基于ET-GMPHD算法的编队目标跟踪方法

针对低检测环境下编队目标的跟踪问题,提出了一种基于扩展目标高斯混合概率假设密度(extended target Gaussian mix probability hypothesis density, ET-GMPHD)算法的编队目标跟踪方法。首先,保留修剪掉高斯项的同时将其外推,用Jensen-Shannon(JS)散度衡量下一时刻状态估计值与外推值间的相似程度,并以此反映是否有目标丢失,保证真实目标不被修剪,解决了因目标漏检导致跟踪结果不准确的问题。其次,结合循环阈值聚合法得到编队整体的状态估计,消除了估计状态集合中状态值过多造成的影响。最后,仿真实验表明,该方法能够在检测概率极低的情况下进行有效跟踪,并具有良好的跟踪性能。     

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ET-GMPHD算法的编队目标跟踪方法

针对低检测环境下编队目标的跟踪问题,提出了一种基于扩展目标高斯混合概率假设密度(extended target Gaussian mix probability hypothesis density, ET-GMPHD)算法的编队目标跟踪方法。首先,保留修剪掉高斯项的同时将其外推,用Jensen-Shannon(JS)散度衡量下一时刻状态估计值与外推值间的相似程度,并以此反映是否有目标丢失,保证真实目标不被修剪,解决了因目标漏检导致跟踪结果不准确的问题。其次,结合循环阈值聚合法得到编队整体的状态估计,消除了估计状态集合中状态值过多造成的影响。最后,仿真实验表明,该方法能够在检测概率极低的情况下进行有效跟踪,并具有良好的跟踪性能。     

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。     

基于高斯混合EM聚类的多编队航迹起始方法

针对现有航迹起始方法难以对编队目标进行有效航迹起始的问题,在Hough变换法及其衍生算法基础上,提出基于Hough变换和高斯混合最大期望(expactation maximazation,EM)聚类的多编队目标航迹起始方法。该方法首先利用量测数据的时序信息和目标的运动参数进行筛选,剔除大量虚假量测;再对筛选后的量测数据进行Hough变换,得到初步航迹信息;然后利用相异度矩阵对所得航迹进行预聚类,完成聚类中心初始化;最后进行高斯混合EM聚类,得到聚类结果。仿真结果表明,与Hough变换法及其衍生算法相比,该方法能够快速有效地起始编队目标的航迹,解决了目标密集带来的航迹起始混乱问题。     

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。     

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。