导读:本文包含了交互多模型算法论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:多模,目标,卡尔,算法,声速,航迹,自适应。
交互多模型算法论文文献综述
蔺红明,魏兵卓,曹政,王磊,周梦龙[1]（2019）在《一种用于搜索雷达的交互多模型跟踪滤波算法》一文中研究指出跟踪滤波算法是雷达数据处理的重要组成部分。受搜索雷达采样数据率的限制,当目标机动时,滤波器跟踪严重滞后、跟踪精度差。针对该问题,提出了基于α-β滤波和α-β-γ滤波的交互多模型跟踪滤波算法。将目标的运动状态映射到目标的运动模型,根据运动模型构造相应的滤波器,多个滤波器并行工作,实时计算每个滤波器的残差,根据滤波的残差和先验知识选择适应目标当前运动状态的滤波器输出目标预测信息。仿真结果表明,该算法在目标机动与非机动情况下均能有效跟踪目标,具有较好的适应性与滤波精度。(本文来源于《无线电工程》期刊2019年12期）
杜云,张静怡[2]（2019）在《基于自适应容积卡尔曼滤波的交互多模型算法》一文中研究指出ADS-B航迹处理主要包括航迹数据滤波和滤波后数据可靠性的判断。飞机飞行运动复杂,而报文需要在飞行过程中向外界发送,此时报文会受到来自外界的影响和干扰,从而使航迹信息出现误差或丢失。为提高ADS-B航迹报文的准确性,文章采用了交互多模型滤波算法,将自适应容积卡尔曼滤波器作为交互多模型滤波算法的滤波器,并将当前统计模型作为交互多模型的子模型。仿真结果表明,论文改进的算法提高了滤波算法的滤波性能,相较于传统的交互多模型滤波算法具有更高的滤波精度。(本文来源于《科技创新与应用》期刊2019年25期）
潘媚媚,曹运合,王宇,吴文华[3]（2019）在《基于机动判别的变结构交互多模型跟踪算法》一文中研究指出临近空间高超声速机动目标具有高速、高机动的运动特性,协同转弯模型是跟踪临近空间目标的常用模型之一。基于协同转弯模型的自适应网格交互多模型(adaptive grid interaction multiple model,AGIMM)算法能够较好地适应临近空间高超声速目标运动特性,但AGIMM算法存在着依赖中心网格模型,非机动时刻模型集收敛缓慢的问题,基于此提出了一种基于机动判别的变结构交互多模型算法。所提算法根据目标机动特性调整跟踪模型集的结构及模型概率转移矩阵,加快了非机动时刻模型集的收敛速度,克服了AGIMM算法存在的问题。通过蒙特卡罗仿真验证,改进的算法相对于AGIMM算法提高了对临近空间高超声速目标的跟踪性能。(本文来源于《系统工程与电子技术》期刊2019年04期）
戴洪德,方君,唐亮,王希彬[4]（2018）在《高超声速机动目标的强跟踪UKF自适应交互多模型算法》一文中研究指出针对高超声速强机动目标的运动具有复杂性、突变性和强非线性等特点,单模型跟踪算法难以实现精确跟踪的问题,提出了一种基于多重渐消因子的强跟踪UKF自适应交互多模型算法。考虑现有强跟踪UKF算法引入单渐消因子的不足,根据正交性原理推导得到了引入多渐消因子的强跟踪UKF算法,完成了对非线性目标状态的滤波估计;在交互多模型算法的子模型中选用改进的CS-Jerk模型;对交互多模型中各子模型间的转移概率进行在线自适应调整,并与改进CS-Jerk模型结合克服了单模型算法跟踪强机动目标的不足,实现了模型与目标运动模式的实时最优匹配。仿真结果表明,与单模型算法和经典多模型算法相比,提出的算法使得不同条件下位置和速度的跟踪误差至少降低11.89%,有效提高了高超声速强机动目标跟踪精度。(本文来源于《中国惯性技术学报》期刊2018年03期）
葛建良,葛洪伟,王冬,杨金龙[5]（2018）在《一种结合交互多模型的多机动扩展目标跟踪算法》一文中研究指出为克服原始扩展目标高斯混合概率假设密度滤波算法(Extended Target Gaussian Mixture Probability Hypothesis Density,ET-GM PHD)不能解决机动目标跟踪问题,将交互多模型(Interacting M ultiple M odel,IM M)的思想引入到高斯混合概率假设密度滤波框架下,提出一种交互多模型扩展高斯混合概率假设密度滤波算法(IMM-ET-GMPHD).该算法主要融合了经典的叁种运动模型,通过模型的交互实现了对多机动扩展目标的跟踪.此外,为了获取各个机动扩展目标完整航迹,提出一种高斯分量标识方法,使得提出的算法不仅能跟踪多机动扩展目标,还可以有效地估计每个机动扩展目标的航迹.仿真结果表明,本文提出的算法在对复杂环境下多机动扩展目标的跟踪上体现出良好的性能,同时能够有效地管理多机动扩展目标的航迹.(本文来源于《小型微型计算机系统》期刊2018年02期）
张园,张林,刘淑波,初俊博[6]（2018）在《防发散自适应网格模糊神经交互多模型算法》一文中研究指出针对机动目标跟踪问题中,固定结构多模型(FSMM)算法效费比不高、容易滤波器发散以及交互式多模型(IMM)算法模型的后验概率计算过程繁琐的问题,研究了一种防发散自适应网格模糊神经交互多模型(AD-AG-AIMM)算法。上述算法对标准卡尔曼滤波器进行了防发散处理,通过自适应网格调整实现了模型集自适应,通过ANFIS系统得到模型集中各个模型的匹配度。仿真结果表明,AD-AG-AIMM算法与标准的IMM算法相比,可以有效提高多模型算法的精度和效费比,特别是对目标机动的适应能力显着提高,且适合工程实用。(本文来源于《计算机仿真》期刊2018年01期）
耿林玉,吴楠,孟凡坤,韩佳颖[7]（2017）在《基于非对称交互多模型算法的上升段弹道估计》一文中研究指出弹道导弹上升段涵盖助推段和自由段,动力特征复杂,传统跟踪算法难以获得其全程稳定高精度的弹道估计。对此提出一种用于上升段弹道估计的自适应非对称交互多模型算法,模型集由叁维当前统计模型和精确动力学模型构建,并对模型状态矢量进行统一。仿真结果表明,算法实现了对导弹上升段稳定高精度跟踪以及关机点的有效检测,与传统CS算法相比较,自由段弹道估计精度提高68.9%,且可有效检测导弹的运动模式切换,检测延迟小于2s,滑行段暂态误差降低79.5%。(本文来源于《指挥控制与仿真》期刊2017年05期）
司玉洁,宋申民[8]（2017）在《高超声速飞行器模型建立与交互多模型轨迹跟踪算法》一文中研究指出随着高超声速飞行器的快速发展,世界各军事大国在该领域取得了很大的成功,这同时也给其他国家带来了很大的威胁,因此开展反高超声速飞行武器的相关研究十分必要。通过对高超声速飞行器的动态特性深入分析,建立了叁维的高超声速飞行器的运动学模型,并在此基础上采用交互多模型(IMM)算法结合卡尔曼滤波算法对高超声速目标进行轨迹跟踪。最后通过Matlab仿真实验平台对算法进行验证。(本文来源于《黑龙江大学工程学报》期刊2017年02期）
王康[9]（2017）在《基于交互多模型的水下目标跟踪算法》一文中研究指出近年来,各国积极推进对海洋资源的探索。在海底矿藏资源挖掘、渔业捕捞、水下机器人定位等应用中,水下目标跟踪的研究显得尤为重要,其精度要求也越来越高。水下目标跟踪系统中,利用目标跟踪算法对距离、角度等测量信息进行处理进而得到水下目标的目标轨迹。现有的滤波跟踪算法中,卡尔曼滤波(Kalman Filter,KF),扩展卡尔曼滤波(Extended Kalman Filter,EKF)和无迹卡尔曼滤波(Unscented Kalman Filter,UKF)等算法较多应用于水下目标定位。当水下目标处于非机动状态时,卡尔曼滤波算法及其扩展算法定位精度较高。但当目标处于机动状态时,仅采用卡尔曼滤波等算法对其进行跟踪定位,目标轨迹与真实轨迹将出现巨大偏差。交互多模型(Interacting Multiple Model,IMM)算法利用交互多模型技术,通过输入交互、滤波、概率更新、输出交互等步骤解决水下目标处于机动时可能出现的转弯、加速、减速等状态问题,有效克服传统卡尔曼滤波等算法仅适用于非机动目标跟踪的不足。本文针对水下环境,在线性高斯动态系统中采用交互多模型卡尔曼滤波算法对水下机动目标进行跟踪定位。在非线性高斯动态系统中,先后分别利用扩展卡尔曼滤波算法和无迹卡尔曼滤波算法与交互多模型算法相结合对水下目标进行跟踪定位,并对比两种方法的仿真结果,验证跟踪效果。本文主要从以下叁个部分展开研究:1.基于IMMKF-3D的水下目标跟踪算法:在线性高斯动态系统中,叁维卡尔曼滤波(KF-3D)算法对运动估计精度较高,但仅适用于目标保持匀速直线运动。当水下目标处于机动时,可能出现的转弯、加速、减速等状态可采用交互多模型算法进行处理。将交互多模型算法与叁维卡尔曼滤波算法相结合,提出基于交互多模型的叁维卡尔曼滤波算法(IMMKF-3D),用于叁维水下目标跟踪,实现解决水下机动目标的精确跟踪与定位。2.基于IMMEKF-3D的水下目标跟踪算法:针对非线性高斯动态系统,扩展卡尔曼滤波算法利用泰勒级数将其转化为近似的线性高斯动态系统。将交互多模型算法与叁维扩展卡尔曼滤波(EKF-3D)算法相结合,提出基于交互多模型的叁维扩展卡尔曼滤波算法(IMMEKF-3D),用于叁维水下目标跟踪,实现非线性系统中水下机动目标的精确跟踪与定位。3.基于IMMUKF-3D的水下目标跟踪算法:针对非线性高斯动态系统线性化处理中存在容易发散、误差大等问题,将交互多模型算法与叁维无迹卡尔曼滤波(UKF-3D)算法相结合,提出基于交互多模型的叁维无迹卡尔曼滤波(IMMUKF-3D)算法。该算法可克服线性化处理过程中带来的误差,实现叁维水下机动目标的精确跟踪与定位。本文所设计方案均以水下叁维空间为环境背景展开研究,在MATLAB软件平台上进行仿真验证。实验表明,基于交互多模型的水下目标跟踪算法,能有效实现对水下机动目标的实时跟踪定位。(本文来源于《宁波大学》期刊2017-03-23）
刘威,宋伟,黄遵全[10]（2017）在《被动多传感器改进交互多模型粒子滤波算法》一文中研究指出将改进的粒子滤波算法即基于均匀重采样的粒子滤波(AUPF)与交互式多模型算法(IMM)相结合,提出交互式多模型均匀重采样粒子滤波算法(IMM-AUPF),并将其应用于被动多传感器的机动目标跟踪中。均匀重采样粒子滤波在标准粒子滤波的基础上通过改进重采样过程,在解决粒子退化问题的同时,增加了粒子的多样性,提高了滤波性能。在多模型中应用均匀重采样粒子滤波,提高被动多传感器系统的机动目标跟踪精度。将该方法与交互式多模型粒子滤波算法(IMM-PF)进行仿真对比,结果表明该方法具有更好的跟踪性能。(本文来源于《舰船科学技术》期刊2017年05期）
交互多模型算法论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
ADS-B航迹处理主要包括航迹数据滤波和滤波后数据可靠性的判断。飞机飞行运动复杂,而报文需要在飞行过程中向外界发送,此时报文会受到来自外界的影响和干扰,从而使航迹信息出现误差或丢失。为提高ADS-B航迹报文的准确性,文章采用了交互多模型滤波算法,将自适应容积卡尔曼滤波器作为交互多模型滤波算法的滤波器,并将当前统计模型作为交互多模型的子模型。仿真结果表明,论文改进的算法提高了滤波算法的滤波性能,相较于传统的交互多模型滤波算法具有更高的滤波精度。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
交互多模型算法论文参考文献
[1].蔺红明,魏兵卓,曹政,王磊,周梦龙.一种用于搜索雷达的交互多模型跟踪滤波算法[J].无线电工程.2019
[2].杜云,张静怡.基于自适应容积卡尔曼滤波的交互多模型算法[J].科技创新与应用.2019
[3].潘媚媚,曹运合,王宇,吴文华.基于机动判别的变结构交互多模型跟踪算法[J].系统工程与电子技术.2019
[4].戴洪德,方君,唐亮,王希彬.高超声速机动目标的强跟踪UKF自适应交互多模型算法[J].中国惯性技术学报.2018
[5].葛建良,葛洪伟,王冬,杨金龙.一种结合交互多模型的多机动扩展目标跟踪算法[J].小型微型计算机系统.2018
[6].张园,张林,刘淑波,初俊博.防发散自适应网格模糊神经交互多模型算法[J].计算机仿真.2018
[7].耿林玉,吴楠,孟凡坤,韩佳颖.基于非对称交互多模型算法的上升段弹道估计[J].指挥控制与仿真.2017
[8].司玉洁,宋申民.高超声速飞行器模型建立与交互多模型轨迹跟踪算法[J].黑龙江大学工程学报.2017
[9].王康.基于交互多模型的水下目标跟踪算法[D].宁波大学.2017
[10].刘威,宋伟,黄遵全.被动多传感器改进交互多模型粒子滤波算法[J].舰船科学技术.2017
论文知识图
