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%。

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。

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。

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。

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IMM的改进去偏转换测量目标跟踪算法

针对机动目标跟踪,提出一种基于交互式多模型的改进去偏转换测量卡尔曼滤波算法(IMM-MDCMKF),该算法在多模型中使用了改进的去偏转换测量卡尔曼滤波算法(MDCMKF)。MDCMKF算法先通过引入状态估计值对转换误差协方差进行修正,有效地降低了测量噪声对此协方差的影响,然后将修正的转换误差协方差用于目标跟踪问题中的去偏转换测量卡尔曼滤波算法。最后进行的Monte Carlo仿真结果表明,所提算法跟踪精度优于IMM-EKF算法和IMM-DCMKF算法。

机动目标跟踪的IMM和IMMF-LS自适应滤波算法

介绍了一种跟踪机动目标的交互式多模型 (IMM)自适应滤波算法 ,并在其基础之上介绍了一种基于状态的扩充具有固定延时的平滑IMM算法 (IMMF -LS) ,分别采用了Singer模型和“当前”统计模型与CA模型进行交互运算。蒙特卡洛仿真结果表明了IMM具有明显的综合多模型的优点 ,IMMF -LS的跟踪精度明显高于IMM算法。

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。

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。

基于修正IMM的风机变桨系统故障诊断方法

针对交互式多模型(IMM)故障诊断方法固定模型转移概率导致的诊断准确性、速度下降和估计精度损失问题,提出了一种基于模型转移概率和模型概率修正的故障诊断方法,并与粒子滤波(PF)结合实现了风机变桨系统传感器的多故障诊断。在非模式切换阶段,采用后验模型概率梯度信息设计模型转移概率的修正函数,以抑制噪声对IMM估计精度的影响;在模式切换阶段,采用模型概率反转的策略快速切换模型,弥补模型软切换导致的诊断延迟和错误诊断。通过仿真实验证明所提方法的准确性、模型切换速度以及状态估计精度都得到了较好的提升。

基于时差及多普勒频差的IMM无源定位算法

无源定位系统本身不发射电磁波,完全是被动工作,具有很好的隐蔽性,受到各方的青睐。针对时差和多普勒频差信息固定多站定位问题,给出了一种对运动目标进行定位跟踪的IMM滤波算法。文中首先对目标定位原理进行了阐述,然后对IMM滤波算法的滤波过程进行了详解。经过计算机仿真验证,此算法是正确有效的。

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。

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.

IMM-EKF的弹道导弹轨道实时动态预测

快速准确的导弹轨道预测是有效进行导弹防御的前提。提出一种基于IMM-EKF的弹道导弹轨道实时动态预测方法,对导弹发射点和落点分别进行动态预测研究。首先,构建不包含导弹先验信息的IMM-EKF弹道估计器;其次,定义一种模型概率累积因子,用于估计导弹的关机时刻及相应的运动状态;最后,基于导弹运动状态的实时估计,动态预测落点和发射点。仿真实验结果表明:该方法能实时动态预测导弹发射点和落点;发射点预测应利用主动段状态估计,而落点预测则在导弹自由段早期进行为宜。

基于改进IMM-UKF算法的一种融合航迹推演的红外路标室内定位方法

在结构化环境中,针对室内机器人导航对精度和实时性的要求,在一种新型红外路标定位方法的基础上,为满足全局导航的需要并简化硬件结构,提出一种融合航迹推演的红外路标室内定位方法,将单个大功率红外发射管作为路标,移动机器人上的红外摄像头作为接收传感器,融合采用改进的交互多模型无迹卡尔曼滤波(interacting multiple models unscented Kalman filter,IMM-UKF)算法。将融合航迹推演的红外路标室内定位方法和一般的定位方法做了比较,并将融合所采用改进的IMM-UKF算法与一般的融合算法做了比较。实验结果表明,提出的基于改进IMM-UKF算法的融合航迹推演的红外路标室内定位方法获得了比一般的定位方法更快的定位速度和更高的定位精度,且改进IMM-UKF算法比一般融合算法获得的定位精度更高。

IMM-UPF算法在机动目标跟踪中的研究

为解决机动目标跟踪的非线性和噪声不确定等问题,提出了一种新的滤波算法:融合了交互式多模型(IMM)、粒子滤波(PF)和无迹卡尔曼滤波(UKF)的IMM-UPF算法。该算法采用多模型结构以跟踪目标的任意机动,粒子滤波能处理非线性、非高斯问题,而采用UKF产生粒子,由于考虑了当前观测值,使得粒子的分布更接近后验概率密度分布,克服粒子的退化现象,从而提高估计精度。系统的模型集根据实际的目标系统设计了三个非线性模型。通过实例仿真,结果证明了IMM-UPF算法的有效性,且其性能优于PF、UPF算法。