基于混合粒子滤波的水下小目标跟踪

针对水下小目标粒子滤波估计过程中“粒子贫化”引起的估计性能下降,提出了混合粒子滤波算法。该算法在常规粒子滤波算法基础上,在每一步迭代估计过程中进行量测的再次随机采样,以丰富随机粒子多样性,缓解水下小目标状态估计过程中的“粒子贫化”的影响。对算法进行了仿真分析,并将该方法用于水下小目标探测实验的数据处理,结果表明,相比于常规的粒子滤波算法,所提出的混合粒子滤波得到了误差更小且稳定的状态估计结果,有效地改善水下小目标跟踪的精度和稳健性。     

基于二级自适应滤波的水下目标动态谱线增强算法研究

为了从非高斯噪声环境中有效提取水下目标辐射的线谱信号,以提高水下探测系统检测水下目标的能力,提出了基于二级自适应滤波的水下目标动态谱线增强算法,该算法用基于高阶累积量能量幂函数变步长极性迭代的自适应谱线增强器作为第一级,用传统的自适应谱线增强器(ALE)作为第二级,实行串级联接。用输入信号的峭度定义了峭度信噪比,并用此分析了该算法的性能。用水下某目标辐射线谱的实测数据,对该算法的性能进行了仿真研究。结果表明:当环境噪声为瑞利噪声或混合噪声(包含均匀分布、瑞利分布和拉普拉斯分布的噪声成分)时,该算法与ALE算法相比,有良好的抑制抑高斯噪声或非高斯噪声、提高信噪比和跟踪时变信号的性能。     

基于概率假设密度滤波平滑器的检测前跟踪算法

基于概率假设密度滤波(PHD)的检测前跟踪(TBD)技术可以有效解决未知弱小多目标检测问题。PHD-TBD算法粒子权重计算受量测噪声影响明显,导致目标数估计存在起伏现象,制约了PHD-TBD算法性能。对PHD-TBD技术进行研究,引进概率假设密度滤波平滑器,提出基于平滑的PHD-TBD算法。该算法对当前帧目标数估计时,综合利用前向递推和后向平滑结果对粒子权重进行更新,在一定程度上克服了随机量测噪声的影响。通过仿真验证,该算法能够有效发现目标,准确估计目标数目和位置,性能有较大提高。     

量测噪声不确定情况下的水下多目标稳健方位跟踪

提出了使用Sage-Husa算法估计量测噪声的集势化概率假设密度(CPHD)滤波方位跟踪方法,实现了量测噪声不确定情况下多水下声学目标的稳健方位跟踪。首先,将水下目标方位的变化建模为Singer模型,利用传统目标方位估计方法的结果作为量测值,将方位估计误差看作量测噪声,建立了方位量测模型。然后,给出了CPHD滤波水下多目标方位跟踪算法,该算法利用上一时刻的方位跟踪结果和目标方位变化模型预测目标方位,并利用量测值和量测模型对预测值进行更新得到方位跟踪结果。最后,考虑到量测噪声方差为决定跟踪性能的重要参数,利用改进的Sage-Husa算法在跟踪过程中实时自适应地估计不确定量测噪声的方差,从而实现了多目标的稳健方位跟踪。经海试数据验证,所提出算法将目标方位测量的平均最优子模式分配(OSPA)误差从10°以上降低至2°,显著提高了方位测量精度。所提水下多目标稳健方位跟踪方法能够有效提高量测噪声不确定情况下的方位跟踪性能。     

基于概率假设密度的无线传感器网络多目标跟踪算法

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。     

水下目标多平台协同定位和跟踪方法

提出了一种融合多平台方位观测数据的水下声学目标定位跟踪方法。该方法采用多级多假设跟踪对目标状态进行滤波和关联,第一级基于每个平台波束域检测结果独立使用多假设跟踪方法对目标方位角进行初级跟踪;第二级首先通过多平台联合似然概率估计多目标初始位置,再用多假设跟踪方法对不同平台初级跟踪的方位角航迹进行关联,最后通过关联的角度值和扩展卡尔曼滤波对多目标位置进行序贯估计。仿真结果证明,该方法能以更少计算量实现更优定位性能,优于单级多假设跟踪方法.海试数据处理结果表明,存在较多干扰的情况下,单级方法跟踪过程中丢失目标,而多级方法实现了对目标的全程跟踪,且收敛后定位误差在70m内。该方法可降低噪声干扰对数据关联及目标定位的影响,并通过多平台协同消除线阵的方位模糊,适用于移动多平台声学目标定位和跟踪场景。      

基于自适应混合滤波的多目标跟踪算法

针对多目标视频跟踪中需要主要解决的目标冲突、合并以及分离等问题,提出了基于自适应混合滤波的多目标跟踪算法。采用混合高斯背景建模法获得前景图,并对图中阴影采用一种简化去除算法,即判断前景像素时,将HSV分量用加权的形式描述,而不必对各个分量依次判断。对前景图提取观测值时,引入了合并处理算法,将分裂的多个矩形检测框进行合并。然后,利用推理的方法将前景观测值与目标关联,用自适应混合滤波算法实现多目标有效跟踪。该算法结合了均值漂移算法运算效率高的和粒子滤波算法能够有效处理遮挡情况的特点。实验表明该算法可以高效地跟踪多目标、准确判断目标的出现和消失,并能够解决多目标冲突、合并和分离等问题。     

水下对空中声源的运动参数估计

为了解决传统的交互式多模型目标跟踪算法中马尔可夫概率转移矩阵固定不变,造成的模型切换缓慢、跟踪精度不高的问题,提出了一种基于后验信息修正的时变转移概率自适应交互式多模型跟踪算法。算法定义了一种新的修正因子,利用后验信息对概率转移矩阵进行实时修正,提高匹配模型的概率,减小非匹配模型的影响,使得系统模型能够及时、准确地切换到匹配模型。蒙特卡洛仿真实验表明,该自适应交互式多模型算法能够应用于水下目标跟踪中,相比传统交互式多模型算法,模型匹配度更高,滤波效果也更好。     

基于概率假设密度滤波的中段弹道目标群红外多传感器组跟踪方法

分析低轨光学星座对中段弹道目标群进行组跟踪的必要性,提出了一种红外多传感器对中段弹道目标群的组跟踪新方法.该方法以概率假设密度滤波对目标群进行像平面跟踪,剔除杂波、估计目标状态和个数;以图像配准方法调整帧间目标状态估计,提高像平面目标跟踪稳定性;最后依据像平面目标跟踪结果提取目标群在像平面的质心量测,运用不敏卡尔曼滤波...     

基于强跟踪平方根容积卡尔曼滤波的纯方位目标运动分析方法

针对纯方位目标跟踪系统中模型状态简化、系统噪声统计特性未知、目标初始距离信息不准确导致的滤波收敛时间长和滤波精度不高的问题,以自主水下机器人(Autonomous Underwater Vehicle, AUV)跟踪水下动态目标为例,提出了一种基于强跟踪平方根容积卡尔曼滤波器(Strong Tracking Square Root Cubature Kalman Filter, STFSRCKF)的纯方位目标运动分析算法。该算法在滤波过程中,利用平方根容积卡尔曼滤波器(Square Root Cubature Kalman Filter, SRCKF)完成预测更新,对于SRCKF中的每个容积点采用强跟踪滤波器(Strong Tracking Filter, STF)进行更新,设计滤波增益以抑制噪声对系统状态估计的影响,有效提高了滤波的数值稳定性,减小了状态估计误差。通过仿真分析,比较了扩展卡尔曼滤波器(Extended Kalman Filter, EKF)、无迹卡尔曼滤波器(Unscented Kalman Filter, UKF)、平方根容积卡尔曼滤波器(Square-Root Cubature Kalman Filter, SRCKF)、STFSRCKF的算法性能,实验表明所提算法具有跟踪速度快,精度高等优点。     

Design of Nonlinear Autoregressive Exogenous Model Based Intelligence Computing for Efficient State Estimation of Underwater Passive Target

In this study, an intelligent computing paradigm built on a nonlinear autoregressive exogenous (NARX) feedback neural network model with the strength of deep learning is presented for accurate state estimation of an underwater passive target. In underwater scenarios, real-time motion parameters of passive objects are usually extracted with nonlinear filtering techniques. In filtering algorithms, nonlinear passive measurements are associated with linear kinetics of the target, governing by state space methodology. To improve tracking accuracy, effective feature estimation and minimizing position error of dynamic passive objects, the strength of NARX based supervised learning is exploited. Dynamic artificial neural networks, which contain tapped delay lines, are suitable for predicting the future state of the underwater passive object. Neural networks-based intelligence computing is effectively applied for estimating the real-time actual state of a passive moving object, which follows a semi-curved path. Performance analysis of NARX based neural networks is evaluated for six different scenarios of standard deviation of white Gaussian measurement noise by following bearings only tracking phenomena. Root mean square error between estimated and real position of the passive target in rectangular coordinates is computed for evaluating the worth of the proposed NARX feedback neural network scheme. The Monte Carlo simulations are conducted and the results certify the capability of the intelligence computing over conventional nonlinear filtering algorithms such as spherical radial cubature Kalman filter and unscented Kalman filter for given state estimation model.     

Infrared small target tracking based on sample constrained particle filtering and sparse representation

Infrared search and track technology for small target plays an important role in infrared warning and guidance. In view of the tacking randomness and uncertainty caused by background clutter and noise interference, a robust tracking method for infrared small target based on sample constrained particle filtering and sparse representation is proposed in this paper. Firstly, to distinguish the normal region and interference region in target sub-blocks, we introduce a binary support vector, and combine it with the target sparse representation model, after which a particle filtering observation model based on sparse reconstruction error differences between sample targets is developed. Secondly, we utilize saliency extraction to obtain the high frequency area in infrared image, and make it as a priori knowledge of the transition probability model to limit the particle filtering sampling process. Lastly, the tracking result is brought about via target state estimation and the Bayesian posteriori probability calculation. Theoretical analyses and experimental results show that our method can enhance the state estimation ability of stochastic particles, improve the sparse representation adaptabilities for infrared small targets, and optimize the tracking accuracy for infrared small moving targets.     

目标机动未知下的有源声呐跟踪滤波方法

为解决由有源声呐测量误差而引入的目标机动判决模糊问题,提出了基于延迟机动检测的跟踪滤波算法。利用多假设跟踪方法,在目标机动检测模糊时,生成匀速及机动的两种目标运动假设以延迟最终的决策时间,基于残差序列构造假设检验统计量,实施序列似然比检验并融合强跟踪滤波器和Kalman滤波器的优点,提高了有源声呐对先验信息未知目标的跟踪能力。通过仿真分析表明,该算法不仅能够精确的跟踪匀速运动目标,而且能够稳定的跟踪机动目标。海试数据处理进一步验证了算法跟踪真实水声目标的有效性。      

基于Huber的高阶容积卡尔曼跟踪算法

为改善高阶容积卡尔曼滤波算法的滤波精度和鲁棒性, 提出了一种新的基于Huber的高阶容积卡尔曼滤波算法. 在采用统计线性回归模型近似非线性量测模型的基础上, 利用Huber M 估计算法实现状态的量测更新. 进一步结合高阶球面-径向容积准则的状态预测模块构成基于 Huber的高阶容积卡尔曼跟踪算法. 重点分析了Huber代价函数的调节因子对算法跟踪性能的影响. 通过对纯方位目标跟踪和再入飞行器跟踪两个实例验证了所提算法的跟踪性能优于传统高阶容积卡尔曼滤波算法.     

联合多站阵元域数据的水下目标检测与跟踪

为了提高复杂海洋环境中目标的检测、跟踪性能,提出一种联合多站阵元域数据的水下目标检测与跟踪方法.该方法采用序列马尔科夫链蒙特卡洛思想对目标进行采样更新,通过对接收概率中的后验概率以及采样函数进行分解展开,并根据多站阵元域数据计算采样粒子的联合似然,在迭代过程中实现目标数目和目标状态的联合估计.研究结果表明,该方法对单目标的平均定位误差在较高信噪比下能够稳定在50 m以内,对多目标随机出入场景中新生及消失目标实现有效检测,同时对强干扰下弱目标及交叉目标实现有效检测跟踪。仿真结果和海试数据均验证该方法具有良好的目标检测与跟踪性能。      

噪声方差未知时的分布式量化估计融合方法

为了解决观观测噪声和信道噪声概率分布不完全已知时的多传感器分布式量化估计融合问题,提出了一种期望极大化算法(EM算法)的分布式量化估计融合方法。该方法将未知的噪声参数以及局部量化器量化概率建模为EM算法中二元高斯混合模型参数,利用极大似然估计方法的估计不变性得到目标参数的估计融合结果。仿真实验结果表明:该方法在局部传感器观测样本数目大于6000和信噪比大于6 dB时与已有理想信道条件下的估计方法性能相当。本文方法对水下分布式协同探测问题提供了一种简化的估计融合实现途径。      

基于辅助粒子滤波算法的红外目标跟踪

针对红外目标在跟踪中计算复杂的问题,构建辅助粒子滤波算法。利用贝叶斯重要性采样算法,在权值大的粒子基础上引入辅助粒子变量,然后重新定义重要采样分布函数,防止重采样后粒子概率密度变化。两次加权计算,使粒子权值比仅用重采样的粒子权值变化更稳定,采样点最接近真实状态;同时不同权值粒子的概率阈值可作为粒子滤波是否完成的判断准则。在二维平面构造红外运动目标模型中,系统为零均值高斯白噪声。仿真数据表明:该算法在x,y方向的均方误差、画面处理时间、RM SE性能上优于粒子滤波算法和重采样粒子滤波算法。