卫星与雷达位置数据自适应关联

卫星与雷达间的数据关联能够实现海上预警探测过程中由大范围预警向精细跟踪过渡转换,但传统关联模型关联速度慢且难以适应舰船编队目标的非刚性变换、虚警漏报等情形。对此，提出一种卫星与雷达位置数据自适应关联模型。首先，采用多层神经网络提取卫星数据和雷达数据的整体差异参数。然后，将参数通过位移变换估计网络实现两类信源目标的匹配,解决不同信源间的时间间隔和定位误差导致的空间位置差异。最后，对匹配后的目标进行关联判决。仿真实验结果表明,该模型关联速度快,精度高,能够实时处理大规模多源数据关联任务。同时在应对非刚性变换、定位误差、虚警漏报等场景下有较好的鲁棒性。     

基于三角稳定的海上目标航迹抗差关联算法

针对现有航迹抗差关联算法缺乏对海上目标航迹特点和规律的考虑、实际应用效果差的问题，根据典型的实测数据对比分析结果，结合海上目标位置变化慢、空间拓扑关联稳定的特点，以三角形稳定结构为基础，设计了适用于海上目标航迹的抗差关联算法。首先，构建拓扑三角形，通过三角形匹配系数和航迹图匹配系数进行阈值判断，得到航迹对的关联系数。其次，保留其中最大关联系数，构建航迹对关联系数矩阵。最后，采用最大关联系数和阈值判别原则，输出关联航迹。实测数据验证结果表明，所提算法成功实现了所有航迹的有效关联，明显优于对比算法，具有较强的稳定性和鲁棒性，可有效解决实际中海上目标航迹关联问题，实用性强。     

基于深度特征融合的SAR图像与AIS信息关联方法

星载合成孔径雷达(synthetic aperture radar, SAR)和自动识别系统(automatic identification system, AIS)都可以获取到探测目标的相关信息，将两者获取的信息进行关联融合，有益于实现高效的海上侦察监视。由于数据之间存在的异构性，传统方法多依赖人工特征建立SAR图像与AIS信息的关联关系，但这些方法存在精度差、效率低等缺点。本文提出了一种基于深度特征融合的SAR图像与AIS信息关联方法，针对两种模态数据的特点分别设计了对应的特征学习网络获取单模态特征表示，进一步融合不同模态的特征信息以增强跨模态信息间的语义相关性，然后通过设计的关联学习目标函数进行跨模态特征之间关联学习。在构建的数据集上验证表明，所提方法关联精度高、适应性强，验证了所提数据集和方法的有效性。     

基于三角稳定的海上目标航迹抗差关联算法

针对现有航迹抗差关联算法缺乏对海上目标航迹特点和规律的考虑、实际应用效果差的问题，根据典型的实测数据对比分析结果，结合海上目标位置变化慢、空间拓扑关联稳定的特点，以三角形稳定结构为基础，设计了适用于海上目标航迹的抗差关联算法。首先，构建拓扑三角形，通过三角形匹配系数和航迹图匹配系数进行阈值判断，得到航迹对的关联系数。其次，保留其中最大关联系数，构建航迹对关联系数矩阵。最后，采用最大关联系数和阈值判别原则，输出关联航迹。实测数据验证结果表明，所提算法成功实现了所有航迹的有效关联，明显优于对比算法，具有较强的稳定性和鲁棒性，可有效解决实际中海上目标航迹关联问题，实用性强。     

神经过程和运动模型混合驱动的机动目标跟踪算法

针对基于贝叶斯滤波器模型的目标跟踪算法非常依赖先验知识,在复杂场景中跟踪性能下降的问题,提出了一种神经过程和运动模型混合驱动的机动目标跟踪算法。利用神经网络构建一个目标运动的随机微分方程来提高对目标运动的建模能力;使用加速度模型作为领域知识约束目标状态的微分方程,构造一个混合驱动的解码器;利用所构成的混合驱动解码器替换神经过程的解码模块,形成一种无监督学习的混合驱动滤波器。仿真实验结果表明：所提算法同时具有数据驱动和模型驱动算法的优势,依赖先验知识少,能在不同场景下保持稳定的跟踪精度,生成的轨迹较神经过程滤波器更加平滑且具有目标动力学特征;与经典的贝叶斯滤波器相比,所提算法的状态估计峰值误差平均降低了20%。     

生成式中断航迹接续关联方法

传统中断航迹接续关联(track segment consecutive association, TSCA)方法基于假设的目标运动模型, 利用大量先验信息完成关联任务, 存在参数过多、计算复杂、推理时间长等缺点。为了解决以上问题, 提出一种基于注意力机制的生成式TSCA方法。首先设计航迹态势图生成模块, 将原始航迹数据转换为航迹态势图, 作为生成对抗网络的输入。针对航迹噪声影响大和航迹运动特征、中断特征难以提取的问题, 基于生成对抗网络和注意力机制, 设计航迹关联网络, 滤除航迹噪声并完成TSCA。仿真结果证明了所提网络的有效性, 在关联精度和关联速度两方面都超过现有算法。