基于波形捷变的多传感器机动目标跟踪

针对现代战场中目标往往采用机动方式运动的情况,为了提高目标跟踪的准确性和精确性,结合多传感器数据融合的优点,提出了一种基于波形捷变的多传感器机动目标跟踪方法。该算法通过波形捷变来改变量测的精度。首先在现有文献的基础上,将波形捷变方式推广到二维空间,把雷达量测的克拉美罗下限（Cramer-Rao lower bound,CRLB）近似为量测误差协方差,由于该CRLB是关于发射波形参量的,从而把雷达跟踪的信号处理与数据处理结合在一起,通过波形参量的动态选择得到量测误差协方差的最小值。从而在整个雷达跟踪过程中提高信噪比（signal to noise ratio,SNR）,降低量测误差。其次,在数据处理上,采用多传感器数据融合及粒子滤波进一步提高机动目标跟踪的精度。最后,将该算法与传统的Kalman滤波、粒子滤波及只对一维空间的量测采用波形捷变的算法和交互多模型方法（interacting multiple model,IMM）进行仿真比较,仿真结果显示该算法对机动目标的跟踪精度显著提高。     

多传感器数据融合中的多目标静态数据关联

本文研究了无杂波和漏检的情况下三种不同类型、不同位置的传感器对数目未知的目标进行检测时的静态数据关联问题.这一问题可以通过对测量划分的联合似然函数的极大化来解决,通常可将其转化为三维匹配问题,但其求解的复杂度是NP的.本文提出了一种基于遗传算法的优化算法,来解决三维匹配问题,实验结果表明这种算法具有很高的关联成功率.     

一种基于HMM的多传感器多目标快速跟踪算法

在分布式多传感器系统中 ,一种基于隐Morkov模型的检测与跟踪算法得到了应用。该算法的优点在于适用于机动目标模型 ,且对目标的观测噪声未加任何限制。但由于该模型中所采用的Viterbi算法计算量大 ,实时性较差 ,因此提出了一种自适应算法以减少Viterbi算法中的冗余状态 ,有效地克服了其计算量大的缺点。实验表明 ,在相同的多目标跟踪仿真环境下 ,自适应Viterbi算法可以有效提高计算速度 ,且算法性能与原算法相似     

基于改进Actor-Critic算法的多传感器交叉提示技术

针对在减少战场资源浪费、平衡战场效费比的同时提高目标探测概率,保证目标的可持续跟踪,提出利用改进Actor-Critic算法的多传感器交叉提示技术进行目标探测。首先,综合传感器探测、能耗、时效等因素搭建基于“交叉提示”传感器的动态管理评估模型;其次,重点分析利用Actor-Critic交叉提示算法的传感器管理决策规则,并且提出了Actor-Critic算法,以根据任务自身需求组建中央评价网络,加大传感器与外部环境的交互。仿真结果表明,改进的算法可以加速网络收益,实现对目标的持续性探测,加强传感器之间的交叉提示功能,提升调度的智能化水平,具有较大的应用价值。     

基于多传感器数据融合的机动目标跟踪自适应学习方法

考虑到传感器对目标的观测都存在有偏差，同时针对雷达系统检测中存在漏检的现象，提出了一种适用于处理传感器漏检现象的多传感器融合方法。并以雷达／红外成像复合的双模制导体系下红外和雷达两种传感器对目标状态的检测和跟踪为例，给出一个完整的多传感器数据融合和目标跟踪自适应方法。该方法简单易行，鲁棒性强，通过对红外成像和雷达系统的数据融合和目标跟踪的数字仿真，表明该方法有效。另外，该方法同样适用于多于两个多传感器系统。     

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。     

红外传感器阵列基于信息冗余性的目标定位

针对红外传感器阵列观测数据的特点,提出了利用空间信息冗余性提高目标定位精度的方法。该方法利用观测视线在水平面和垂直面上形成的交叉点确定目标位置,通过对目标位置的融合提高定位精度。推导了目标位置、定位误差及定位精度的解析式,并从理论上证明所给的加权因子可使目标定位误差在统计意义上达到最小。仿真实验验证了该方法的正确性。     

修正并行式多传感器不敏多假设跟踪算法

为了有效解决非线性系统中的多传感器多目标跟踪问题,提出了一种修正并行式多传感器不敏多假设滤波算法。算法运用概率数据互联的思想对各传感器的估计量进行概率加权,克服了并行式多传感器算法的误差积累现象,得到了一种修正的多传感器并行式算法。各传感器中量测点迹与航迹的数据互联问题通过多假设方法予以解决,并通过不敏卡尔曼滤波器完成非线性系统中的目标跟踪。仿真结果表明,从跟踪精度及稳定性方面看,所提出的算法性能要优于MSJPDA/EKF算法。     

多传感器远距离目标跟踪

本文深入研究了二维平面上多传感器的位置对目标跟踪精度的影响。在理论上推导出：用多传感器同时对同一目标进行跟踪时,其跟踪精度主要受传感器和目标所成夹角及目标到各传感器距离的影响。与夹角的关系是：当有两部传感器时,两传感器和目标所成夹角θ_（１２）＝９０°时对目标的跟踪精度最高;当有三部传感器时,传感器和目标所成的夹角分别为θ_（１２）＝θ_（２３）＝６０°时精度最高;与目标到各传感器的距离的关系是：距离越小则精度越高。     

多传感器优化部署下的机动目标协同跟踪算法

针对资源有限的传感器网络中目标动态跟踪问题,提出了一种能够自适应选择跟踪传感器的机动目标协同跟踪算法。首先,采用粒子群优化算法优化传感器网络能耗与有效覆盖率,进行传感器位置部署;然后,以最大化候选传感器的Rényi信息增量与最小化传感器间信息传递能耗为适应度函数,采用二进制粒子群优化算法自适应选择最佳跟踪传感器组;最后,利用交互多模型粒子滤波对机动目标位置进行估计并进行分布式融合。仿真结果表明,与现有方法相比,该方法可在非高斯非线性环境下自适应选择最优跟踪传感器,显著提高目标跟踪精度,降低网络能耗。     

基于双探测器点迹融合的机载多目标跟踪系统

多目标跟踪是多目标攻击的重要前提条件。基于数据融合技术的多目标跟踪处理分为两级 :前级为点迹融合级 ,用极大似然法设计了机载火控雷达和红外探测器的点迹融合算法。后级为融合跟踪级 ,其跟踪波门大小可调。针对近飞目标和交叉飞行目标的情况 ,点迹与航迹的关联采用了分块处理技术 ,并融合了目标的速度信息。给出了基于多探测器点迹融合的机载多目标跟踪系统的结构模型———ATSOMTA模型 ,并分析了系统的工作机制。仿真研究的结果表明了该模型的应用价值。     

分布序贯最近邻多目标跟踪算法

本文提出了一种分布序贯最近邻多目标跟踪数据关联算法,它是基于最小统计间距的最近邻算法,该方法和多数决策逻辑一起作用,可解决多传感器密集多目标跟踪问题,计算机模拟了几个典型的例子,说明了该方法的可行性。     

基于神经网络数据融合的目标跟踪简化算法

分析了基于神经网络数据融合的目标跟踪的算法 ,指出了传统的融合算法计算量大 ,神经网络目标向量不易选取等缺点。提出了一种简化的算法。应用理论分析和蒙特卡洛仿真方法 ,对标准卡尔曼滤波算法和简化的滤波算法进行比较 ,并给出了均方根误差的统计值。该简化算法原理简单 ,数据处理量小 ,速度快 ,误差小 ,特别适用于多传感器的处理 ,将融合结果反馈给单传感器 ,可提高各单传感器的跟踪精度。     

D-S证据推理在信息融合应用中的存在问题及改进

在不确定性处理算法中 ,D -S证据推理方法具有较好的应用结果。阐述了D -S证据推理及其在多传感器信息融合中的应用 ,重点论述了证据理论中尚待解决的问题。针对D -S组合规则无法解决冲突证据这一情况 ,提出了引入修正因子的改进方法来体现证据子集大小。仿真结果表明 ,该方法能够将证据权重聚焦到集合中更小的子集 ,并解决了不一致证据的合成问题 ,使组合结果更加直观。最后讨论了D -S理论的进一步研究方向     

非线性预测滤波器在机动目标跟踪中的应用

提出了一种直接根据新息的机动目标跟踪非线性预测跟踪滤波算法。该算法不需要假定目标的机动加速度模型 ,而是将目标的机动加速度作为滤波结果的一部分直接估计出来。对不同机动目标的仿真结果表明 ,所提出的预测滤波算法具有优良的估计性能     

基于DSP的实时电视跟踪系统设计与研究

基于数字信号处理器 ( ADSP2 1 0 2 0 ) ,建立了一种主从式实时电视跟踪系统。分析了系统工作原理、构成及主控计算机与 ADSP2 1 0 2 0处理从机之间的控制关系 ,研究了快速中值滤波预处理方法、目标搜索和跟踪过程中波门的设定准则。采用矩持阈值分割方法提取目标 ,采用质心跟踪算法及基于线性微分拟合的记忆外推跟踪技术跟踪目标。     

基于神经网络数据融合的目标跟踪简化算法

分析了基于神经网络数据融合的目标跟踪算法 ,指出了传统的融合算法计算量大 ,神经网络目标向量不易选取等缺点 ,并提出了一种简化的算法。应用理论分析和蒙特卡洛仿真方法 ,对标准卡尔曼滤波算法和简化的滤波算法进行了比较 ,并给出了均方根误差的统计值。该简化算法原理简单 ,数据处理量小 ,速度快 ,误差小 ,特别适用于多传感器的处理 ,将融合结果反馈给单传感器 ,可提高各单传感器的跟踪精度