基于速度方位约束的多传感器模糊数据互联

针对杂波环境下多传感器跟踪多目标的问题,提出了一种基于速度方位约束的多传感器模糊数据互联算法(multi-sensor fuzzy data association method based on velocity and azimuth, VA-MSFDA)。该算法首先利用方位速度信息对确认区域内的有效量测作进一步筛选,剔除部分虚假量测,然后基于模糊聚类方法计算候选量测与观测区域内各目标互联的概率,应用顺序结构多传感器联合概率数据互联(multi-sensor joint probabilistic data association algorithm,MSJPDA)原理,依次处理各传感器中的目标测量数据,实现对多目标的跟踪。仿真结果表明,与顺序MSJPDA相比,VA-MSFDA在算法耗时、估计精度、收敛速度和量测正确关联率等方面优势明显,能够更好地解决杂波环境下的多目标跟踪问题。     

杂波环境下目标无源跟踪算法

针对杂波（虚假量测）环境下的目标无源跟踪问题进行了研究,并给出了只测角情况下相应的跟踪算法。该算法在利用修正增益扩展卡尔曼滤波(modified gain extended Kalman filter, MGEKF)对目标进行无源纯方位跟踪的同时,通过建立波门对不同时刻的测量数据进行选择,然后利用角度测量数据计算落入波门内的有效测量数据的概率（包括波门内所有有效量测均为虚假量测的概率和第i个有效回波是正确的概率）,并以这些概率值作为权值对目标状态进行加权融合,实现杂波环境下对目标的实时纯方位无源跟踪。同时,仿真分析对文中所提算法的可行性和有效性进行了验证。     

基于幅度信息的标签多伯努利滤波算法

杂波环境下,现有多目标跟踪滤波器会出现性能衰减。对此,提出了基于幅度信息(amplitude information,AI)的广义标签多伯努利(generalized labeled multi-Bernoulli,GLMB)滤波算法(AI-GLMB)。通常杂波幅度低于目标回波幅度,通过引入幅度信息对目标状态进行扩展,建立幅度似然函数,推导新的更新方程,并给出了算法的序贯蒙特卡罗实现方法。仿真结果表明,AI-GLMB算法能有效适应高杂波环境,同幅度信息辅助的概率假设密度滤波算法、幅度信息势平衡多伯努利滤波算法及传统GLMB滤波算法相比,其跟踪精度更高。     

未知强杂波下基于DP-TBD的雷达弱目标检测

实测回波的弱目标检测往往面临复杂杂波环境,如信杂比过低、难以获取信杂比与杂波分布等先验信息,此时基于杂波建模的弱目标检测前跟踪(track-before-detect,TBD)方法会遇到困难。针对上述问题,本文提出一种新的用于未知强杂波实测数据的弱目标检测算法。依据未知分布、边缘环境等特点通过改进的最大值恒虚警进行杂波预处理,通过压缩多普勒-距离二维数据避免多帧积累使杂波在同一分辨单元产生强度叠加,最后在时间-距离空间改进基于动态规划的TBD算法解决多帧联合后杂波在不同距离单元的范围扩展,消除虚警。实验结果表明,本文算法相比常规方法具有更高的检测概率及更低的估计误差。     

杂波环境下基于最大熵模糊聚类的JPDA算法

针对杂波环境下的多目标跟踪数据关联存在跟踪精度低、实时性差的问题,提出了一种基于最大熵模糊聚类的联合概率数据关联算法(joint probabilistic data association algorithm based on maximum entropy fuzzy clustering, MEFC-JPDA)。首先,采用最大熵模糊聚类求得的隶属度初步表征目标与有效量测之间的关联概率。其次,采用基于目标距离的量测修正因子对关联概率进行调整,并建立关联概率矩阵。最后,结合卡尔曼滤波算法,对目标的状态进行加权更新。仿真结果表明,所提算法在杂波环境下的跟踪性能相比现有的两种关联算法有较大提升,是一种有效的多目标跟踪数据关联算法。     

集中式多传感器无极联合概率数据互联算法

针对杂波环境下非线性系统中的多传感器多目标跟踪问题,提出了一种集中式多传感器无极联合概率数据互联算法。该算法中,首先采用无极卡尔曼滤波器实现非线性系统中状态分布的传递,在此基础上应用联合概率数据的思想将单个传感器的量测点迹与航迹互联,最后推广至顺序结构。由于无极卡尔曼滤波器可以获得比扩展卡尔曼滤波算法更高精度的近似,因此能减少非线性模型线性化引起的近似误差对联合概率数据互联概率及状态估计的影响,与基于扩展卡尔曼滤波器思想的顺序多传感器联合概率数据互联算法相比,该算法具有更高的跟踪精度和稳定性,最后通过仿真结果验证了该算法的优越性。     

基于PHD滤波和数据关联的多目标跟踪

针对杂波环境下的多目标跟踪,概率假设密度（probability hypothesis density, PHD）滤波不能提供目标航迹信息的问题,提出一种基于PHD滤波和数据关联的多目标跟踪方法。利用PHD滤波消除杂波并得到各个时刻的目标个数和目标状态估计。将PHD滤波的结果重新定义为量测数据,通过数据关联进一步消除虚警和漏警并给出目标航迹。仿真结果表明,该算法可以在有效地提高杂波环境下多目标跟踪精度的同时提供各目标航迹信息。     

基于改进MAP方法的气象雷达风电场杂波抑制

雷达波束覆盖区域内风电场后向散射引起的杂波与气象目标回波具有类似的特性,进而影响气象目标参数估计的稳健性,导致气象雷达产生误检测与误识别。利用气象雷达二次产品(Level-II)实测数据,基于最大后验概率(maximum a posteriori,MAP)算法实现风电场杂波抑制。在传统MAP算法基础上,考虑气象雷达和风电场位置、地形等因素对雷达波束的影响,并将其作为先验信息来选取有效的气象雷达高仰角扫描数据,以此来改善风电场杂波的抑制效果。针对高扫及低扫区域内径向速度变化较为剧烈所导致的MAP杂波抑制算法性能下降的问题,基于气象目标参数随距离均匀分布特性,用风电场周围未污染气象目标的径向速度作为先验信息,对传统MAP算法抑制后的径向速度进行修正。为定量评价风电场抑制算法的性能,给出了定量评价风电场杂波抑制效果的性能指标,并利用气象雷达不同体扫模式VCP(volume cover pattern)下的Level-II数据对本文提出算法的有效性进行了验证。     

杂波环境下IRST系统的单站机动目标跟踪算法研究

在IRST(红外搜索与跟踪)系统的角测量信息基础上,增加了红外探测器对目标红外辐射的响应信息这一测量项,并以相邻两次测量的目标红外光谱辐射功率之比作为伪测量,构造了杂波环境下机动目标跟踪的IMM-PDAF跟踪算法。目标红外辐射响应信息的引入,使IRST系统由一个弱观察系统变为一个可观察系统;伪测量目标红外光谱辐射功率之比的构造,消除了目标红外光谱辐射强度不确定所产生的不良影响。通过跟踪一个高机动目标的仿真过程,对算法性能进行了检验,仿真结果表明:本算法对杂波环境下的机动目标能进行有效的跟踪,而且跟踪的精度也令人满意。     

基于区间数聚类的目标分群算法

针对态势认知中目标数量多、信息不确定、数据不精确等问题, 提出一种基于区间数聚类的目标分群算法。首先, 考虑到传感器测量数据具有误差且数据不完全等因素, 采用区间数对传感器探测到的目标进行特征描述。然后, 为有效利用区间数信息定义了一种新的距离度量, 并给出了改进的区间数聚类目标分群算法。最后, 构造4类相互独立的区间数据集, 对区间数据进行分类测试, 并通过典型想定场景设定多类目标实体, 基于目标空间位置、运动特征和属性等要素进行空间分群和任务分群。仿真结果验证了算法能够有效对目标进行分群, 具有较强的稳定性。     

脉冲多普勒雷达距离拖引目标序贯滤波跟踪方法

建立一个包含欺骗过程参数的滤波模型,在估计目标状态的同时,对目标距离拖引欺骗的相关参数进行估计。用一个递归滤波器估计回波平均功率,并计算真实回波和欺骗回波的检测概率,用于相关计算和欺骗终止判断。用2D方法实现测量值与真实回波和欺骗回波预测位置的关联判断,对相关上的回波使用序贯滤波的方法对目标状态进行估计。仿真结果表明,本方法能够有效地利用欺骗回波,不仅能稳定地跟踪目标,而且可以获得较高的目标位置估计精度。     

基于概率数据关联的雷达导引头抗速度拖引干扰算法

针对在速度拖引干扰下, 脉冲多普勒雷达导引头无法精确跟踪、制导目标的问题, 提出了基于概率数据关联的抗速度拖引干扰算法。对于雷达导引头角度测量信息和Doppler测量信息, 采用序贯扩展卡尔曼滤波算法进行目标状态估计。根据Doppler信息强非线性的特点构建了伪量测信息, 并提出了在Doppler量测更新滤波估计阶段，采用概率数据关联算法进行抗速度拖引干扰。给出了算法的推导过程, 并进行了数值仿真验证。仿真结果表明, 采用该算法能够稳定跟踪释放多重速度拖引干扰的目标, 有效抑制速度拖引干扰对制导信息估计的影响, 改善导弹的制导精度。     

针对高速自治水下航行器的UKF主动目标跟踪算法

研究了基于高速自治水下航行器平台下的主动单目标跟踪,基于Unscented Kalman Filter(UKF)建立跟踪滤波器,在强观测噪声、大采样时间间隔情况下完成对目标各运动状态参量的准确估计。将此跟踪滤波器与基于Extended Kalman Filter(EKF)的跟踪滤波器进行了对比。计算机仿真结果表明采用EKF滤波器,目标的速度估计值可以收敛向真值,而距离估计值无法获得收敛;采用UKF滤波器,目标的速度和距离估计值都能获得收敛,且其对目标的速度估计较EKF准确。     

基于椭圆RHM的扩展目标伯努利滤波算法

与传统点目标跟踪不同,扩展目标跟踪既要估计目标的运动状态,还需估计目标的扩展状态,包括目标的形状、大小、方向等信息。针对扩展目标跟踪中存在的扩展状态估计不准确和非线性问题,提出一种基于随机超曲面模型(random hypersurface model, RHM)的扩展目标伯努利滤波算法。该算法首先采用RHM对目标量测源建模;然后,在扩展目标伯努利滤波框架下,实现对单扩展目标运动状态和扩展状态的实时估计;最后,引入Gamma分布以提高量测率估计的准确性。此外,为了降低计算复杂度,在量测更新中采用距离划分来减少所有可能的划分总数。实验结果表明,所提滤波算法在估计目标运动状态、扩展状态和量测率等方面优于现有的滤波算法,并且可用于实际视频跟踪场景。     

利用多普勒信息的单步初始化GMCPHD滤波器

标准的带势概率假设密度(cardinalized probability hypothesis density, CPHD)滤波器是一个有效的多目标跟踪算法,但是它假定新生目标的强度函数先验已知,因而无法应用于新生目标在场景中任意位置出现的环境。针对此问题,提出一种单步初始化的高斯混合CPHD滤波器。该滤波器利用位置上远离当前时刻估计状态的观测值单步初始化新生目标。此外,多普勒信息一方面被用来初始化新生目标的速度,另一方面在滤波器更新步骤中,多普勒速度和位置观测信息采用串行更新方法处理。仿真结果表明,所提算法在目标数的估计精度和优化子模式分配距离方面优于已有算法。     

基于UKF的单站无源定位与跟踪双向预测滤波算法

提出了一种新的滤波算法,以加快滤波算法的收敛速度和提高滤波的估计精度。反向预测与更新提高了上一时刻状态估计的精度,减小了当前时刻的状态预测误差。利用更准确的初始条件经过正向预测与更新,能得到当前状态更精确的估计值。计算机仿真结果表明,本算法的滤波性能优于传统的迭代滤波算法,既提高了滤波的估计精度,又加快了算法的收敛速度。     

基于扩展Infomax算法的变步长在线盲分离

由于扩展的Infomax算法需要一定的样本长度来估计信号的峭度,所以常采用离线批处理的方式,但这种方法不能处理混合矩阵发生变化的情况。通过判断系统混合矩阵是否改变,改进了在线估计峭度的模型,同时为解决在线算法中收敛速度和稳态误差的矛盾,提出了一种新的步长更新算法,该算法根据信号的分离状态与峭度曲线收敛程度的关系,采用峭度方差为参数来控制步长的变化,使得步长的选择与分离状态相结合,减小了稳态误差,仿真结果证实了该算法的有效性。     

迭代容积卡尔曼滤波算法及其应用

将Gauss Newton迭代和容积卡尔曼滤波(cubature Kalman filter, CKF)算法相结合,建立了一种迭代CKF(iterated CKF, ICKF)算法。该算法使用容积数值积分原则直接计算非线性随机函数的均值和方差,且在迭代过程中利用最新量测信息并改进迭代过程产生的新息方差和协方差,可获得较高的估计精度。针对弹道系数未知的再入弹道目标状态估计问题,仿真实验结果显示,该方法实现简单,比无迹卡尔曼滤波方法(unscented Kalman filter, UKF)及CKF方法效果要好。     

外辐射源雷达网络中的接收站自适应选择方法

由于带宽和能量的限制,外辐射源雷达网络在多目标跟踪过程中可能无法利用所有接收站数据,需要进行接收站的选择。基于势均衡多目标多伯努利滤波器,本文提出了一种新的接收站自适应选择方法。首先,对目标概率密度函数(probability density function, PDF)进行预测。其次,计算各接收站的理想量测,并利用该量测对预测PDF进行更新。最后,将目标数的后验期望估计及其方差分别作为目标函数,衡量不同接收站对PDF的更新质量,选择出最佳接收站。仿真实验利用多普勒频率对目标进行跟踪并在跟踪过程中完成接收站的选择,实验结果证明了所提方法的跟踪精度优于其他传统方法。