基于模糊聚类的异类多传感器数据关联算法

针对异类传感器观测空间不一致的问题，提出了基于模糊聚类的异类多传感器数据关联算法．该算法首先通过在不同传感器的观测空间上建立多目标运动状态的投影，将多传感器多目标关联问题分解为多个单传感器多目标的关联问题，再对单传感器采用模糊聚类的方法求解关联概率，实现了在密集杂波环境中多目标的数据关联和精确跟踪．该算法降低了多传感器多目标跟踪的复杂性和计算量，有效地解决了异类多传感器可用公共信息少的问题．仿真结果表明，该算法的跟踪误差要小于传统的联合概率数据关联算法，且具有更优越的跟踪性能．     

基于最优划分的多传感器多目标跟踪NNJPDA算法

传统的最邻近联合概率数据关联算法(NNJPDA)不能直接用于多传感器对多目标的跟踪。针对这一问题,提出了一种适用于多传感器多目标跟踪的最邻近联合概率数据关联算法,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划分,然后采用NNJPDA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、附加计算量小等优点。     

改进并行集中式数据关联算法

针对目标批次过多导致计算上的组合爆炸问题,提出一种改进并行集中式多传感器不敏近似联合概率数据关联（joint probabilistic data association,JPDA）算法。该算法首先采用基于unscented变换的卡尔曼滤波（unscented Kalman filter,UKF）实现非线性系统中状态估计的递推,然后通过改进的并行集中式方法将数据传至中心,利用改进的JPDA方法进行量测点迹与目标航迹关联。仿真实验表明,该算法在非线性复杂环境中具有较好的数据关联正确率,且计算耗时较集中式串行不敏JPDA算法少。     

杂波环境下基于红外传感器和雷达融合的机动目标跟踪算法

提出一种在密集杂波环境下多传感器机动目标跟踪算法,在利用雷达测量数据的基础上,融合红外(IR)传感器获得的精确角度信息来提高机动目标跟踪性能。通过计算机仿真,该算法较传统概率数据关联(PDA)对于航迹跟踪成功率和位置估计的准确率更为有效。     

基于S-D分配的多传感器联合概率数据互联算法

为解决集中式多传感器系统中多目标跟踪问题,提出了一种基于S-D分配的集中式多传感器联合概率数据互联算法。算法首先应用广义S-D分配的规则对每个传感器送来的观测数据进行排列组合,然后对每个组合中各量测点进行概率加权以获得一个等效量测点,最后根据每个等效量测点的联合似然函数计算其联合互联概率并获得融合中心的状态估计。该文最后给出了该算法与已有集中式多传感器联合概率数据互联算法的仿真比较,仿真结果表明该文算法的跟踪性能更优越。     

基于人工蜂群算法的多目标跟踪数据关联研究

为快速实现多目标跟踪的数据关联,将人工蜂群算法(ABC)与多目标跟踪数据关联相结合,实现快速的多目标跟踪数据关联.本文以跟踪门确定目标的有效量测,以新息的似然函数描述量测与目标的关联关系,建立多目标数据关联的组合优化模型,详细阐述了人工蜂群算法的基本原理,工作流程.利用人工蜂群算法寻找多目标数据关联优化组合模型的最优解,人工蜂群算法在离散空间的启发式机制实现搜索目标的量测与最佳数据关联.仿真表明,该算法与经典的JPDA算法以及基于元启发式的蚁群算法的数据关联算法进行比较,提高目标关联准确性和跟踪精度.     

多传感器多模型相互作用的数据关联方法

基于信息融合中的数据关联技术，在卡尔曼滤波基础上，结合相互作用多传感器多模型的概率数据互联算法，建立故障监测报警和现场传感器量测数据关联二者之间的关系，建立更具一般性的分布式传感器系统基础上的多传感器多模型，改进概率数据关联方法，以用于故障监测报警中相互作用的算法．并结合一个时变系统中空间位置传感器的故障诊断问题为例，运用多传感器多模型相互作用的数据关联方法进行仿真分析，研究此类故障判据的数据关联问题和数据关联算法的改进，研究表明相互作用多模型的概率数据互联改进方法不仅与有限维数的特定测量阈值相对应，而且直接针对故障模式，能够体现出动态模型的优点，可以与系统诊断知识相融合，为故障诊断的单步的、多步的、长期的预测预报提供依据．     

数据融合中的概率数据关联算法

阐述了多传感器数据融合中的概率数据关联算法,并采用ＭＡＴＬＡＢ高级语言进行模拟,最后得到了满意的目标跟踪曲线和跟踪误差。     

多传感器数据关联算法研究及发展综述

对多传感器多目标融合中的数据关联算法的研究及发展进行了回顾,指出了各个算法的适用范围及局限性,重点对概率数据关联算法及联合概率数据关联算法进行了分析;最后指出了数据关联算法的研究方向及将来的趋势。     

采用随机矩阵的多扩展目标滤波器

针对杂波环境下多扩展目标的运动状态和形状信息的联合估计跟踪的问题,提出了一种基于随机矩阵的扩展目标跟踪算法。该算法采用具有噪声基于密度的空间聚类(DBSCAN)划分与预测划分相结合的联合划分算法对量测集进行划分,然后采用联合概率数据关联(JPDA)的软关联思想建立量测簇与扩展目标之间的对应关系,最后采用随机矩阵法对扩展目标进行估计获得运动状态和形状信息,特点是:将量测集划分为互不相交的几个簇,以使每个簇中的量测源于同一目标或杂波;建立量测簇与扩展目标之间的关联关系及状态更新。联合划分算法与DBSCAN划分的比较仿真实验表明,在有距离相近目标时采用联合划分算法比采用DBSCAN划分的滤波器的跟踪效果好得多。所提多扩展目标滤波器与ET-GMPDH滤波器的仿真实验表明,所提算法有较高的跟踪精度、较大的检测概率及较小的虚警概率。     

模糊逻辑在分布式多目标跟踪融合中的应用研究

多传感器多目标跟踪融合中的目标航迹包含了模糊信息，这种模糊信息可以用模糊隶属度函数来描述．利用对两航迹的位置偏差、速度偏差和加速度偏差进行模糊化、模糊逻辑推理及去模糊等技术，提出了分布式多传感器多目标航迹模糊融合关联方法，计算机仿真结果表明了模糊逻辑方法应用于多目标航迹融合关联判别的有效性，较好地解决了航迹融合关联问题。     

集中式多传感器模糊联合概率数据互联算法

为解决集中式多传感器系统中多目标跟踪问题,提出了集中式多传感器模糊联合概率数据互联算法。该算法应用模糊数学的方法计算测量点迹与航迹测量预测之间的模糊综合相似度,运用阈值判别及经验概率法则给出模糊联合互联概率的计算方法,提出了集中式多传感器模糊联合概率数据互联算法的状态估计模型。对该算法与已有集中式多传感器联合概率数据互联算法进行仿真比较,仿真结果显示该算法的跟踪精度较后者提高了43.7%,同时有效地降低了周期耗时,综合性能更优越。     

集中式多传感器模糊联合概率数据互联算法

为解决集中式多传感器系统中多目标跟踪问题,提出了集中式多传感器模糊联合概率数据互联算法。该算法应用模糊数学的方法计算测量点迹与航迹测量预测之间的模糊综合相似度,运用阈值判别及经验概率法则给出模糊联合互联概率的计算方法,提出了集中式多传感器模糊联合概率数据互联算法的状态估计模型。对该算法与已有集中式多传感器联合概率数据互联算法进行仿真比较,仿真结果显示该算法的跟踪精度较后者提高了43.7%,同时有效地降低了周期耗时,综合性能更优越。     

一种基于GA的多传感器多目标数据关联算法

研究了漏检情况下多传感器多目标检测中的数据关联问题,并将其描述为数学规划中组合最优化问题． 当传感器数大于等于３ 时,该问题的求解是ＮＰ的． 文中提出了一种基于ＧＡ（Ｇｅｎｅｔｉｃ Ａｌｇｏｒｉｔｈｍ） 的数据关联算法,仿真实验表明,该算法具有较高的关联成功率,并能优化求解的目标个数,提高多传感器系统的检测概率．     

一种杂波环境下的多目标跟踪算法

以实用有效的 JPDA算法为基础 ,运用直接计算后验概率的快速关联算法 ,结合两级自适应滤波器 ,同时考虑邻近目标干扰引入等效噪声协方差 ,提出了一种杂波环境下的多目标跟踪算法。理论分析和计算机模拟结果表明 ,算法有效降低了数据关联算法的复杂度 ,且计算量显著减少 ,实时性得到提高     

基于因素空间的多传感器决策融合方法

基于因素空间理论,建立一种多传感器多目标识别方法。根据多传感器探测与控制网络系统的决策特性提出了传感器模糊矩阵的建立方法,根据对概念的反馈外延计算提出多目标识别方法。仿真结果表明该方法能使系统的识别错误率低于１０％。多传感器多目标决策融合的工程方法为其决策融合方法的建立提供了一条新的途径。     

一种适于工程应用的多目标跟踪快速数据关联算法

提出了一种新的多目标跟踪快速数据关联算法,重点分析了关联门相交区域中的公共回波对航迹更新的影响,并综合考虑了关联门内其余侯选回波对航迹更新的作用,以很小的计算代价完成了后验概率的计算。仿真表明,新算法以与ＰＤＡＦ算法接近的计算量,达到了接近于ＪＰＤＡＦ算法的目标跟踪成功率。     

基于多传感器最小系统的多目标跟踪算法

论文提出了一种基于多传感器最小系统的多目标跟踪算法。首先，采用全邻域方法实现目标的航迹起始，其次，采用修正的多假设跟踪方法完成已确立目标的跟踪和新目标的起始。最后，进行了仿真实验，其结果验证了提出的算法能够很好地完成对多个目标的起始和跟踪。