排序方式: 共有5条查询结果,搜索用时 78 毫秒
1
1.
多目标跟踪的核粒子概率假设密度滤波算法 总被引:1,自引:0,他引:1
提出一种新的多目标跟踪算法:核粒子概率假设密度滤波算法(KP-PHDF)。算法的创新点在概率假设密度滤波算法(PHDF)的目标状态提取步骤,以粒子概率假设密度滤波算法为框架,并运用结合了mean-shift算法的核密度估计(KDE)理论进行概率假设密度(PHD)分布的二次估计、提取PHD峰值位置作为目标状态估计值。分析与多目标跟踪(MTT)仿真的结果表明,与现有序列蒙特卡罗概率假设密度滤波算法(SMC-PHDF)相比,在相同仿真条件下新算法的估计精度提高30.5%。 相似文献
2.
3.
混合线性/非线性状态空间模型的边缘Rao-Blackwellized粒子滤波法(英文) 总被引:2,自引:1,他引:2
本文提出了边缘 Rao-Blackwellized 粒子滤波器(marginal Rao-Blackwellized particle filter, MRBPF)算法,算法融合了 Rao-Blackwellized 粒子滤波器(Rao-Blackwellized particle filter , RBPF)算法和边缘粒子滤波器(marginal particle filter, MPF)算法。算法中状态被分为线形和非线性两部分,分别用 MPF 和卡尔曼滤波器(Kalman Filter)进行估计。地形辅助导航(terrain aided navigation, TAN)的仿真结果表明,与 RBPF 相比,提出算法的非线性状态估计的误差均方根(root mean square error, RMSE)和误差方差分别降低了约 29%和 96%,独立粒子数提高了约80%,获得了更好的收敛结果。分析表明,现有RBPF是MRBPF的一个特例。 相似文献
4.
针对混合线性/非线性模型,提出一种新的递推估计滤波算法,称为准高斯Rao-Blackwellized粒子滤波器(Q-GRBPF)。算法采用Rao-Blackwellized思想,将线性状态与非线性状态进行分离,对非线性状态运用准高斯粒子滤波(Q-GPF)算法进行估计,并将其后验分布近似为单个高斯分布,再利用非线性状态的估计值对线性状态进行卡尔曼滤波(KF)估计。将Q-GRBPF应用于目标跟踪的仿真结果表明,与Rao-Blackwellized粒子滤波器(RBPF)相比,Q-GRBPF在保证估计精度的前提下有效降低了计算复杂度,计算时间约为RBPF的58%;与Q-GPF相比,x坐标与y坐标的估计精度分别提升了45%和30%,而计算时间也节省了约30%。 相似文献
5.
Rao-Blackwellized粒子概率假设密度滤波算法 总被引:6,自引:1,他引:5
针对多目标跟踪(MTT),提出一种新的基于随机集的滤波算法,称为Rao-Blackwellized粒子概率假设密度滤波算法(RBP-PHDF)。算法运用Rao-Blackwellized思想,通过挖掘分析“混合线性/非线性模型”的结构,采用序列蒙特卡罗(SMC)方法预测与估计概率假设密度(PHD)迭代式中各个目标的非线性状态,并利用非线性状态粒子中包含的信息,使用卡尔曼滤波器(KF)对线性状态进行预测与估计。以更好地估计PHD进而提高各目标状态估计精度。分析与MTT仿真的结果表明,在相同的仿真条件下,与现有序列蒙特卡罗概率假设密度滤波算法(SMC-PHDF)相比,RBP-PHDF在降低粒子维数、减少计算量的同时,有效提升了估计精度。 相似文献
1