论文部分内容阅读
针对传统的高斯混合概率假设密度（GM—PHD）滤波器在噪声先验特性未知或不准确时跟踪性能会下降，提出了一种基于噪声方差估计的高斯混合概率假设密度（NCE—GM—PHD）滤波算法．该算法可以同时在线估计时变的目标个数、多目标状态以及噪声方差．首先，通过引入遗忘因子和采取有偏估计的方法改进了传统的Sage-Husa自适应滤波器．基于改进的自适应滤波器，推导了带噪声方差估计的GM-PHD滤波算法．仿真结果表明，在非时变或时变量测噪声方差未知的情况下，NCE-GM—PHD算法的跟踪性能优于传统的GM—PHD算法，