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。

一种跟踪机动目标的变结构交互多模型滤波算法

将当前统计模型和变结构多模型估计算法相结合,阐述了变结构多模型算法的基本思想,研究和设计了一种用于跟踪机动目标的变结构交互多模型算法。计算机仿真显示该算法能有效提高交互多模型估计器的费效比。

跟踪机动目标的多模型算法进展

对多模型算法的发展过程进行了回顾和评述。分析了固定结构多模型算法的局限性。在变结构多模型算法的实现方法中 ,介绍了激活有向图方法、自适应网格方法和有向图切换方法。

跟踪机动目标的一种新的多模型算法

在机动目标跟踪的多模型(MM)方法的研究中,提出了一种新的多模型方法,即最小子模型集切换(MSMSS)算法。这种MSMSS算法从总模型集中自适应确定最小模型集,用来完成多模型(MM)估计。仿真结果表明,和标准的交互式MM(IMM)相比,所提到的算法,在保持同等的跟踪性能的前提下需要很小的计算量,在计算量相等的情况下具有更好的跟踪性能。

引入模糊推理与强跟踪滤波技术的变结构多模型估计

针对固定结构多模型方法(FSMM)应用于机动目标跟踪时滤波精度不高的问题,提出了一种模糊混合网格变结构多模型方法(FHGMM).FHGMM中的全体模型集由模糊基础模型网格(FBMG)和模糊修正模型网格(FAMG)组成.在此框架下,首先利用模糊推理技术对FBMG的拓扑结构进行实时调整,然后将模糊强跟踪滤波方法应用于FAMG区域中心的更新,并实时生成能够在系统模式空间自由滑动的FAMG,最后利用最优融合原理得到系统的整体估计.仿真结果表明,FHGMM与FSMM相比,目标位置、速度、加速度的滤波误差均值分别从5.5 m、1.037 m/s、0.187 m/s2减小到5.15 m、0.96 m/s、0.13 m/s2,算法单拍时间从0.02 s增加到0.037 s.

基于EMA算法的变结构交互多模型算法

标准交互多模型(IMM)算法使用固定数目和时不变的模型集,往往不能兼顾算法的实时性与跟踪精度。基于增加期望模型(EMA)算法的思想,提出综合利用前一时刻的模型匹配概率与当前时刻的混合概率作为加权系数调整系统噪声模型集,调整后的模型集被认为非常接近系统实际噪声模型。将该模型集自适应技术与IMM算法结合得到一种变结构交互多模型(EMA-VIMM)算法。使用机动目标跟踪仿真实例,与标准IMM算法进行了仿真对比,分析了跟踪性能与RMSE误差。仿真结果表明,EMA-VIMM算法不仅极大地提高了跟踪精度,而且与标准IMM算法相比,具有稳定的跟踪性能和较低的计算量。

跟踪机动目标的最小子模型集切换算法研究

研究了机动目标跟踪的多模型(MM)方法,提出了一种新的多模型方法——最小子模型集切换(MSMSS)算法。这种算法从总模型集中自适应确定最小子模型集,用来进行多模型估计。仿真结果显示,和标准的交互式MM(IMM)相比,MSMSS算法在具备同等跟踪性能的前提下计算量很小,在计算量相同的情况下具有更好的跟踪性能。

基于K-L信息因子的变结构多模型算法模型集自适应研究

针对传统多模型机动目标跟踪算法对模型数量的增长会产生组合爆炸和模型竞争现象,降低跟踪系统的性能,提出了一种模型集自适应的变结构多模型算法。采用基于Kullback-Liber(K-L)信息因子分析多模型算法中模型集各模型之间的匹配程度,并在此基础上实现对模型集的自适应调节,同时推导了各时刻模型概率与模型之间的模型转换概率矩阵,从而为变结构多模型算法的实现提供了基础。仿真实验验证了所提算法的可行性和有效性。