摘要:

针对杂波环境下高斯混合粒子PHD面临的跟踪精度低、滤波发散等问题,提出基于二阶中心差分滤波的高斯混合粒子PHD算法.该算法在传统的高斯混合粒子PHD滤波的基础上,采取二阶中心差分滤波方法来得到最优的重要性密度函数,充分利用了量测信息对采样粒子进行更新,使得粒子分布更加接近目标真实的后验分布,然后对PHD进行更新.仿真结果表明,该算法能在杂波环境下有效地跟踪多个目标,与高斯混合粒子PHD算法相比,状态估计更加接近真实值,大大提高了跟踪精度和系统稳定性.

摘要:

针对在杂波环境下,一般的高斯混合粒子PHD出现滤波精度不高、滤波发散的问题,提出了一种基于无迹变换的高斯混合粒子PHD.该算法在高斯混合粒子PHD预测的基础之上,采用无迹变换进行重要性采样,结合观测值对采样粒子进行更新,获得重要性密度函数,然后对PHD进行更新.最后,将该算法与高斯混合粒子PHD进行比较;仿真结果表明,该算法在有效提高高斯混合粒子PHD精度的同时,还能提高系统的稳定性.

摘要:

针对杂波环境下高斯混合粒子PHD跟踪精度低,滤波发散的问题,提出基于模糊混合退火分布的高斯混合粒子PHD.所提算法在传统的高斯混合粒子PHD滤波的基础上,采取状态变量分解和引入退火参数产生建议分布函数,同时采用模糊推理系统产生最优的退火系数,有利于提高粒子滤波的稳定性和精度,然后对PHD进行更新.仿真结果表明:该算法能在杂波环境下有效跟踪多个目标,与高斯混合粒子PHD滤波相比,状态估计更加接近真实值,大大提高了跟踪精度和系统稳定性.

摘要:

针对无线传感器网络多目标跟踪过程中杂波难以去除以及由数据关联复杂带来的计算复杂度高的问题,将概率假设密度滤波器应用于无线传感器网络,以更好地对多目标状态信息进行融合估计;首先,建立簇-树型无线传感器网络模型,并运用随机有限集理论对目标状态模型和传感器观测模型进行描述;然后,根据目标与节点之间的距离设置观测阈值,当传感器节点测量值小于观测阈值时,概率假设密度滤波器将实时对该组测量数据进行处理,从而实现传感器网络对目标状态的联合检测与跟踪;仿真结果表明,在无线传感器网络的多目标跟踪应用中,该算法比粒子滤波算法具有更高的跟踪效率和精度.

摘要:

针对目标检测概率较低导致单个传感器无法对目标进行有效检测并跟踪的问题,本文提出了多传感器箱粒子概率假设密度(multi-sensor box particle probability hypothesis density filter,MS-BOX-PHD)滤波器.MS-BOX-PHD滤波器首先将多个传感器的量测转换、融合成为一个量测集合,并利用箱粒子概率假设密度(box particle probability hypothesis density filter,BOX-PHD)滤波器对多个目标的状态进行预测和更新.数值实验表明,相较于单传感器箱粒子概率假设密度(Single-BOX-PHD)滤波器,MS-BOX-PHD滤波器在目标检测概率较低时,能够有效地对多目标的状态和数目进行估计;相较于区间量测下多传感器标准PHD粒子(multi-sensor standard probability hypothesis density particle filter with interval measurement,IM-PHD-PF)滤波器,在达到相同的跟踪性能时,计算效率提升了38.57％.

摘要:

针对低信噪比条件下机动目标的检测与跟踪问题,提出跳跃马尔可夫系统下的序贯蒙特卡罗概率假设密度(JMS-SMC-PHD)滤波的检测前跟踪算法.该算法在机动目标数目和模型未知情况下,直接利用红外传感器量测数据,通过在目标状态矢量中增加模型变量并利用马尔可夫模型概率转移矩阵结合序贯蒙特卡罗概率假设密度(SMC-PHD)滤波,实现机动弱小目标的检测前跟踪.仿真结果表明所提方法可以有效地实现目标的检测与跟踪.

摘要:

提出了一种改进的自适应新生目标强度的概率假设密度（PHD）滤波算法。首先，对归一化因子进行了分析，在此基础上，提出了一种改进滤波策略，有效解决了归一化失衡问题；其次，在量测点附近通过无迹变换（U T ）产生样本点，然后再采用粒子群（PSO ）算法寻找最优点，从而得到新生目标概率密度函数的近似估计；最后，在序列蒙特卡罗（SMC）框架下对算法进行了实现。采用一种回溯策略，通过记录新生目标的状态和数目，修正存活目标的估计数目和相关航迹，进而得到每个目标的完整航迹。仿真结果表明：改进算法可以有效跟踪多个机动目标的状态和数目，滤波精度较高，具有较好的工程应用前景。

摘要:

基于概率假设密度滤波(Probability Hypothesis Density,PHD)的检测前跟踪(Track before detect,TBD)技术可以有效解决未知目标数的弱小点目标检测前跟踪问题.文章针对现有PHD-TBD算法存在目标数估计不准、目标发现延时较久的问题进行研究.从标准PHD滤波出发,更为合理地推导出PHD-TBD算法的粒子权重更新计算表达式,实现对目标数的准确估计；同时利用贝叶斯滤波理论,推导出基于量测的新生粒子概率密度采样函数,完成对目标的快速发现.仿真实验表明,与现有的PHD-TBD相比,改进算法能够适应目标扩散情况,准确估计目标数目,并实现对目标的快速发现和位置准确估计.

摘要:

最适高斯近似概率假设密度滤波是一种新颖的多机动目标跟踪算法。然而，该算法存在模型概率先验固化问题，即在计算模型概率的过程中量测信息不起作用。针对以上问题，该文提出一种改进算法，通过引入模型概率更新过程，将后验量测信息加入模型概率的计算式中，根据似然函数在多个运动模型之间进行软切换，进而实现对多个机动目标的有效跟踪。实验结果表明，改进算法能够有效解决模型概率先验固化问题，在目标数估计和滤波精度方面均优于传统算法，具有良好的工程应用前景。

摘要:

为了便于人们深入理解带势估计的概率假设密度滤波，本文在Ozgur Erdin对随机集做的物理空间假设的基础上，采用Bayes公式和全概率公式对带势估计的概率假设密度滤波的迭代过程进行了推导。推导过程详细明了，推导结果与文献一致。这为带势估计的概率假设密度滤波在目标跟踪中的应用及性能改进提供了理论基础。