鲁棒标签多伯努利机动目标跟踪算法

针对未知杂波和检测概率的跟踪环境下,标准的标签多伯努利(LMB)算法对机动目标跟踪性能较差等问题,提出鲁棒标签多伯努利机动目标跟踪算法(R-LMB).首先建立真实目标、杂波与检测概率的增广空间模型,然后结合多模型(MM)系统,推导出基于蒙特卡罗(SMC)实现的带有状态标签和LMB元素标签的预测与更新方程.研究结果表明:在杂波和检测概率先验未知的情况下,所提出的算法可实现对目标数和目标状态的准确估计,同时在低检测概率和高杂波强度环境中仍可保证良好的多机动目标跟踪性能.     

结构矢量法的模糊故障树重要度分析

针对模糊故障树分析中,重要度分析描述复杂、抽象含义不明确以及不利于重要度排序等问题,提出基于结构矢量的重要度分析方法。首先将梯形模糊数抽象为匀质梯形,将梯形模糊数的变化抽象为梯形质心的矢量变化。而后利用质心变化矢量在水平和垂直方向上的分量定义模糊故障树中故障率的变化量、梯形模糊数模糊度的变化量以及故障率的变化率。最后以某型雷达水冷系统故障为顶事件,通过重要度分析验证了所提方法的有效性。     

基于改进容积卡尔曼滤波的纯方位目标跟踪

为处理纯方位跟踪的非线性问题,提出了距离参数化均方根容积卡尔曼滤波,在消除距离信息不可测对跟踪影响的同时弱化了计算机有限字长截断效应所引入的误差。在假设目标的初始距离信息用多个参数化模型表示的基础上,对每个模型独立进行均方根容积卡尔曼滤波,并依据贝叶斯准则计算各滤波结果对应的概率,将概率和对应结果的加权融合作为最终滤波结果。实验仿真表明,该滤波虽略微提升了计算复杂度,但获得了更好的滤波精度和鲁棒性。     

基于瑞利熵的多无源传感器数据关联

多维分配模型在构造关联代价函数时,直接利用极大似然估计值代替目标的真实位置信息,未考虑极大似然估计所引入的随机误差。针对此问题,提出一种基于瑞利熵的多无源传感器数据关联算法。该算法利用瑞利熵度量量测后验概率密度函数与伪量测概率密度函数之间的差异,构造关联代价函数。仿真实验结果表明:该算法有效地提高了关联正确率,具有较好的关联性能。