无线传感器网络中的分布式目标被动跟踪算法

为提高目标被动跟踪性能,并降低无线传感器网络（WSN）中的能量开销,提出了一种新的分布式信息粒子滤波（IPF）算法。根据目标的当前位置,将WSN中的结点动态组织成簇,建立分布式跟踪结构。利用信息扩展卡尔曼滤波器结合最新的观测量,产生粒子滤波的建议分布,详细推导了基于动态分簇结构的IPF具体实现步骤。建立机动目标跟踪的WSN仿真环境,比较了三种跟踪算法的性能和通信数据量。仿真结果表明,IPF具有较高的跟踪精度,与集中式粒子滤波算法的跟踪性能接近,而且降低了节点间的通信数据量。     

基于实值粒子群优化的STSS系统传感器管理算法研究

针对STSS系统中段弹道目标传感器管理问题,通过分析中段目标跟踪的影响因素,提出了一种新的优化目标函数.并在分析基于二进制粒子群优化的传感器管理算法缺点的基础上,通过对粒子的降维处理和位置矢量更新式的改进,提出了一种基于实值粒子群优化的传感器管理算法.最后,根据中段弹道目标跟踪典型场景下的仿真实验分析,给出了目标函数加权系数的优选方案,并比较了几种方法的性能.仿真实验表明,所提优化目标函数能有效进行多传感器的管理调度,且基于实值粒子群优化的传感器管理算法是一种更加高效的方法.     

AdaBoost-PSO-LSTM网络实时预测机动轨迹

针对自主空战中轨迹预测难以同时保持高预测精度和短预测时间的问题, 提出一种自适应增强的粒子群优化长短期记忆网络预测方法。首先，建立三自由度无人机动力学模型, 解决机动轨迹的数据来源问题。其次，分析长短期记忆网络, 并引入在线预测的滑动模块输入矩阵, 利用粒子群优化算法代替传统基于时间的反向传播算法进行网络内部权值更新; 同时为解决优化算法非定向性问题, 提出数据共享方法。然后，为进一步提高预测精度, 采用自适应增强算法搭建外框架, 通过控制弱预测器的数量平衡预测精度与预测时间。最后, 在一段变化较为频繁的轨迹进行预测, 与5种神经网络预测方法进行比较, 结果表明所提方法能够较好地满足精度和时间要求。     

基于分群粒子群优化的传感器调度方法

对面向目标跟踪任务的多传感器多任务调度问题进行研究。考虑到探测目标的运动特性,采用扩展卡尔曼滤波法实施目标跟踪,以成功调度任务的综合优先权、目标跟踪精度以及传感器网络的能源消耗为指标,建立了多传感器多任务调度的混合整数规划模型。提出一种基于分群机制的分群粒子群算法对模型进行求解,该方法通过粒子分群,提高对问题域的全局搜索能力,避免算法过快收敛和发生早熟。实验结果表明,该方法用于传感器调度问题,具有较好的求解性能。     

一种姿态角辅助的IMMPF算法

交互式多模型粒子滤波(IMMPF)算法把粒子滤波(PF,Particle Filter)引入交互式多模型估计(IMM)算法,从而能够有效地解决非线性、非高斯机动目标跟踪问题.首次把姿态角信息引入到针对空中机动目标跟踪的IMMPF算法中,通过姿态角测量与当前运动模式的模糊关联来辨识目标的机动模式,然后把辨识结果与IMMPF算法的后验粒子权值相融合,以提高算法本身的模型分辨能力;对机动目标跟踪的仿真实验表明,该方法能够有效地改善原跟踪算法的跟踪精度和稳定性.     

用于多峰函数优化的免疫粒子群网络算法

针对多峰函数优化问题,借鉴粒子群优化特性和免疫网络理论,提出一种免疫粒子群网络算法。该算法利用粒子群的信息共享和记忆功能,通过加强粒子对自身经历的认知,提高算法的局部搜索能力;采用动态网络抑制策略,保持种群的多样性,自适应地调节粒子群的规模。多峰函数优化的仿真结果表明,该算法能有效地改善种群的多样性,较好地实现全局优化和局部优化的有机结合,具有更强的多峰函数优化能力。     

一种应用于二进制传感器网络的目标跟踪算法

针对采用集中式粒子滤波方法解决二进制传感器网络目标跟踪问题存在的实时性较差和网络能量消耗大的缺点，提出了一种基于动态分簇的分布式粒子滤波算法。以随着目标运动而动态变化的簇为信息处理结构，簇头节点收集簇成员的单跳测量信息，实时对目标状态进行估计，非簇内节点进入休眠状态以节省能量。仿真表明，合理设置簇转换距离和激活半径，算法的跟踪精度与集中式粒子滤波方法相当；在不影响跟踪效果的情况下，可适当减小簇转换距离和激活半径，从而节省网络能量。     

基于差分演化的改进多目标粒子群优化算法

提出一种基于差分演化的改进多目标粒子群优化算法来求解多目标优化问题。算法通过对Pareto最优解集的差分演化来增加Pareto解集的多样挫;通过循环拥挤距离采控制归档集中非劣解的分布．提高对种群空间的均匀采样;采用一种新的多目标适应值轮盘睹法选择粒子的全局最优位置,使其更逼近Pareto最优前沿;自适应惯性权重和加速度...     

一种基于粒子滤波的被动多传感器多目标跟踪算法

针对被动观测系统中非线性运动多目标跟踪问题,提出了一种基于交叉定位的模糊-概率双加权粒子滤波跟踪算法.算法利用多个被动传感器的角度观测信息进行交叉定位,得到目标的位置观测信息,通过模糊-概率双加权完成目标与定位点的关联匹配,最后利用粒子滤波对非线性运动的目标进行跟踪;其中关联算法和滤波算法的有效结合是该算法的创新点.仿真结果表明,所提出的算法可以准确地排除虚假定位点,可有效跟踪多个非线性运动目标.     

一种极坐标下的改进多目标粒子群优化

对现有多目标粒子群优化算法的全局最优解选择机制进行分析,指出其不足。在此基础上设计一种全新的极坐标下的选择机制:利用极坐标下解和粒子的角度信息计算适应度角度,选择适应度角度最大的解作为粒子的全局最优解。并针对多目标粒子群优化算法在迭代后期收敛变慢的问题改进位置更新公式:将位置更新过程产生的中间点也作为粒子新位置的候选解,有效提高算法收敛速度。对测试函数的仿真试验表明,所提出的改进算法在解集的分布性和收敛性上较其它典型算法有明显提高。     

基于波形捷变的多传感器机动目标跟踪

针对现代战场中目标往往采用机动方式运动的情况,为了提高目标跟踪的准确性和精确性,结合多传感器数据融合的优点,提出了一种基于波形捷变的多传感器机动目标跟踪方法。该算法通过波形捷变来改变量测的精度。首先在现有文献的基础上,将波形捷变方式推广到二维空间,把雷达量测的克拉美罗下限（Cramer-Rao lower bound,CRLB）近似为量测误差协方差,由于该CRLB是关于发射波形参量的,从而把雷达跟踪的信号处理与数据处理结合在一起,通过波形参量的动态选择得到量测误差协方差的最小值。从而在整个雷达跟踪过程中提高信噪比（signal to noise ratio,SNR）,降低量测误差。其次,在数据处理上,采用多传感器数据融合及粒子滤波进一步提高机动目标跟踪的精度。最后,将该算法与传统的Kalman滤波、粒子滤波及只对一维空间的量测采用波形捷变的算法和交互多模型方法（interacting multiple model,IMM）进行仿真比较,仿真结果显示该算法对机动目标的跟踪精度显著提高。     

考虑盲区的多移动传感器地面目标检测跟踪调度方法

针对地面目标检测跟踪任务以多移动传感器系统为调度对象，提出一种考虑盲区的传感器调度方法。首先，建立了目标检测模型，基于贝叶斯风险理论给出了目标检测损失的计算方法以评估检测性能。然后，考虑多普勒盲区和视野盲区的影响，建立了目标跟踪模型，并给出了基于盲区信息辅助的目标跟踪算法以应对盲区出现时目标状态估计问题。最后，建立了传感器优化调度模型，结合检测损失、跟踪精度、传感器能耗等因素建立了目标优化函数。仿真结果表明，所提调度方法能够有效解决多移动传感器协同调度问题，所得的最优调度方案可在兼顾检测性能、跟踪性能和控制能耗的同时，使整体作战收益达到最佳。     

基于协同memetic PSO算法的传感器目标分配问题求解

传感器目标分配问题是防空系统传感器管理的一项重要研究内容。对面向跟踪的防空系统传感器目标分配问题进行了研究,结合主客观分配原则,利用0-1整数规划模型对问题进行了建模,约束主要考虑传感器的跟踪能力和目标的被执行跟踪容量。构造了一种协同memetic 粒子群优化(particle swarm optimization, PSO)算法,分别采用PSO算法和邻域搜索算法作为全局搜索和局部搜索。为了在粒子位置矢量中反映出传感器组合,根据问题设计了一种特殊的粒子编码方法。最后通过仿真实验验证了算法的合理性和有效性。     

基于VSMM的GMCPHD滤波算法在多机动目标跟踪的应用

针对交互多模型(interacting multiple model, IMM)在多机动目标跟踪算法中存在的缺陷以及目标跟踪精度问题,提出了基于变结构多模型（variable structure multiple model, VSMM）的高斯混合基数概率假设密度（Gaussian mixture cardinalized probability hypothesis density, GMCPHD）滤波算法。该算法利用了VSMM具有自适应性、时变性的特点,达到了在某一时刻能够选取与目标运动模式相匹配的模型集合的目的,相比于IMM考虑的仅是固定的模式集合具有很强的优越性。此外,GMCPHD滤波算法不仅避免了数据关联问题,而且通过高斯分布递推PHD函数的同时递推基数分布。最后,利用雷达作为传感器,对跟踪机动目标进行仿真,证明VSMM相比于IMM对于多机动目标跟踪更具有优越性,同时验证了VSMM GMCPHD滤波算法具有提高机动目标跟踪精度,减小跟踪误差的作用。     

基于协同Memetic自适应QPSO算法的传感器目标分配问题求解

对复杂防空作战环境下的传感器目标分配(sensor target assignment,STA)问题进行了研究,建立了基于识别、跟踪、定位多阶段综合作战效能〖JP3〗的分配模型。针对该模型,首先基于粒子群聚集度和进化度判断,对传统量子粒子群(quantum particle swarm optimization, QPSO)算法进行了改进,提出了自适应QPSO算法。然后,结合多粒子群协同和Memetic搜索策略,提出了基于协同Memetic自适应QPSO算法的STA求解方法。同时,为使粒子位置矢量反映分配方案,依据不同战场环境设计了两种特殊的粒子编码方案。最后通过仿真实验验证了所提算法的有效性。     

基于种群密度的粒子群优化算法

为提高粒子群优化算法的收敛性能,提出了基于种群密度的多子群粒子群优化算法。该算法把生态学中的协同进化思想引入到粒子群优化算法中,充分考虑了环境和子群间相互竞争的关系,通过多种群的Lotka-Volterra竞争方程,动态调整各粒子群的密度,从而提高了粒子的多样性,加快了算法的进化速度。实验仿真结果表明,与单种群的粒子群优化算法相比,该算法提高了收敛速度和收敛精度。     

Energy efficient target tracking algorithm using cooperative sensors

Target tracking is one of the applications of wireless sensor networks(WSNs).It is assumed that each sensor has a limited range for detecting the presence of the object,and the network is sufficiently dense so that the sensors can cover the area of interest.Due to the limited battery resources of sensors,there is a tradeoff between the energy consumption and tracking accuracy.To solve this problem,this paper proposes an energy efficient tracking algorithm.Based on the cooperation of dispatchers,sensors in the area are scheduled to switch their working mode to track the target.Since energy consumed in active mode is higher than that in monitoring or sleeping mode,for each sampling interval,a minimum set of sensors is woken up based on the select mechanism.Meanwhile,other sensors keep in sleeping mode.Performance analysis and simulation results show that the proposed algorithm provides a better performance than other existing approaches.     

密集杂波环境下多目标跟踪算法

基于快速数据关联FAFDA(fastalgorithmfordataassociation)滤波算法,根据Houles和Shalom将概率数据关联PDA(ProbabilisticDataAssociation)算法推广到解决两个传感器单目标的跟踪问题的思路,构造了一种两个同类传感器的序列观测数据的融合来跟踪多个机动目标的数据关联方法MSFAFDA(multiplesensorfastalgorithmfordataassoci ation)。本方法主要使用的是点 航迹联合和序列估计法,蒙特卡洛仿真结果表明方法对多机动目标的跟踪具有比FAFDA更好的跟踪性能。     

基于MCSM的自适应跟踪算法

针对基于"当前"统计模型的算法跟踪突发强机动目标性能下降的问题,提出了一种通过强机动自适应检测调整模型参数的改进算法。该算法利用残差统计距离的概率分布设置目标强机动的检测门限,根据目标的机动水平联合调整模型的机动频率、最大机动加速度以及滤波器增益,在保持"当前"统计模型跟踪算法对一般机动目标跟踪精度的前提下,增强了系统对突发强机动目标的自适应跟踪能力。仿真结果表明,该算法扩大了跟踪机动目标的动态范围,提高了跟踪性能。