Posterior Cramer-Rao lower bounds for bearing-only tracking

In the state estimation of passive tracking systems, the traditional approximate expression for the Cramero-Rao lower bound （CRLB） does not take two factors into consideration, that is, measurement origin uncertainty aad state noise. Such treatment is only valid in ideal situation but it is not feasible in actual situation. In this article, considering the two factors, the posterior Cramer-Rao lower bound （PCRLB） recursion expression for the error of bearing-only tracking is derived. Then, further analysis is carried out on the PCRLB. According to the final result, there are four main parameters that play a role in the performance of the PCRLB, that is, measurement noise, detection probability, state noise and clutter density, amongst which the first two have greater impact on the performance of the PCRLB than the others.     

基于集中式MIMO雷达的功率带宽联合分配算法

针对集中式多输入多输出雷达对多目标进行跟踪的问题,提出一种基于后验克拉美罗下界的功率和带宽联合分配方法。该方法首先对各目标位置误差的后验克拉美罗下界进行预测,将克拉美罗下界构建为代价函数建立优化模型,从而将资源分配问题转化为求解非凸优化问题；而后运用凸松弛技术和循环最小化算法对该非凸优化问题进行求解；最后通过仿真验证所提算法的有效性。结果表明,与另外3种分配算法相比,所提算法在多种场景下均能有效提高目标跟踪精度。     

多传感器多目标跟踪中的数据关联

利用多传感器跟踪多目标技术中最重要的问题是目标关联问题。它包括两个方面：同一传感器２次扫描或多次扫描间各目标的关联以及多传感器各自的跟踪航迹之间的关联。在密集目标、高密度杂波和干扰条件下，解决此问题有建立数学模型和计算量方面的困难。常见的算法有ＪＰＤＡ和ＭＨＴ，其模型较准确但复杂，计算量大，实际运用中效果并不理想。本文改进文献［２］中的关联方法，提出一种简单且效果较好的方法，利用线性规划算法实现了一定条件下多目标的关联及跟踪，并进行了仿真和误差分析。     

修正并行式多传感器不敏多假设跟踪算法

为了有效解决非线性系统中的多传感器多目标跟踪问题,提出了一种修正并行式多传感器不敏多假设滤波算法。算法运用概率数据互联的思想对各传感器的估计量进行概率加权,克服了并行式多传感器算法的误差积累现象,得到了一种修正的多传感器并行式算法。各传感器中量测点迹与航迹的数据互联问题通过多假设方法予以解决,并通过不敏卡尔曼滤波器完成非线性系统中的目标跟踪。仿真结果表明,从跟踪精度及稳定性方面看,所提出的算法性能要优于MSJPDA/EKF算法。     

双基地MIMO雷达目标跟踪性能分析

研究双基地多输入多输出（multiple input multiple output, MIMO）雷达目标跟踪的性能。建立双基地MIMO雷达发射相干脉冲串时的目标跟踪数学模型,给出反映目标跟踪性能的贝叶斯克拉美罗界（Bayesian Cramer-Rao bound, BCRB）递推式。针对目标的线性状态方程和双基地MIMO雷达的量测方程,求解BCRB的递推式。最后仿真分析各参数对跟踪性能的影响,结果表明量测信噪比越大、量测脉冲数越多、阵元间距越大跟踪性能越好,且在总发射功率一定的条件下,发射阵元数越多跟踪性能越好。     

Data association based on target signal classification information

In most of the passive tracking systems, only the target kinematical information is used in the measurement-to-track association, which results in error tracking in a multitarget environment, where the targets are too close to each other. To enhance the tracking accuracy, the target signal classification information （TSCI） should be used to improve the data association. The TSCI is integrated in the data association process using the JPDA （joint probabilistic data association）. The use of the TSCI in the data association can improve discrimination by yielding a purer track and preserving continuity. To verify the validity of the application of TSCI, two simulation experiments are done on an air target-tracing problem, that is, one using the TSCI and the other not using the TSCI. The final comparison shows that the use of the TSCI can effectively improve tracking accuracy.     

异质多特征数据融合在目标关联跟踪上的应用

本文讨论了利用多种异质特征数据诸如空间状态、信号幅度、多普勒频移等信息来实现多目标关联跟踪的方法。文中由品质函数的概念定义了一种关联测度,通过关联测度定量地将可能获得的多特征数据引入关联跟踪算法中。文中阐明这一关联测度是常规关联决策的推广。为验证这一方法的性能,本文还进行了计算机仿真实验,并给出实验结果。     

一种改进的多传感器多目标跟踪联合概率数据关联算法研究

联合概率数据关联(JPDA)算法对单传感器多目标跟踪是一种良好的算法,但对于多传感器多目标跟踪的情况,特别是目标较为密集时,计算量剧增,会出现计算组合爆炸现象。因此,提出了一种改进算法,即对多传感器多目标量测进行同源划分,将多传感器对多目标的跟踪问题简化为单传感器对多目标的跟踪问题,然后将JPDA当作一种组合优化问题,采用连续型Hopfield神经网络求解关联概率。经仿真研究表明,该方法不仅克服了JPDA算法在多传感器多目标跟踪问题中的缺陷,还提高了跟踪精度。     

基于组合优化分配的多传感器数据互联

在建立多传感器系统现测表达和互联似然比测度的基础上,多传感器多目标数据互联被表达为多重组合最优分配问题.利用一个具有多项式时间复杂度的次优算法,多重分配的方法被应用到由雷达和红外所组成的异类多传感器数据融合系统之中,实现了其中的多目标互联.     

多雷达数据互联算法研究

组网雷达系统作为C4ISR的重要组成部分,其多雷达多目标数据互联问题一直是研究的重点。对单雷达多目标数据互联问题进行了扩展,建立了融合中心的多雷达多目标数据互联问题的数学模型,并设计了推广的联合概率数据互联求解算法(MSJPDA),实现了一种扩展的联合概率数据互联滤波器。以雷达网多目标跟踪为应用背景,对算法和滤波器进行了仿真,结果证明了算法的可行性和有效性。     

快速JPDA算法的递归和并行实现

联合概率数据关联算法（ＪｏｉｎｔＰｒｏｂａｂｉｌｉｓｔｉｃＤａｔａＡｓｏｃｉａｔｉｏｎ，ＪＰＤＡ）是密集杂波环境下一种良好的多目标数据关联跟踪算法。但是，当目标的数目增大时，关联概率计算时的计算量爆炸效应一直是一个难题。为降低计算量，有不少文献讨论了次优ＪＰＤＡ算法，但都是以降低关联跟踪性能为代价的。本文将从联合关联事件的构造出发，讨论关联假设事件的分层构造以达到降低计算量的目的。这里的层次可从０取值到某一Ｌ值，０层表示没有任何目标能够跟当前的观测数据关联。Ｌ层表示共有Ｌ个目标可以跟当前扫描得到的观测数据相关联。本文在关联事件的构造中，各层次的搜索具有递归性并可以独立进行，因而可以并行实现。文中还将本文的方法跟有关文献作了比较，并且给出相应的计算机仿真实验及其结果     

Application of Heterogeneous Multiple Feature Data Fusion to Multitarget Association and Tracking

1.INTRODUCTIONConventionalsolutionstotheproblemofmultitargettrackingandassociationaresuchmethodsasNearestNeighbor(NN)algorithm,ProbabilisticDataAssociation(PDAandJPDA)andMultipleHypothesisTracking(MHT).Mucheffortisdevotedtothesemethodsandlargenumberofopellingreferencesareavailable.Thesemethodshaveonethingincommon,theyextracttheinformatiollfortargetassociati()llfi.olnspacestateobservationdataofthetargetthatisobtainedbyasensor.Infact,asellsorcallgaillof,servationdatanotmerelythespac…     

多传感器多目标跟踪的JPDA算法

传统的联合概率数据关联算法(JPDA)是在密集杂波环境下的一种良好的多目标跟踪算法,但它是针对单传感器对多目标跟踪的情况下使用,不能直接用于多传感器对多目标的跟踪。针对这一问题,文中提出了一种适用于多传感器多目标跟踪的JPDA算法,它以极大似然估计完成对来自多传感器的测量集合进行同源最优分划,然后采用JPDA方法对多目标进行跟踪。经过理论分析和仿真试验,证明了该方法能有效地进行多传感器多目标的跟踪,且具有算法简单、跟踪精度高、附加的计算量小等优点。     

基于时差和频差的固定多站定位方法及分析

针对利用信号时差和频差信息的固定多站对运动辐射源定位问题,提出了一种基于加权最小二乘的单次定位解算新方法和基于扩展卡尔曼滤波的多次定位跟踪滤波方法。分析了存在时差和频差参数测量误差条件下的单次定位误差克拉美-罗下限几何分布图,并仿真了多次定位条件下的定位性能,将其与仅测时差定位的性能进行了比较。仿真表明,增加频差信息有助于提高对运动辐射源的定位跟踪精度。     

异类传感器系统目标快速定位方法

在异类传感器系统中,快速、准确地定位技术对于数据的关联、目标的跟踪至关重要。为解决异类传感器系统中目标定位问题,提出了快速目标定位法。该方法首先将不完整的测量补充为完整测量,然后用精度加权法实现多测量之间的融合得到目标的位置估计,为提高估计的精度,最后采用扩展加权最小二乘法进行目标位置的二次估计。仿真实验结果表明,提出的目标定位方法是一种快速、有效的目标定位方法,定位误差的方差接近Cramer-Rao下界。     

基于快速数据投影法的多目标角跟踪

提出了一种新的多目标波达方向（direction of arrival, DOA）跟踪方法。首先利用可靠且低复杂度的快速数据投影法(fast data projection method, FDPM)自适应更新阵列接收信号的时变信号子空间,再采用高斯〖CD*2〗牛顿法在更新后的信号子空间中,估计多个目标实时变化的DOA观测值,最后采用卡尔曼滤波获得当前时刻多个目标的最优DOA估计值。仿真多个交叉运动目标的情况,验证了该方法具有跟踪速度快、精度高的特点,并且可以避免数据关联。     

基于信息增量的多被动传感器资源分配算法

针对多被动传感器多目标跟踪中的传感器资源分配问题进行研究。讨论了多被动传感器跟踪误差的克拉美-罗下限,在此基础上分析了多被动传感器系统跟踪误差的几何分布。为解决多目标跟踪中的传感器资源分配问题,通过先验信息熵与后验信息熵之间的差值获得信息增量;在此基础上针对多被动传感器系统的特点构建最优化分配模型,将被动传感器组合在不同时刻动态地分配给不同目标。仿真实验表明,与不考虑资源分配的固定跟踪模式相比,该方法能够高效合理地利用有限资源,并且使多被动传感器多目标跟踪系统的整体跟踪性能得到提高。     

基于信息融合的机动多目标单站无源跟踪关键技术研究

跟踪起始与数据关联是机动多目标单站无源跟踪的关键技术。提出了一种基于目标多特征信息融合的自适应跟踪起始算法，通过构造多维动态可变的跟踪门，进行自适应跟踪起始检测，然后根据序列概率比检验准则进行轨迹确认。同时提出了一种基于多目标多特征信息融合的数据关联算法，首先通过定义多个特征数据关联度，将单个有效观测的多特征信息进行融合，再对多目标进行综合数据关联。计算机仿真表明，该跟踪起始算法能够快速有效地进行航迹起始，数据关联算法的性能要优于传统的最近邻（NN）方法。     

基于速度方位约束的多传感器模糊数据互联

针对杂波环境下多传感器跟踪多目标的问题,提出了一种基于速度方位约束的多传感器模糊数据互联算法(multi-sensor fuzzy data association method based on velocity and azimuth, VA-MSFDA)。该算法首先利用方位速度信息对确认区域内的有效量测作进一步筛选,剔除部分虚假量测,然后基于模糊聚类方法计算候选量测与观测区域内各目标互联的概率,应用顺序结构多传感器联合概率数据互联(multi-sensor joint probabilistic data association algorithm,MSJPDA)原理,依次处理各传感器中的目标测量数据,实现对多目标的跟踪。仿真结果表明,与顺序MSJPDA相比,VA-MSFDA在算法耗时、估计精度、收敛速度和量测正确关联率等方面优势明显,能够更好地解决杂波环境下的多目标跟踪问题。     

跟踪弹道目标的几种次最优滤波器

研究了通过雷达观测跟踪重返大气层阶段的弹道目标问题。考虑了一种状态方程和量测方程都具有高度非线性的数学模型并推导出估计误差的理论Cramer-Rao低界。我们设计了三种次最优滤波器并将其滤波性能和Cramer-Rao低界进行了比较。除了在非线性滤波中经常采用的EKF和UKF之外，提出了一种结合传统卡尔曼滤波和简化点Unscented变换的滤波器，仿真结果表明，新滤波器在精度和计算复杂性上均有良好表现。