目标跟踪中的信息融合技术

在目标跟踪中，单一传感器检测到被测对象的某些信息，而信息融合可融合多传感器信息，获取对对象较全面的认识。比较全面地阐述了目标跟踪中信息融合的结构和方法。分析了各跟踪方法的特点，提出了信息融合发展中的一些值得关注的问题。     

含状态约束的分布式多传感器数据融合

从理论上研究了含状态约束的分布式多传感器数据融合中的状态估计问题．在单传感器Kalman滤波方程和无约束的分布式融合算法的基础上,考虑状态等式约束条件,提出了一种新的含状态约束的分布式融合估计算法,指出并证明了该融合估计所具有的数学性质．     

最终严格对角占优矩阵的逆矩阵无穷范数的上界估计

研究了最终严格对角占优矩阵A的逆矩阵A~(-1)无穷范数■的估计问题,利用Nekrasov矩阵逆矩阵无穷范数已有的带有参数的几个估计式,在矩阵A的定义的基础上,得到了■的带有参数的一些新结果。数值例子进一步说明了结果的可行性和优越性。     

基于无穷范数的视觉伺服自适应控制方法

针对基于视觉的机器人伺服过程中, 控制系统的精度和稳定性容易受到环境噪声、 设备性能等因素影响, 导致收敛指标不理想的问题, 提出一种基于无穷范数优化任务序列( INOTS: Infinite Norm Optimization Task Sequence)的自适应增益算法, 通过将实时全局任务细化为不同子任务, 根据不同时刻子任务的特点自动配置增益。 仿真结果表明, 相比于固定增益及传统自适应增益调节算法, 该增益算法可有效提高系统响应速度,增强控制系统的抗干扰能力, 提高系统稳定性。     

基于多传感器数据融合的目标识别和跟踪

基于单传感器（雷达或红外）系统存在局限性,提出了基于多传感器（雷达和红外）信号融合的目标识别和跟踪系统,它能利用不同传感器的数据互补和冗余。特征层融合能通过利用其他传感器模块提供的目标特征信号来提高目标检测概率和降低虚警概率;决策层融合能矫正因受干扰等原因而失去目标跟踪能力的传感器模块的伺服跟踪回路,并提高抗干扰性。     

目标跟踪方法的研究进展

目标跟踪逐渐成为人们研究的热点,并广泛地应用到军事、民用领域中。本文对目标跟踪原理进行了概述,讨论了几种经典的目标跟踪算法,对当前目标跟踪领域中用到的新的方法进行了介绍,最后总结了未来目标跟踪的发展方向。     

模糊数据融合在目标跟踪中的应用

在目标跟踪滤波算法的基础上,提出利用模糊理论进行数据融合的算法。应用模糊理论,对双传感器的滤波数据进行特征提取,并在一定的隶属函数和模糊规则下对其进行模糊推理,得到随目标机动情况自动调节加速度方差的系数调节值,使之保持对目标机动的快速响应。分析中采用蒙特卡洛仿真方法,对融合前后的滤波结果进行比较。模糊数据融合利用领域专家总结的相关知识,将融合结果反馈给单传器,以提高各单传感器的跟踪精度。     

多传感器信息融合方法与仿真

给出了一种多传感器多维位置数据融合的方法．这种方法基于多维位置数据的鲁棒估计和最小方差结合法．每个传感器用鲁棒估计得到自身数据的位置估计和方差估计，把这些估计融合为一个最优估计，即传感器系统的估计．     

多传感器信息融合方法与仿真

给出了一种多传感器多维位置数据融合的方法。这种方法基于多维位置数据的鲁棒估计和最小方差结合法。每个传感器用鲁棒估计得到自身数据的位置估计和方差估计,把这些估计融合为一个最优估计,即传感器系统的估计。     

运动车辆的多传感融合跟踪

针对单一传感器可靠性低、有效探测范围小的缺点,提出了采用雷达与机器视觉融合来实现路面运动车辆跟踪的新方法.该方法采用动力学模型对车辆运动进行描述,考虑了车体运动与车轮速率、转向角之间的关系,比用线性模型更符合车辆实际行驶时的复杂运动状况.通过基于雷达量测的扩展卡尔曼滤波估计建立视觉窗口,再根据图像灰度信息自适应调整窗口中心位置及尺寸,有效地限制了后继图像处理的工作区域,提高了系统的实时性.新方法采用数据融合技术,充分利用雷达与图像传感的量测信息,改善了对机动目标的状态估计.实验证明,该方法能明显提高路面运动车辆位置和方向角的跟踪精度.     

目标跟踪滤波性能的评价准则

针对单目标跟踪滤波性能评价标准,分析研究均方根误差、误差适配百分比、和方根误差、带有理论边界的状态误差、带有理论边界的新息序列、归一化估计误差平方和具有理论边界的归一化信息平方.针对多目标跟踪滤波性能评价标准,分析研究圆丢失概率、Hausdorff距离、Was-serstein距离和最优子模型分配距离.并讨论跟踪滤波算法时间复杂度的度量方法.     

多传感器数据融合技术对抗隐身目标

本文介绍了多传感器数据融合算法,推导了雷达观测误差与目标距离及隐身特性之间的关系,并对雷达组网的反隐身性能进行计算机仿真,得到了一些有意义的结论,论述了数据融合技术对抗隐身目标的可行性和有效性。     

分布式多目标跟踪中数据融合的一种新方法

数据融合问题是分布式多传感器多目标跟踪中的关键问题。相关文献在航迹和假设的相容性判别以及数据融合过程的分析等问题上存在一些不足。该文从“无矛盾原则”出发,给出了准确而完善的航迹和假设相容性判别条件,澄清了前人在此问题上的一些模糊概念。对航迹和假设的融合过程做了详细的分析,提出了“定向融合航迹”和“自由融合航迹”的概念。按照新的航迹和假设相容性判别条件,进行了仿真实验。实验结果证实新方法是有效性的。     

一种基于雷达和红外的粒子滤波融合跟踪方法

针对Kalman滤波不能处理雷达与红外传感器量测信息融合中的非线性问题,提出了一种基于粒子滤波方法的融合跟踪算法.该算法通过利用量测方程的非线性分析和粒子滤波器计算状态估计值,从而以线性迭代的方式得到系统的最优估计.仿真结果表明,与采用Kalman滤波的方法相比,该算法具有更高的估计精度,同时减小了计算量.     

基于被动量子雷达的隐身目标探测研究

未来战场,将是隐身武器的较量,不论是有人机、无人机,还是巡航导弹、弹道导弹,都朝着隐身化方向发展.传统雷达在对付这些隐身目标时存在无法突破的性能极限.笔者将被动雷达与量子技术结合,提出被动量子雷达,分析其对隐身目标探测的机理.采取超导电路技术实现对微波光量子转换处理,并使用SVI和PSA量子增强接收技术,以及JPA技术实现高灵敏度微波信号接收,被动量子雷达可将系统灵敏度最大提高大约4个数量级.分析结果表明提出的基于被动量子雷达的隐身目标探测原理可行,具有很强的应用潜力.     

一种基于加权证据合成的多传感器目标识别方法

针对多传感器数据融合目标识别问题，基于D-S证据理论，提出了加权证据合成的时空域目标识别算法。该方法充分利用了多传感器多周期的测量数据，并根据D-S合成规则要求参与合成的各证据具有相同权重的特点，充分考虑了提供证据的信源即各个传感器的可靠性。在合成中，引入证据权的概念，解决了不同权重的多传感器数据融合问题，在一定程度上改善了目标识别系统的性能。最后通过计算实例表明算法是有效的。     

隐身目标探测方法研究

介绍了一种探测隐身目标的实现方法．以双基地雷达为例，通过讨论雷达的有效散射截面RCS与雷达作用距离的关系^[1]，将接收机部署在探测隐身目标的前沿，使整个探测系统可在较远的距离上发现隐身目标．对于接收机收到的目标回波信号比较微弱，噪声相对较大，对于隐身目标的信号检测，可以采用对小信号的预处理，数据采集，进行分析处理^[2]．文中给出了理论依据，建立了模型，并通过MATLAB语言进行计算机模拟仿真，给出一些结果，说明其可行性．     

象素级多传感器图像融合技术

多传感器图像融合是图像信息物综合怀分析过程，它可有效地萃取多通道图像信息，构成统一图像，提供显示中心显示或决策机构判别。各种图像传感器的性能极大地依赖于使用环境，至今还没有一种图像传感器在多种不同的使用条件下，其各项性能都高于其它类型的图像传感器，融合多传感器国图像能够提高图像探测系统的探测和识别能力。