一种改进的UGPF算法及其在导航问题中的应用

通过对高斯粒子滤波(GPF)算法的分析与总结,提出了一种基于无味卡尔曼滤波(UKF)方法的改进GPF算法(改进UGPF算法).该方法主要利用UKF获取更优的重要性抽样函数,同时优化GPF滤波的算法流程结构.最后通过二维目标跟踪过程中位置导航参数估计问题,对该算法进行了仿真分析,所得结果验证了该算法的有效性.     

高斯粒子滤波器及其在非线性估计中的应用

为了解决非线性、非高斯系统估计问题,讨论了一种新的滤波方法——高斯粒子滤波算法。通过基于重要性采样和蒙特卡罗模拟方法得到一高斯分布来近似未知状态变量的后验分布。在符合高斯假设和一定的粒子数的情况下,谈算法可以获得近似最优解。与粒子滤波算法相比,其优点是不需要重采样步骤和不存在粒子退化现象。在滤波精度、运算时间等方面与扩展卡尔曼滤波、Unscented滤波、高斯厄米特滤波及一般的粒子滤波进行了比较分析,仿真结果表明该算法性能优于其他算法。     

上升段飞行器目标的视频图像跟踪

粒子滤波是一种基于贝叶斯估计理论和蒙特卡罗理论的实时目标跟踪方法，具有较为灵活的并行化跟踪方式，能够较好地维持跟踪目标的假设状态，具有较好的跟踪效果和鲁棒性。上升段飞行器目标飞行视频图像跟踪是火箭等目标飞行监控的重要阶段，但现阶段对飞行器上升段的视频图像跟踪主要依靠人工手动操作云台控制器，实现视频图像中的飞行器跟踪，跟踪图像存在跟踪滞后、画面抖动等现象，跟踪效果受人为因素影响较大。本文提出一种基于粒子滤波方法的上升段飞行器目标视频图像跟踪方法，建立飞行器目标粒子滤波跟踪模型实现对飞行器目标的识别和跟踪，在识别和跟踪的基础上建立云台控制模型，通过对云台的智能控制获得飞行器上升段的高质量图像。采用火箭发射的视频图像作为模型验证的实验数据，检验飞行器目标的跟踪效果。     

基于KLD采样改进的高斯粒子滤波算法（英文）

为了自适应地调整滤波样本,本文提出了一种基于Kullback-Leibler散度(Kullback-Leible divergence,KLD)-抽样的改进高斯粒子滤波算法(Gaussian particle filter algorithm based on KLD,KLGPF)。在采样过程中,算法通过计算KLD来调整粒子集的大小,使其介于粒子的离散概率密度函数和真实的后验概率密度函数之间。当噪声服从高斯分布,且噪声的统计特性发生突变时,KLGPF具有显著的效果,仿真结果表明,KLGPF在噪声统计量突变时仍能保持良好的估计效果。在相同条件下,KLGPF的运算速度相比基于KLD采样的粒子滤波算法(Particle filter algorithm based on KLD,KLPF)的运算速度提高了28%。     

基于粒子滤波和似然比的接收机自主完好性监测算法

由于粒子滤波算法在处理非线性系统非高斯噪声问题具有较大的优势,提出将粒子滤波算法与对数似然比方法有机结合应用于接收机自主完好性监测(Receiver autonomous integrity monitoring,RAIM)中。通过粒子滤波算法对状态进行精确估计,利用对数似然比建立一致性检验统计量进行故障检测。在建立全量累加对数似然比和部分累加对数似然比检验统计值的基础上,通过比较系统各状态累加对数似然比和检测阈值之间的关系,进而对卫星故障进行检测。对算法进行了数学建模,描述了RAIM算法流程。通过实测数据对提出的RAIM算法进行验证,结果表明:粒子滤波在非高斯测量噪声情况下可以对GPS接收机状态进行精确的估计,利用对数似然比建立的一致性检验统计量能有效地检测并隔离故障卫星,验证了该算法应用于接收机自主完好性监测的可行性和有效性。     

基于“当前统计”模型的机载防撞系统自适应目标跟踪算法分析与仿真

分析了基于"当前统计"模型的自适应滤波算法原理,提出了将基于该模型的自适应目标跟踪算法应用到机载防撞系统,对目标飞机进行监视和跟踪.对飞机的不同加速度情况进行了目标跟踪的计算机仿真,证明了算法在机载防撞系统中应用的可行性.     

遮荫条件下光伏发电最大功率的智能跟踪方法综述

局部遮荫条件下光伏发电将会产生多峰值输出功率,可能导致最大功率点跟踪失效从而造成能量损失。本文对两类最大功率智能跟踪方法进行归纳和评述,第一类方法是传统的控制算法,如粒子群算法等;第二类方法是混合算法,如粒子群和电导增量混合算法等。结果表明:尽管第一类方法能对光伏发电中复杂的非线性、多峰值功率进行寻优,但收敛时间较长和收敛精度不够高;第二类方法可以扬长避短,有效地发挥各算法的优点,提高搜索性能;如粒子群与电导增量混合算法,在0.25 s附近跟踪到最大功率点,其精度达到98.2%;电导增量法在0.29 s附近跟踪到最大功率点,其精度仅为88.5%;而粒子群算法在0.27 s跟踪到最大功率点,其精度仅为95.9%。该综述对未来全局最大功率点跟踪技术的发展提供了指导。     

神经网络辅助卡尔曼滤波技术在雷达目标跟踪中的应用研究

提出了一种应用神经网络对卡尔曼滤波结果进行校正的机动目标跟踪方法,用BP神经网络修正目标机动运动时的卡尔曼滤波误差,并用matlab仿真单目标机动飞行时的滤波效果,通过与卡尔曼滤波精度和滤波稳定度的比较说明该算法比传统卡尔曼滤波算法在跟踪机动目标方面效果要好。     

复杂背景下快速移动目标的实时跟踪

提出了适用于跟踪在复杂背景下快速移动目标的实时跟踪系统.利用基于马尔可夫场模型的背景减除算法检测像素变化,以跟踪移动目标.分割掩膜的先验概率用马尔可夫场模型来表示,因此目标跟踪任务即被转化成最大后验问题.实验结果表明,本文算法在简单背景或复杂背景下的离线和在线移动目标跟踪方面均有较好的效果.     

基于自适应压缩感知与处理的雷达多目标跟踪

自适应压缩感知与处理方法(Adaptive Compressive Sensing and Processing,ACSP)能够减少计算负荷,但现有的基于自适应压缩感知与处理的雷达目标跟踪方法仅限于单目标的跟踪,针对该问题,提出将自适应压缩感知用于雷达多目标追踪。通过对回波进行稀疏表示,设计改进字典(稀疏变换矩阵)。在测量过程中,采用自适应权重替代随机高斯矩阵,构造和配置感知矩阵,基于压缩感知采样的接收数据来建立测量模型。由于测量与目标状态的非线性关系,采用结合联合概率数据关联方法的似然粒子滤波器对目标状态实时顺序估计,从而克服了多目标跟踪中的数据关联问题。理论仿真实验结果表明,改进的自适应压缩感知与处理方法实现了对多目标跟踪。     

Vehicle State and Parameter Estimation Based on Dual Unscented Particle Filter Algorithm

Acquisition of real-time and accurate vehicle state and parameter information is critical to the research of vehicle dynamic control system. By studying the defects of the former Kalman filter based estimation method, a new estimating method is proposed. First the nonlinear vehicle dynamics system, containing inaccurate model pa rameters and constant noise, is established. Then a dual unscented particle filter （DUPF） algorithm is proposed. In the algorithm two unscented particle filters run in parallel, states estimation and parameters estimation update each other. The results of simulation and vehicle ground testing indicate that the DUPF algorithm has higher state estimation accuracy than unscented Kalman filter （UKF） and dual extended Kalman filter （DEKF）, and it also has good capability to revise model parameters.     

基于极大后验原理的非线性系统传感器故障估计

针对扩展卡尔曼滤波算法(Extended Kalman filter,EKF)计算复杂,粒子滤波算法动态跟踪能力差,单一无先导扩展卡尔曼滤波算法(Unscented Kalman filter,UKF)滤波精度低等缺陷,本文根据极大后验原理(Max-imum posterior principle,MPP),针对一类非线性系统设计了一种改进型的无先导卡尔曼故障估计滤波器来估计被控系统所发生的加性传感器故障。首先根据极大后验估计原理,推导出一种最优常值故障估计器。在此基础之上,推导出次优的加性常值故障估计滤波器,并对故障估计滤波器进行了无偏性证明。最后,将得到的理论结果应用于非线性倒立摆系统,仿真验证了所提方法的有效性。     

一种轨道式动态目标跟踪算法

研究了一种轨道式动态目标跟踪的算法,建立轨迹式目标跟踪模型;分析了目标跟踪的基本原理,研究跟踪平台的光学结构和转台角度与轨道目标运动的跟踪算法,给出了物像动态跟踪的计算方法;研究Mean shift跟踪算法,利用它的核密度估计和跟踪图像的帧图像关系,确定目标检索中心位置,以达到动态目标跟踪目的。通过试验验证,提出的算法在外弹道轨道目标动态跟踪系统中是可行的。     

BeiDou B1I/B3I Signals Joint Tracking Algorithm Based on Kalman Filter

Dual-frequency satellite positioning receivers are widely used because they can eliminate ionospheric delay and solve the full-circumference ambiguity quickly. However,in traditional dual-frequency receivers,the relevance of dual-frequency signals are not considered,and,with no improvement imposed to the tracking loop,two independent tracking loops are used to achieve the tracking of dual-frequency signals. In this paper,the Bei Dou dual-frequency signals joint tracking algorithm based on Kalman filter is proposed for the tracking of Bei Dou B1I and B3I dual-frequency signals. Taking the relevance of B1I and B3I signals into consideration,the algorithm adds a Kalman filter between the phase detector and carrier loop filter of the traditional dual-frequency independent tracking loop. The output results of the phase detectors of the B1I and B3I branches are then combined and filtered by the Kalman filter,and the results are input to the carrier loop filters of the corresponding branches. Proved by experiments,the algorithm not only enables the loop to enter a stable tracking state quickly,but also reduces the noise bandwidth of the two loop filters by about 10 Hz with the same tracking performance obtained.     

声矢量传感器阵中基于Kalman滤波和OPASTd的DOA跟踪算法

研究了声矢量传感器阵动目标角度跟踪问题,并提出了声矢量传感器阵中 一种基于Kalman滤波和正交压缩近似投影子空间跟踪(Orthonormal projection approximation and subspace tracking of deflation, OPASTd)的波达方向(Direction of arrival,DOA)跟踪算法。该算法通过OPASTd算法来进行DOA的跟踪,从而克服了PASTd算法由于在某些情况下振荡但不收敛进而压缩数据、在迭代更新中由特征向量的不准确性产生误差累积等原因引起破坏信号子空间正交性的缺陷。Kalman滤波和OPASTd相结合算法可在估计角度的同时进行数据关联,与传统的PASTd算法相比,角度跟踪性能更好。该算法的优越性均可在文中得到验证。     

余度MEMS-IMU/GPS组合导航系统

对采用余度配置的MEMS-IMU/GPS组合导航系统进行了研究。分析了微小型组合导航系统的特点和误差模型,针对惯性/GPS伪距组合导航模式下,卡尔曼滤波器需要对量测方程线性化的缺点,提出了基于改进平淡粒子滤波的滤波算法。该算法采用权值控制参数决定粒子是否进入平淡卡尔曼滤波器,有效降低了滤波计算量,并和UPF算法精度相当。研究表明,改进平淡粒子滤波算法对系统性能有明显提高,在GPS信号受到遮挡、暂时不可用的情况下,具有较好的抑制误差作用,适合余度微惯性/GPS组合导航系统的应用。     

面向复杂场景的鲁棒KCF行人跟踪方法

经典核相关滤波(Kernel correlation filter,KCF)目标跟踪算法是判别式跟踪算法中效果最好的一种跟踪算法。但该算法不能很好地适应目标尺度的变化,且在遇到目标短暂消失或被其他物体遮挡等复杂情形时不具备处理目标重显的能力,因此,为使得目标跟踪能够有效地应对遮挡情形,本文从提高特征表达能力、增加尺度匹配策略和抗遮挡3个方面对经典KCF算法进行改进,提出了一种鲁棒的KCF行人跟踪算法。首先对方向梯度直方图(Histogram of oriented gradients,HOG)特征和色调、饱和度、值(Hue-saturation-value,HSV)特征的响应分布进行特征融合。其次,设置动态选择尺度池来改进滤波器的固定尺寸匹配。最后,通过滤波器响应最大值的变化率衡量目标的遮挡情况,并根据上一成功帧的目标信息,通过EdgeBoxes和感知哈希算法找回目标,更新滤波器。本文所提方法在公开视频跟踪数据集Benchmark上进行测试,实验结果表明与其他目标跟踪方法相比,本文算法提高了尺度变化、遮挡等复杂情形下跟踪的鲁棒性,确保了较高的跟踪精度。