针对噪声分布未知情况下的非线性目标跟踪问题, 提出了基于Sage-Husa算法的自适应嵌入式容积卡尔曼滤波算法。首先利用嵌入式容积准则改进传统的Sage-Husa算法, 得到适用于嵌入式容积卡尔曼滤波器的噪声统计估计器来估计未知噪声的统计特性, 并实现对其修正, 引入判断机制来抑制目标跟踪时的发散问题, 最后通过机动目标跟踪仿真验证了该算法的有效性。
非线性目标跟踪 嵌入式容积卡尔曼滤波 Sage-Husa算法 自适应 nonlinear target tracking embedded cubature Kalman filter Sage-Husa algorithm adaptability
针对非线性系统中的目标跟踪问题, 在机动转弯模型的基础上提出容积卡尔曼滤波(CKF)与自适应网格(AG)思想相结合的变结构多模型(VSMM)算法, 即基于CKF的自适应网格交互式多模型算法(CKF-AGIMM)。该算法将CKF作为滤波器, 利用网格中心和网格最小间距的调整对转弯模型集进行自适应变化以有效跟踪目标。与基于容积卡尔曼滤波的交互式多模型算法(IMMCKF)进行了仿真对比。实验结果表明, 在未增加运行时间的情况下, 该算法相比于IMMCKF算法有更高的跟踪精度与稳定性。
目标跟踪 容积卡尔曼滤波 自适应网格 交互式多模型 变结构多模型 target tracking cubature Kalman filter adaptive grid interacting multiple model variable structure multiple model
针对强跟踪容积卡尔曼滤波(STCKF)算法因引入渐消因子而导致计算量增加、实时性变差的问题，提出一种简化的STCKF算法。通过证明STCKF算法的时间更新环节与KF算法的一步预测过程相一致，推导出简化的STCKF算法，并进行了算法复杂度分析。仿真结果表明，简化后的STCKF算法在保证滤波精度不变的情况下，有效提高了算法实时性。
目标跟踪 强跟踪 容积卡尔曼滤波 实时性 target tracking strong tracking Cubature Kalman Filter (CKF) real-time performance
针对机动目标跟踪过程中量测噪声统计特性不确定的问题，提出了一种模糊自适应容积卡尔曼滤波（FACKF）算法。通过在线判断实际残差与理论残差的一致程度，利用模糊推理系统实时调整容积卡尔曼滤波的量测噪声协方差阵权值，从而修正量测噪声协方差阵，使其逐步接近真实噪声值，进而提高目标跟踪算法的自适应能力。使用角测量跟踪模型及主动雷达跟踪模型对算法效果进行仿真验证，实验结果表明，在观测噪声异常的情况下，FACKF算法比传统容积卡尔曼滤波和无迹卡尔曼滤波有更高的滤波精度与稳定性。
机动目标跟踪 容积卡尔曼滤波 模糊推理系统 自适应滤波 maneuvering target tracking cubature Kalman filtering fuzzy inference system adaptive filtering
针对复合K噪声干扰下目标跟踪系统中出现的强非线性非高斯问题, 在给出一种复合K噪声统计模型的基础上, 提出将容积粒子滤波(CPF)与无迹粒子滤波(UPF)两种算法应用在典型目标跟踪系统中, 并对算法的跟踪性能进行了仿真分析。实验结果表明, CPF, UPF两种算法均能有效跟踪复合K噪声下的运动目标;其中, CPF算法表现出更高的跟踪精度和更好的实时性, 且具有更低的算法设计复杂度。
目标跟踪 容积粒子滤波 无迹粒子滤波 非线性非高斯 复合K噪声 target tracking Cubature Particle Filter (CPF) Unscented Particle Filter (UPF) nonlinear non-Gaussian compound K noise
目标跟踪的模型通常可表示为一个线性的状态方程与一个非线性的观测方程, 为提高平方根容积卡尔曼滤波(SCKF)算法的跟踪精度和实时性, 提出了一种简化的平方根容积卡尔曼滤波(RSCKF)算法。简化算法在时间更新环节, 直接利用状态转移矩阵计算状态变量以及协方差矩阵的一步预测值, 避免了原算法中采用一组容积点近似计算的复杂过程,推导证明, 简化后的算法其时间更新环节与卡尔曼滤波的一步预测结果一致。最后对两种算法进行了计算复杂度比较以及角跟踪仿真实验。实验结果表明, 简化的算法能够降低运算时间并提高跟踪精度。
目标跟踪 平方根容积卡尔曼滤波 实时性 非线性系统 target tracking square-root cubature Kalman filter real time performance non-linear system
针对非线性系统噪声未知时粒子滤波容易发散或者精度下降的问题,提出一种粒子滤波和改进的Sage-Husa估计器相结合的混合滤波算法。首先用粒子滤波对系统状态进行初步估计,将初步估计值作为次级Sage-Husa滤波器的输入量测值,并与系统状态方程组成新的系统,进而用改进的Sage-Husa算法实时估计系统噪声的统计特性并进行滤波,得到最终的系统状态估计值;为了进一步比较算法的性能,对算法的复杂度进行了定量计算,分析表明优化的算法并未明显提高算法的计算量;最后通过目标跟踪仿真实验验证了算法的有效性。
目标跟踪 粒子滤波 Sage-Husa滤波 非线性滤波 target tracking particle filter Sage-Husa filtering non-linear filtering
