杂波环境下基于最大熵模糊聚类的JPDA算法

针对杂波环境下的多目标跟踪数据关联存在跟踪精度低、实时性差的问题,提出了一种基于最大熵模糊聚类的联合概率数据关联算法(joint probabilistic data association algorithm based on maximum entropy fuzzy clustering, MEFC-JPDA)。首先,采用最大熵模糊聚类求得的隶属度初步表征目标与有效量测之间的关联概率。其次,采用基于目标距离的量测修正因子对关联概率进行调整,并建立关联概率矩阵。最后,结合卡尔曼滤波算法,对目标的状态进行加权更新。仿真结果表明,所提算法在杂波环境下的跟踪性能相比现有的两种关联算法有较大提升,是一种有效的多目标跟踪数据关联算法。     

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。     

基于模糊综合函数的航迹关联算法及其应用

密集目标环境和交叉机动航迹较多的情况下,航迹统计关联方法关联正确率降低,而利用模糊关联可以减少传感器校准和延迟误差。主要研究基于模糊综合函数的多传感器多目标航迹关联算法,根据关联特点,确立隶属度函数、综合相似度和阈值判决准则,建立了仿真模型,并将其应用于两主动声纳站的航迹关联问题。仿真结果表明该算法具有较好的适应性,处理速度快的特点,适合于密集目标或交叉及机动航迹较多的环境。     

分布式异类传感器网异步采样下的航迹起始算法

为解决分布式异类传感器网异步采样下的航迹起始问题,基于模糊集理论,定义了测量集与目标间的模糊综合贴近度。基于模糊综合贴近度提出了分布式异类传感器网航迹起始算法。该算法通过模糊综合贴近度函数全局极值点的检测实现目标的检测,用与目标相关联的测量估计目标的初始状态。算法的特点是不需要掌握目标探测概率、虚警率、杂波密度等诸多信息。仿真实验验证了算法的有效性。     

基于概率数据关联与粒子滤波的多目标跟踪算法

提出一种基于概率数据关联和改进粒子滤波的多目标跟踪算法。该方法在分析关联区域内有效量测基础上,利用量测与目标预测位置的统计距离计算关联概率;然后,对粒子滤波器进行改进,将目标的最新量测和状态的高斯逼近组合在一起,对每个粒子采用类似于卡尔曼滤波的方式产生高斯建议分布。以比提高目标状态的估计精度;最后,将所有有效量测的估计结果按照关联概率进行咖权,从而实现多目标跟踪。仿真结果表明,该算法用于复杂环境下的多目标跟踪精度较高,不仅降低了关联概率的计算难度,而且可以准确地进行数据关联,具有一定的工程应用价值。     

密集杂波环境下的快速数据关联算法

联合概率数据关联(JointProbabilisticDataAssociation,JPDA)是密集杂波环境下跟踪多目标最有效的算法之一。但当目标数目和有效量测数增大时,关联概率的计算出现组合爆炸现象一直是工程应用的瓶颈。基于JPDA算法的思想,提出了一种快速数据关联算法,该方法首先根据被跟踪目标相关门的相交情况将监视区域分成相互独立的空间,对同一空间内具有公共量测的目标和各目标相关门内的多个量测的概率密度值分别进行概率加权后再计算关联概率。不需要象最优JPDA算法中产生所有可能的联合事件,因此具有计算量小,易于工程实现的优点。仿真结果表明,在不同的杂波密度环境下和不同的目标运动形式下,此算法都可以取得令人满意的跟踪效果。     

被动传感器系统模糊-概率双加权数据关联新算法

针对被动传感器系统中的数据关联问题,提出了一种新的被动传感器系统模糊-概率双加权数据关联算法。该算法首先利用候选关联的方位角建立检验统计量,进行方位的粗关联,排除一部分虚假候选关联,减少计算量;再对保留的候选关联进行交叉定位,计算每个交叉定位点与各个目标的关联概率;同时对相应的候选关联建立模糊关联度,来修正目标的关联概率,最后采用最大值搜索方法得到各个目标的正确关联。仿真结果表明,该方法可以快速、准确的排除虚假定位点,能够有效的对多个目标进行跟踪。     

一种新的基于模糊聚类的多目标跟踪算法

提出了一种新的基于模糊聚类的多目标跟踪算法,该算法通过模糊聚类得到测量点迹与目标预测位置之间的隶属度,并将其作为权值系数对有效回波的信息量进行加权,来实现目标的状态估计的更新。仿真结果表明,传统算法在多目标密集时易产生关联错误而导致跟踪发散,新算法通过加权过程保证了对多目标的高精度跟踪。     

基于多传感器多目标特征信息的模糊数据关联算法

本文针对高干扰环境下测量数据的不确定性，提出了多传感器多目标特征信息融合的数据关联模糊逻辑推理方法。研究了基于最陡下降法构造全模糊模型关联系统的自学习算法，以及多个主传感器数据融合对模糊关联系统性能的改善。其基本思想是通过融合多种特征信息进行模糊逻辑推理，改善数据关联质量的同时，不增加整个目标跟踪系统的复杂性。理论分析和应用举例都证明了模糊逻辑系统融合多种数据形式解决关联问题的能力。     

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.     

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。     

基于区间数聚类的目标分群算法

针对态势认知中目标数量多、信息不确定、数据不精确等问题, 提出一种基于区间数聚类的目标分群算法。首先, 考虑到传感器测量数据具有误差且数据不完全等因素, 采用区间数对传感器探测到的目标进行特征描述。然后, 为有效利用区间数信息定义了一种新的距离度量, 并给出了改进的区间数聚类目标分群算法。最后, 构造4类相互独立的区间数据集, 对区间数据进行分类测试, 并通过典型想定场景设定多类目标实体, 基于目标空间位置、运动特征和属性等要素进行空间分群和任务分群。仿真结果验证了算法能够有效对目标进行分群, 具有较强的稳定性。     

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。     

集中式多传感器群目标灰色精细航迹起始算法

为解决多传感器群内目标精细航迹起始的难题,提出一种集中式多传感器群目标灰色精细航迹起始算法。该算法首先基于循环阈值模型、群中心点完成群的预分割、预互联,然后将预互联成功的群按传感器分成子群,基于灰色精细互联模型剔除同一传感器子群内的虚假量测,并利用量测合并模型消除群内多传感器对同一目标的冗余信息,最后基于灰色精细互联模型、航迹得分完成群内量测的精细互联和航迹输出。经仿真验证,与分布式多传感器修正逻辑法、基于聚类和Hough变换的集中式多传感器多编队航迹起始算法相比,该算法综合性能更优。     

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。     

地形遮挡对GNSS干扰范围影响的高效仿真算法

在卫星导航对抗效能的仿真中,真实地理环境的地形遮挡对全球导航卫星系统(global navigtion satellite system, GNSS)干扰源干扰范围影响的仿真计算是个重要问题。通常情况下,地形遮挡对GNSS干扰范围影响的计算通过基于视线可视域分析的算法得到,但该方法存在大量冗余计算。为了减少计算量,提出一种基于参考面可视域分析的GNSS干扰范围高效仿真计算方法,利用干扰源与目标点附近可视高程值对应的辅助格网点建立参考面,通过目标点实际高程值与参考面映射高程值判断目标点的受干扰情况,避免了目标点与干扰源视线方向上多个采样点的插值计算。仿真分析表明,当待分析区域半径约为145 290 m时,该算法与传统基于视线可视域分析的GNSS干扰范围仿真计算方法相比, Matlab耗时大幅减少了97.38%,但结果差异并不明显,仅为0.94%。因此,所提方法可以高效、准确地计算出地形影响下GNSS干扰范围,为干扰源优化部署、战场环境仿真分析等提供理论指导。     

地形遮挡对GNSS干扰范围影响的高效仿真算法

在卫星导航对抗效能的仿真中,真实地理环境的地形遮挡对全球导航卫星系统(global navigtion satellite system, GNSS)干扰源干扰范围影响的仿真计算是个重要问题。通常情况下,地形遮挡对GNSS干扰范围影响的计算通过基于视线可视域分析的算法得到,但该方法存在大量冗余计算。为了减少计算量,提出一种基于参考面可视域分析的GNSS干扰范围高效仿真计算方法,利用干扰源与目标点附近可视高程值对应的辅助格网点建立参考面,通过目标点实际高程值与参考面映射高程值判断目标点的受干扰情况,避免了目标点与干扰源视线方向上多个采样点的插值计算。仿真分析表明,当待分析区域半径约为145 290 m时,该算法与传统基于视线可视域分析的GNSS干扰范围仿真计算方法相比, Matlab耗时大幅减少了97.38%,但结果差异并不明显，仅为0.94%。因此,所提方法可以高效、准确地计算出地形影响下GNSS干扰范围,为干扰源优化部署、战场环境仿真分析等提供理论指导。     

基于量测转换方法的概率数据关联算法

针对在使用雷达跟踪目标应用中,目标运动模型通常线性地建模在直角坐标系内,而量测数据由传感器获得的实际情况,提出了基于量测转换方法的概率数据关联算法。推导了该算法中相关的滤波估计、滤波误差协方差和数据关联概率,并且提出了跟踪门的确定方法。仿真结果表明了新算法的可行性和有效性。     

基于随机有限集的SLAM算法

提出一种基于随机有限集的同步定位与地图创建算法,该算法利用随机有限集对环境地图和传感器观测信息建模,建立联合目标状态变量的随机有限集。依据Bayesian估计框架,利用概率假设密度滤波的粒子滤波实现对机器人位姿和环境地图进行同时估计。新算法避免了数据关联过程,并能更加自然有效地表达同步定位与地图创建(simultaneous localization and mapping, SLAM)问题中多特征-多观测特性及多种传感器信息。在仿真实验中,利用FastSLAM2.0算法和新算法进行对比,实验结果验证了新算法的优越性。