基于自适应采样速率交互式概率数据关联的机动目标跟踪算法

在交互式多模型和概率数据关联算法融合的基础上,又将自适应采样速率算法融合到交互式多模型概率数据关联滤波器中,提出了自适应采样速率交互式概率数据关联算法,该算法不但能有效地跟踪高速机动的目标,且能使系统的采样间隔根据目标的运动状态做自适应调整. 仿真结果表明该算法扩大了机动目标的跟踪范围,且对高速机动的目标有很好的跟踪效果和较强的跟踪精度.     

一种用于多目标跟踪的改进PDA算法

对概率数据关联滤波(probability data association filter, PDA)算法进行了改进.新算法考虑了临近目标对航迹更新的影响,修正了关联门相交区域内回波来自被跟踪目标的后验概率.仿真证明,新算法在计算量和PDA算法接近的情况下减少了误跟踪和目标丢失现象.     

基于隶属度的概率数据关联算法

分析了点迹-航迹关联中常用的概率数据关联算法,针对此算法在密集目标环境下,尤其是当多个目标的关联波门相交且相交区域存在有效测量时易发生误跟和跟丢的问题,对算法进行了改进,引入了测量隶属度的概念,通过计算各个有效测量与所对应目标之间的统计距离,进而求出各有效测量的隶属度,将相交的关联波门进行拆分,然后对拆分后的各个独立的关联波门分别使用概率数据关联算法进行数据关联,并采用卡尔曼滤波算法对目标进行状态估计.仿真结果表明:改进的数据关联算法相比JPDA算法,正确关联概率下降约3％,计算时间缩短38％.     

杂波环境下基于红外传感器和雷达融合的机动目标跟踪算法

提出一种在密集杂波环境下多传感器机动目标跟踪算法,在利用雷达测量数据的基础上,融合红外(IR)传感器获得的精确角度信息来提高机动目标跟踪性能。通过计算机仿真,该算法较传统概率数据关联(PDA)对于航迹跟踪成功率和位置估计的准确率更为有效。     

一种改进的基于FCM的目标跟踪数据关联算法

为了克服杂波环境下对多目标进行数据互联时,计算量出现组合爆炸现象,提出了改进的基于FCM的多目标跟踪数据关联算法.将航迹的预测值转换到各个传感器的观测空间作为各自的聚类中心,利用目标属于所有量测的隶属度,来代替JPDAF中的关联概率,将多目标数据关联问题可转化为模糊聚类问题,进行关联计算.改进的基于FCM的多目标跟踪数据关联算法,有效地利用了目标状态估计中的历史信息,实现量测与航迹的关联.该算法克服了JPDAF算法计算量大的缺点,实现杂波环境下多目标数据互联.仿真结果表明了该算法的有效性.     

改进并行集中式数据关联算法

针对目标批次过多导致计算上的组合爆炸问题,提出一种改进并行集中式多传感器不敏近似联合概率数据关联（joint probabilistic data association,JPDA）算法。该算法首先采用基于unscented变换的卡尔曼滤波（unscented Kalman filter,UKF）实现非线性系统中状态估计的递推,然后通过改进的并行集中式方法将数据传至中心,利用改进的JPDA方法进行量测点迹与目标航迹关联。仿真实验表明,该算法在非线性复杂环境中具有较好的数据关联正确率,且计算耗时较集中式串行不敏JPDA算法少。     

基于贪心策略的多目标跟踪数据关联算法

针对多目标跟踪中数据关联问题,提出一种新的数据关联方法,该算法先计算航迹和点迹的欧式距离以及其状态向量的在1范数下的距离,并将两者的和作为关联测度,构建关联概率矩阵.根据关联概率矩阵,对每条航迹都找到最适合(关联概率最大)的点迹,若点迹只是一条航迹的候选点迹则予以更新,若点迹是多条航迹的候选点迹,则选择其中概率最高的一条航迹予以更新.蒙特卡罗仿真表明,该算法在最大程度上保证了对每条航迹更新的点迹尽量是当前所有点迹中最优的点.     

基于直觉模糊的双门限航迹关联算法

为解决在密集目标环境和出现交叉航迹的情况下,航迹的统计关联方法关联正确概率降低,不能准确地对目标航迹进行正确相关的问题,根据传统的模糊双门限航迹关联方法,将非隶属度函数引入其中,提出了一种基于直觉模糊的双门限航迹关联算法。根据关联特点,确立了隶属度函数和非隶属度函数;利用蒙特卡洛仿真,对2部雷达观测的存在交叉的航迹进行关联,并与传统的模糊双门限航迹关联算法进行了对比,结果表明:在密集航迹情况下,该算法相比传统的模糊双门限航迹关联算法正确关联概率从45.1%提高至49.8%,该改进算法能够更好地适应密集航迹的关联。     

基于模糊聚类的异类多传感器数据关联算法

针对异类传感器观测空间不一致的问题，提出了基于模糊聚类的异类多传感器数据关联算法．该算法首先通过在不同传感器的观测空间上建立多目标运动状态的投影，将多传感器多目标关联问题分解为多个单传感器多目标的关联问题，再对单传感器采用模糊聚类的方法求解关联概率，实现了在密集杂波环境中多目标的数据关联和精确跟踪．该算法降低了多传感器多目标跟踪的复杂性和计算量，有效地解决了异类多传感器可用公共信息少的问题．仿真结果表明，该算法的跟踪误差要小于传统的联合概率数据关联算法，且具有更优越的跟踪性能．     

系统误差下基于双重模糊拓扑的编队航迹精细关联算法

为解决系统误差下编队内各目标航迹精细关联的难题,基于编队目标航迹的特点,利用模糊拓扑的思想,提出了一种系统误差下基于双重模糊拓扑的编队航迹精细关联算法.算法首先基于循环阈值模型对各传感器获得的航迹进行编队识别,然后利用编队中心航迹代替编队整体,深入分析系统误差对编队中心航迹的影响,建立第一重模糊拓扑模型,完成编队航迹的预互联和普通目标航迹的对准关联,最后基于预关联编队内目标航迹之间或与航迹关联对之间的拓扑关系建立第二重模糊拓扑模型,实现编队内目标航迹的精细关联.经仿真数据验证,与基于目标不变信息量的模糊航迹对准关联算法、基于航迹迭代的航迹对准关联算法和修正的加权法相比,该算法综合性能明显优越,能很好满足工程上对系统误差下编队内目标航迹精细关联的需求.      

基于空天信息的异类传感器模糊航迹关联算法

针对空天高速飞行器这类目标的跟踪问题实时性和精确性要求高的特点,高速飞行器目标的航迹关联问题同样要求高实时性和精确性。使用一种将粗关联和精关联相结合的模糊关联方法,对现有的模糊关联算法进行改进,综合考虑了目标的位置信息(距离和角度量测)和属性信息(目标的身份信息等),使用多因素模糊综合决策方法进行关联,使用模糊判决规则进行相关判定,对关联成功的航迹使用简单的加权融合算法进行航迹融合。模糊推理的方法较之传统的基于统计的方法,计算简单省时,提高了系统处理的实时性，仿真结果表明有效。     

基于蚁群聚类的多目标跟踪航迹起始方法

针对杂波环境下的航迹起始的NP难问题,提出了一种基于蚁群聚类的数据关联方法.为每个测量数据赋予给定的特征值,利用基于拾起和放下的蚁群聚类算法确定所需起始目标航迹数目,利用模糊蚂蚁聚类算法提取目标航迹.数值仿真结果表明:在杂波密度稀疏、目标交叉运动的条件下,目标航迹起始的成功率为100％,最大运行时间为2.131 s;在密集杂波条件下,航迹起始的成功率为100％,最大运行时间为12.378 s.     

挖掘大型数据库中的Apriori算法及其改进

指出了Apriori算法是一种有效的关联规则挖掘算法，分析和探讨了Apriori算法，并给出了该算法的实现思想，通过实例说明了算法的执行过程，提出了对Apriori算法进行改进的一些方法：散列、事务压缩、划分、选样及动态项集计数。使用这些技术提高了算法的效率。     

基于多速率运动模型的多帧最近邻数据关联算法

为了提高标准最近邻数据关联算法的关联效果,提出了基于多速率运动模型的多帧最近邻数据关联算法．改正了Hong提出的多速率运动模型中关于过程噪声的一处错误,然后把该模型应用于最近邻数据关联算法,并推广到多帧情况．新算法使用序列关联量测更新目标状态,有效降低了最近邻算法中误关联对跟踪效果的影响．仿真结果表明,该算法在减少计算量的同时大大减少了跟踪丢失率。     

多平台数据融合系统的航迹关联技术

对于多平台数据融合模式下的航迹关联问题,使用了聚类关联的方法进行解决.采用基于地心坐标系的最小二乘方法对航迹数据进行配准,对航迹间的距离使用Hausdorff距离进行衡量.使用了K-均值算法对各平台侦测的航迹进行关联,并将初始聚类中心设定为相距最远的航迹,有效降低了经典K-均值算法过于依赖初始聚类点带来的错误.仿真数据证实,能在目标密度大且航迹存在交错的场景下保持较高的关联正确率,具有较好的可用性.     

入侵检测规则动态生成研究

在入侵检测研究领域中,提高检测模型的检测率并降低误报率是一个重要的研究课题.本文提出了一种针对网络入侵检测事务流的实时动态规则生成方法.该方法解决了当前主流关联规则生成算法应用到入侵检测过程中存在的多遍扫描、大量无效规则和频繁集产生等问题.实验结果表明,文中所提出的方法在规则动态生成和对网络异常情况的检测方面都显示出比较好的性能,相对Snort入侵检测系统,平均提高10%左右的检测精度,克服了Snort系统在异常检测方面的局部缺陷.     

采用多树结构的快速多假设跟踪算法

多假设跟踪算法是解决多目标跟踪问题的常用方法。算法在没有任何先验知识情况下,组合不同时刻量测形成假设航迹,依据关联规则判断所有假设航迹是否成立,从而跟踪目标。在实际关联过程中,量测数量增加会导致假设航迹数量出现组合爆炸现象,从而产生大量冗余计算。文章用多树结构实现多假设算法,利用树形结构特征快速剪枝,极大减少了错误假设的冗余计算量。     

系统误差环境下二维分配算法的关联性能

数据关联是多传感器数据融合的关键技术之一,是对冗余数据进行融合处理的前提和基础。对关联算法的性能分析与评价是算法设计与选取的主要依据。传统的性能分析方法多数为基于仿真测试的事后评价方法,其分析结果与仿真场景密切相关,难以全面客观地反映算法性能。该文提出了一种从理论上分析关联算法性能的思路,首先寻找关联算法出错的边界条件,分析边界条件出现的概率,从而得到算法关联错误概率的期望。与传统性能评价方法不同的是,该方法揭示了关联算法的内在性能,以工程中常用的二维分配算法为例,分析了算法性能与系统误差的关系,为实际系统的算法设计提供了理论依据。仿真实验验证了理论分析的结论。