当前统计概率数据关联算法

目标跟踪领域的一个研究重点是如何解决在密集杂波环境下机动目标的跟踪问题。机动目标跟踪的关键是解决目标模型的不确定性,而密集杂波环境则使这个问题变得更加复杂。针对这一问题,提出一种当前模型概率数据互联算法。该算法将当前模型算法与概率数据互联相结合,在使用概率数据互联算法的同时,利用当前模型算法对目标出现的机动进行自适应滤波。最后,给出了算法的仿真分析,仿真结果说明该方法能够有效地跟踪杂波环境中的机动目标。     

基于S-D分配的集中式多传感器不敏滤波算法

研究了非线性环境中的集中式多传感器多目标跟踪问题,提出了一种基于S-D分配的集中式多传感器不敏滤波算法。算法通过广义S-D分配技术实现每个传感器中的量测与目标的数据关联,求得所有可能互联中的最佳划分,然后按照顺序多传感器联合概率数据互联算法,依次处理最佳划分中各传感器源于同一目标的量测,在此基础上通过不敏卡尔曼滤波(UKF)解决非线性系统中的目标跟踪问题。最后给出了该算法与MSJPDA/EKF算法的仿真比较,结果表明该算法具有更高的稳定性和跟踪精度。     

基于模糊神经系统的多传感器数据融合算法

将自适应模糊神经推理系统(ANFIS)和卡尔曼滤波器应用于目标跟踪系统中,构成多传感器数据融合算法。该算法假设在目标运动过程中,过程噪声和测量噪声是相互独立的高斯白噪声序列。使用ANFIS分别对目标的加速度和测量噪声的方差进行估计,通过卡尔曼滤波器获得目标后验状态,最终由神经网络对多传感数据进行融合得到系统输出。仿真结果表明,该算法可以通过自适应调整跟踪参数有效地防止目标丢失。     

一种基于VSMM的自适应高机动目标跟踪方法

自适应交互式多模型(AIMM)方法已经解决了许多复杂的机动目标跟踪问题,但过多的模型竞争会使AIMM性能下降,限制了这种方法的应用.文中结合变结构多模型(VSMM)可包含更多模型而不至于引起模型间"过度"竞争的优点,提出了一种自适应变结构多模型(AVSMM)方法.该方法采用与AIMM方法相似的自适应机制对机动目标进行跟踪,能够包含更多的运动模型,不必担心模型间发生"过度"竞争而使跟踪性能下降.仿真结果表明,在跟踪机动目标时,AVSMM方法比AIMM方法具有更高的跟踪精度.     

“当前”统计模型机动加速度分布的研究

利用机动目标"当前"统计模型的自适应卡尔曼滤波对两种不同的机动加速度模型进行计算机仿真研究中发现,在跟踪变加速目标时,运用两种不同分布模型分析计算的结果出现较大的差别.在利用修正的瑞利分布密度函数模型对目标位置和速度跟踪时产生较大的滞后,而利用截断正态分布密度函数模型时没有出现这种现象.通过对分布函数和计算机仿真结果的分析,初步找出产生跟踪滞后的原因,并提出相应的修正办法.     

径向速度量测在机动目标跟踪中的应用

针对机动目标跟踪问题,提出了一种引入径向速度量测的IMM滤波跟踪新方法.首先给出了观测数据的无偏坐标变换,由此得出位置坐标观测噪声的协方差矩阵.然后对引入径向速度量测的交互多模滤波跟踪算法进行了理论分析,最后进行了仿真实验.仿真结果表明,由于速度观测值提供了有关目标运动的更进一步的信息,从而使跟踪性能得到了较大的改善.     

基于SRCDKF的交互式多模型算法

给出了一种基于平方根中心差分卡尔曼滤波的交互多模型(IMM)算法.该算法较好地解决了非线性条件下机动目标跟踪的问题,可获得比基于扩展卡尔曼滤波(EKF)的IMM算法更好的数值稳定性、计算精度和收敛速度,还避免了复杂的Jacobi矩阵运算.Monte Carlo仿真验证了该算法的可行性和有效性.     

基于虚拟网格技术的自适应车辆跟踪算法的研究

为了解决车辆跟踪速度、精度、非线性等问题,引入简化跟踪目标图像信息的虚拟网格技术,结合改进的Kalman预测理论,构建自适应车辆跟踪算法,利用该算法完成对移动目标车辆进行实时检测跟踪。测试结果验证了算法提高视频图像中移动目标跟踪速度,且以较高的精确性对单个、多个移动目标进行检测跟踪。     

网格聚类在多雷达数据融合算法中的应用

应用网格聚类的方法区分同一雷达接收的不同目标的观测数据,通过类间数据融合,实现同一目标不同雷达接收数据的融合,以便对多目标进行实时跟踪。研究了观测数据网格聚类的基本思想、形式化描述及算法实现,讨论了对机动目标跟踪的Kalman滤波方程及空管系统中易于计算的各参数矩阵理论依据及相应的初值。仿真结果表明,通过网格聚类能很好地区分不同目标,聚类后再进行跟踪融合更加准确。     

反向预测加权邻域数据关联算法

标准最近邻域数据关联算法在杂波环境下可能出现误跟踪和丢失目标的现象。综合考虑相关波门内所有候选回波,提出了反向预测加权邻域数据关联算法。通过计算候选回波反向预测新息范数,归一化后作为各候选回波的加权系数,然后将候选回波加权和作为等效回波,并对目标的状态进行更新。该算法有效降低了最近邻域算法中误关联对跟踪效果的影响。仿真结果表明,该算法在保持较少计算量的同时,可有效避免误跟踪和丢失目标。     

基于辐射源信号特征信息的JPDA无源跟踪算法

提出一种基于信号特征信息的改进联合概率数据互联算法,该算法不仅利用目标状态空间信息同时利用了目标特征信息计算互联概率。在航迹交叉和近距离情况下,传统算法出现目标航迹丢失,而改进算法可正常工作。通过计算机仿真证明了改进算法的有效性。     

改进的多目标多传感器数据融合相关算法

数据融合是利用计算机对数据进行一定处理，得出目标状态及势态估计的多层次多平台过程。详细讨论了对目标的跟踪算法，此算法不仅对多目标，而且对新出现目标和机动目标均能进行识别和跟踪。     

直接正交联合对角化盲分离算法

针对盲源分离问题,利用白化预处理后信号的二阶和高阶累积量矩阵具有正交联合对角化的结构性质,以及多个实对称矩阵具有相同特征向量即可同时正交对角化的实对称矩阵的特征分解的理论,提出一种基于部分累积量矩阵特征分解的直接正交联合对角化算法。该算法仅需要部分累积量矩阵信息,从而大大降低计算过程中的存储量和计算量。通过数值模拟,该算法和经典的JADE算法性能接近,可以有效地进行盲分离。     

优化CamShift算法的适应度函数的船舶跟踪改进算法

针对内河船舶对象在动态背景下的目标跟踪展开研究,考虑船舶在内河运行环境的特点,以Cam Shift跟踪算法为基础,对其适应度函数进行优化设计,将期望值最优作为适应度函数的性能参量。设计中以目标区域颜色直方图概率密度和预测区域颜色直方图概率的期望值作为适应度函数,以此适应度作为视频帧中选择目标区域的参量。内河运行船舶实际摄制视频的跟踪分析结果表明:相对于传统的Cam Shift算法,改进后的算法提高了跟踪精度和系统稳定性。     

一种基于多目标的角度时延联合跟踪算法

提出了一种多目标角度时延联合跟踪算法.该算法首先利用高分辨处理估计出目标的个数及其初始角度和初始时延,接着通过相邻时刻估计得到的信道频域冲激响应的差,再得到各个目标相邻时刻的角度差和时延差,从而估计出不同时刻各个目标的角度和时延.相邻时刻估计得到的目标的角度和时延是自动关联的,避免了运算量较大的数据关联过程,而且在跟踪过程中并不需要进行子空间分解.仿真结果表明,该算法具有较高的跟踪性能.     

组网雷达点迹信息融合抗假目标干扰方法

对欺骗式多假目标干扰,单站雷达由于视角单一,获取点迹数据有限,对抗效果不理想。针对该问题,提出一种基于集中式组网雷达系统的真假目标识别方法。该方法采用空间相关处理技术进行点迹融合,并联合利用真目标的位置信息及速度信息。对通过最近邻关联得到的关联量测序列,首先进行基于位置信息的点迹融合,然后求取目标实际速度矢量,并利用速度信息进行融合,再次剔除假目标。在保证真目标识别概率的基础上,进一步降低了组网雷达被欺骗概率。     

几何精度因子改进算法研究

提出了一种快速计算几何精度因子(GDOP)的改进算法。该算法基于矩阵的QR分解,避免了由于传统算法在计算量和存储量较大导致定位解算实时性降低的问题;进一步分析了水平精度因子(HDOP)以及高程精度因子(VDOP)之间的关系,得出它们的数学表达式和新的计算方法。通过与传统方法比较,本文提出的改进算法在计算GDOP值时,数值稳定性更好、计算复杂度更低、计算效率更高。     

基于车辆前方目标运动模型的主动避撞系统的研究

为提高毫米波雷达在探测目标运动状态方面的精确性,针对车辆前方目标运动特点,基于目标运动模型,采用卡尔曼滤波跟踪方法,根据城市道路车辆行驶的实际情况,选取当前统计模型作为机动目标模型,采用基于当前统计模型的卡尔曼滤波跟踪算法,应用Simulink搭建仿真模型,就匀速运动、匀加速运动及变加速运动3种前方目标行驶工况进行目标跟踪仿真对比试验。仿真结果表明:该算法可用于3种工况的目标跟踪,且误差小,具有良好的跟踪效果。搭建实车试验平台,采用一种安全距离模型,对目标跟踪算法进行实车试验。结果表明:使用该算法后车辆避免了碰撞,所建立的模型是可靠的。     

一种基于灰关联分析的多目标跟踪算法

针对多特征信息融合算法进行研究,给出了一种基于灰关联分析的多目标跟踪算法.该算法首先利用灰关联算法对多特征信息进行处理,然后利用证据距离法赋予各种特征信息不同的权重,进而利用D-S证据组合规则对多特征信息进行加权融合.将基于灰关联证据距离(GED)融合多特征信息的新算法与已有算法进行仿真对比,结果表明,本文所提新算法不仅具有较准确的目标跟踪精度,而且其时间花费较少.     

基于有效预测区域的模糊数据关联

多目标多传感器跟踪系统由数据关联和目标状态估计两部分组成,数据关联是多目标跟踪系统研究的核心。数据关联和目标状态估计两部分既有一定的独立性又有密切的联系,而将两部分合理地结合对提高跟踪系统的性能是重要的。该文以跟踪目标的有效预测区域为依据,利用基于Mahalanobis距离的模糊均值聚类方法解决数据关联问题,在一定程度上将数据关联和目标状态估计两个不同的过程相结合,仿真计算说明了其有效性。