跟踪问题中PHD滤波器的适用模型和假设,提出了针对TBD的"标准"多目标观测模型,并对噪声进行了"泊松化",设计出一种能解决多目标TBD问题的PHD滤波器,从而使得PHD滤波器可以应用在多目标TBD问题之中,并充分发挥其处理多目标问题的优势.数值仿真结果表明,本文算法在估计的准确度和精度上都要优于经典的多目标粒子滤波器.

复杂环境下基于自适应粒子滤波器的目标跟踪

提出一种基于目标颜色特征的自适应粒子滤波算法,在非遮挡情况下,根据运动预测的准确程度自适应选择粒子数量和运动模型中高斯噪声的方差,保证跟踪的实时性和粒子的有效性;遮挡情况下改变目标的运动模型,使粒子只做布朗运动,并且各粒子经均值漂移算法的一步迭代进行优化,从而可以减少粒子数量以及更快恢复正确的跟踪.实验结果表明该算法具有较强的鲁棒性,能有效实现复杂场景下的目标跟踪.

基于改进电压空间矢量调制的有源滤波器双滞环电流跟踪控制策略

以同时减小开关频率和电流跟踪误差为控制目标,提出一种电力有源滤波器电压空间矢量双滞环电流跟踪控制的新方法。该方法直接在复平面上实施控制,能够准确给出参考电压矢量,并结合误差电流矢量与双滞环选择优化的开关状态输出。双滞环的运用,有效降低高次谐波分量的同时保证了电流响应速度;电压空间矢量脉宽调制精确合成参考电压矢量,在恒定开关频率的同时提高了直流电压利用率。该控制策略简单可靠,鲁棒性强,易于离散化实现。仿真及实验结果均证明了其可行性及良好的暂稳态补偿性能。

采用核相关滤波器的自适应尺度目标跟踪

由于现存的大多数基于检测的跟踪器都没有解决尺度变化问题,本文在传统的基于检测的目标跟踪框架下设计了一种尺度估计策略,并给出了基于核相关滤波器的自适应尺度目标跟踪算法。该算法利用核函数对正则化最小二乘分类器求解获得核相关滤波器,通过对核相关滤波器的在线学习完成目标位置和尺度的检测,并在线更新核相关滤波器。为了验证本文算法的有效性,选取了10组场景复杂的视频序列进行测试,并与其它5种优秀跟踪方法进行了对比。结果表明,本文提出的方法比上述5种优秀跟踪方法中的最优者的平均距离精度提高了6.9%,且在目标发生尺度变化、光照变化、部分遮挡、姿态变化、旋转、快速运动等复杂场景下有较强的鲁棒性。

基于扩展卡尔曼滤波器的矢量跟踪算法研究

该文针对矢量跟踪算法缺乏定量分析的问题,对线性化模型与跟踪误差进行了研究。为了提高矢量跟踪环的动态跟踪性能,修正了已有线性化观测矩阵忽略接收机伪距率对位置的偏导项的问题;提出了新的环路反馈量,简化了运算过程。推导出了矢量跟踪环的热噪声跟踪误差,与标量跟踪环相比跟踪门限明显降低,并且在相同条件下,观测卫星数越多,矢量跟踪环的跟踪门限越小;推导了矢量跟踪环的动态应力跟踪门限,证明矢量跟踪环可以处理高动态微弱信号。通过Monte Carlo仿真验证了理论分析结果的正确性。

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.

三相三线有源电力滤波器电流跟踪性能最优化控制

该文分析并建立了三相三线制有源电力滤波器的电流控制回路时域数学模型,克服了一些现有模型及处理中忽略电源电压的影响;提出了基于虚拟浮地的分析方法,简化了三相电压不对称情况下的分析;提出了基于期望电压的预测方法,其预测精度比基于指令电流的同次多项式预测精度要高,从而可以提高补偿电流的电流跟踪精度;提出了基于优化目标函数最小化的优化控制方法,并求解得出了预测控制方程的最优可行解。对该控制策略下有源电力滤波器的控制性能进行了分析。该文方法可以明显地减少开关次数,提高直流侧电压的利用率和电流跟踪能力,并且该文方法无需复杂的坐标变换,具有计算简单易于编程的特点,同时给出了基于该控制方法的有源电力滤波器的仿真和实验结果,结果证明了该控制方法的正确性和有效性。

有源滤波器电流跟踪控制的一种新方法

在采用有源电力滤波器(APF)消除谐波的过程中,由于滤波器的检测精度有限、指令电流计 算延时和输出滤波器相移等因素的影响,传统的PI控制滤波效果不够理想。针对APF电流跟踪 控制问题,提出了一种基于PI型学习律的迭代学习控制算法,通过实施遗忘因子学习律增强系统 鲁棒性的同时,引入了在最优目标选择下模糊参考电流误差的D型学习律前馈环节,提高了系统 的跟踪精度。仿真与现场运行结果都证明了该控制方法具有谐波电流跟踪效果好、计算量小、易于 工程实现等特点。

基于强跟踪滤波器的多目标跟踪方法

在诸多的多目标跟踪算法中 ,相互作用多模型 (IMM )算法是目前公认的最为有效的算法。但到目前为止 ,IMM估计方法都是建立在卡尔曼滤波器 (KF)和扩展卡尔曼滤波器 (EKF)基础上 ,因而其性能不仅依赖于所采用的模型集 ,而且在更大程度上依赖于所采用的滤波技术。强跟踪滤波器 (STF)克服了卡尔曼和扩展卡尔曼的三大缺陷 ,因而设计一种基于STF的IMM目标跟踪算法显然能提高其性能。仿真实验表明 。