基于标签多贝努利多传感器组网目标跟踪算法

随着电磁环境的日益复杂,强干扰和高杂波带来的目标低检测概率问题日益突出,给探测系统准确估计监测区域内目标个数以及目标状态带来了新的挑战.针对低检测概率问题,提出随机有限集框架下基于标签多贝努利(labelled multi-Bernoulli,LMB)多传感器组网目标跟踪算法.该算法首次将LMB框架应用到不同探测范围的...     

分布式异类传感器网异步采样下的航迹起始算法

为解决分布式异类传感器网异步采样下的航迹起始问题,基于模糊集理论,定义了测量集与目标间的模糊综合贴近度。基于模糊综合贴近度提出了分布式异类传感器网航迹起始算法。该算法通过模糊综合贴近度函数全局极值点的检测实现目标的检测,用与目标相关联的测量估计目标的初始状态。算法的特点是不需要掌握目标探测概率、虚警率、杂波密度等诸多信息。仿真实验验证了算法的有效性。     

基于模型类型匹配PHD滤波器和TBM的多目标联合跟踪分类

为了解决杂波和漏检下多目标的联合跟踪与分类问题,提出了模型类型匹配概率假设密度(probability hypothesis density,PHD)滤波器,同时将其与多传感器的可转移信度模型(transferable belief model,TBM)框架相结合,并用多个运动学雷达和粒子滤波递推实现。该算法对飞行器的先验信息进行估计,从而替代了属性传感器。在预测阶段,根据模型和类型对PHD滤波器进行粒子匹配;传感器得到观测结果后进行粒子权重的更新;再根据粒子对应的权重得到目标的后验状态模型类型分布;这些PHD滤波器可以同时得到目标的状态和类型;结合TBM和航迹粒子标签算法,得到多个传感器的融合结果。仿真表明,本文提出的模型类型匹配PHD滤波器的性能比传统多模型PHD滤波器更精确,同时多传感器的TBM框架也全面提升了算法的性能。     

基于随机有限集的SLAM算法

提出一种基于随机有限集的同步定位与地图创建算法,该算法利用随机有限集对环境地图和传感器观测信息建模,建立联合目标状态变量的随机有限集。依据Bayesian估计框架,利用概率假设密度滤波的粒子滤波实现对机器人位姿和环境地图进行同时估计。新算法避免了数据关联过程,并能更加自然有效地表达同步定位与地图创建(simultaneous localization and mapping, SLAM)问题中多特征-多观测特性及多种传感器信息。在仿真实验中,利用FastSLAM2.0算法和新算法进行对比,实验结果验证了新算法的优越性。     

基于随机集理论的多个声目标融合跟踪

针对杂波环境下,采用多个被动声传感器跟踪多个声目标的应用场合,建立了多个声目标跟踪的随机有限集模型,采用概率假设密度(probability hypothesis density, PHD)粒子滤波对该模型进行求解。针对PHD滤波器只适用于单传感器的问题,提出了一种实现多个声传感器融合跟踪的方法。该方法在序贯PHD滤波器的基础上进行改进,提高了目标检测率,通过仿真实验验证了该方法的有效性。     

面向任务的多传感器资源预分配建模与求解

多传感器管理是对一组传感器或测量设备进行自动或半自动控制的一种处理过程,它实现了整体性能的优化和资源的有效利用。首先提出了面向任务的多传感器资源预先分配问题。为了解决这一问题,考虑目标优先级函数与传感器对目标的效能函数,建立了多传感器资源预分配数学模型,将目标检测、目标跟踪与目标识别三种任务下的预分配统一到一个框架下;然后利用改进匈牙利算法结合三种任务下的目标函数进行了求解。最后通过仿真验证了模型的可行性与求解方法的快速准确性。     

检测前跟踪应用中的传感器观测数据仿真研究

检测前跟踪是低信噪比环境下目标检测与跟踪的有效方法,应用时通常基于未作门限处理的传感器原始观测数据,而非经典跟踪中的点迹.鉴于当前还没有系统的用于检测前跟踪的传感器仿真建模研究工作,针对实际应用中常见的雷达、声纳和红外三类传感器,建立检测前跟踪处理模型,并仿真产生了各类传感器在单、多目标场景下的原始观测数据.仿真试验表明,传感器模型仿真逼真度较高,为其它种类传感器的观测数据仿真提供了参考,也为检测前跟踪算法的研究提供了便利.     

异类传感器系统目标快速定位方法

在异类传感器系统中,快速、准确地定位技术对于数据的关联、目标的跟踪至关重要。为解决异类传感器系统中目标定位问题,提出了快速目标定位法。该方法首先将不完整的测量补充为完整测量,然后用精度加权法实现多测量之间的融合得到目标的位置估计,为提高估计的精度,最后采用扩展加权最小二乘法进行目标位置的二次估计。仿真实验结果表明,提出的目标定位方法是一种快速、有效的目标定位方法,定位误差的方差接近Cramer-Rao下界。     

基于平方根UKF的多传感器融合再入段目标跟踪研究

为了提高再入段目标跟踪的精度,将平方根不敏卡尔曼滤波（unscented Kalman filter, UKF）算法与多传感器分布式融合算法相结合,提出了基于平方根UKF的多传感器融合跟踪算法。在各个独立的传感器中利用平方根UKF滤波器进行状态估计,然后通过分布式融合方法融合各传感器的状态估计值得到全局的状态估计值和误差协方差,将全局误差协方差进行加权对各传感器进行分配更新。通过仿真验证,基于平方根UKF的多传感器融合跟踪算法具有较高的跟踪性能,是一种有效的非线性融合跟踪算法。     

考虑盲区的多移动传感器地面目标检测跟踪调度方法

针对地面目标检测跟踪任务以多移动传感器系统为调度对象，提出一种考虑盲区的传感器调度方法。首先，建立了目标检测模型，基于贝叶斯风险理论给出了目标检测损失的计算方法以评估检测性能。然后，考虑多普勒盲区和视野盲区的影响，建立了目标跟踪模型，并给出了基于盲区信息辅助的目标跟踪算法以应对盲区出现时目标状态估计问题。最后，建立了传感器优化调度模型，结合检测损失、跟踪精度、传感器能耗等因素建立了目标优化函数。仿真结果表明，所提调度方法能够有效解决多移动传感器协同调度问题，所得的最优调度方案可在兼顾检测性能、跟踪性能和控制能耗的同时，使整体作战收益达到最佳。     

随机有限集推理动目标轨迹的相干累积检测法

长时间相干累积技术在提高雷达对动目标探测能力方面发挥着重要的作用。但是，由目标机动导致的距离和/或多普勒频率徙动将会大大降低相干累积的性能。为解决上述问题，提出一种随机有限集推理动目标运动轨迹的相干累积检测法。首先，通过频率轴反转变换，提取出描述目标运动特性的信号。然后，利用该信号时频变换后的结果构成测量随机有限集，并以状态空间模型描述各目标的运动，在贝叶斯滤波的框架下实现目标运动轨迹的推理。最后，基于推理的轨迹设计出二维匹配滤波器，来补偿未知的距离和/或多普勒频率徙动。理论分析和数值仿真实验结果均表明，该方法可有效处理具有复杂甚至未知运动形式的机动目标。     

一种基于证据理论和条件规则的目标识别方法

针对多源信息融合识别目标属性的问题,提出了一种将先验条件规则应用于多传感器目标识别方法。该方法根据证据理论(D-S theory)和可传递信任模型(TBM)中证据所对应的信度传递规则,将不同辨识框架之间的条件规则映射成辨识框架的改变,并通过计算pignistic概率,得到利于决策的单命题结论。在此基础上,总结了多传感器融合识别目标的基本步骤,仿真结果说明了方法的有效性。     

机载相控阵雷达与红外双传感器融合仿真系统

建立多传感器融合仿真系统的主要目的是构造一个实际的分布式多传感器跟踪的多目标环境。本文讨论了由机载相控阵雷达和红外传感器构成的融合系统的建模和仿真,主要从功能上描述了仿真系统的实现方法,并给出了一个在局域网内实现的仿真系统结构。     

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。     

基于有限状态自动机的传感器管理方法

传感器管理是多传感器融合系统的重要组成部分。针对目前传感器出现故障时仍然缺乏对传感器资源管理的有效方法,提出一种基于有限状态自动机的传感器管理方法。首先,建立传感器管理控制策略的有限状态自动机模型,通过对可控制事件的非使能设定,描述不同控制策略;提出语言测度参数的递归估计方法与停止规则,并根据有限状态自动机模型产生语言的测度获得各种传感器控制策略的性能指标。实例分析结果表明：利用有限状态自动机模型能够辅助设计传感器故障控制策略,根据语言测度可以正确评价传感器控制策略。     

带反馈信息的纯方位水下分布式融合算法

针对水下被动目标跟踪的特点，为了改善跟踪性能，本文研究纯方位水下分布式模型中多传感器的状态估计技术。参照雷达系统中的反馈机制，在观测平台有效机动的情况下，利用多传感器量测的方位序列进行状态估计融合。仿真结果表明，融合中心能够完成对目标的状态估计，且引入反馈机制可以明显改善局部传感器的估计精度。这为水下被动目标跟踪的实现，提供了工程应用参考。     

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。     

基于标签随机有限集滤波器的多扩展目标跟踪算法

针对现有随机有限集(random finite set, RFS)扩展目标滤波器不能输出航迹的问题,提出了基于标签RFS滤波器的多扩展目标跟踪算法。该算法首先采用随机超曲面模型将目标建模为星-凸扩展形态,然后利用标签策略表征集合中的离散元素,结合基于延迟逻辑的多假设跟踪理论,采用N 次回扫策略对多帧量测进行平滑处理。仿真实验结果表明,该算法可以在目标跟踪过程中形成完整航迹并对目标扩展形态进行有效估计,特别是在低信噪比探测场景中,所提算法跟踪精度明显优于传统RFS滤波算法,进一步提高了滤波器的稳定性和有效性。     

闪烁噪声机动目标跟踪的模型集交互跟踪算法

给出了一种量测噪声为闪烁噪声情况下的模型集交互机动目标跟踪算法。在雷达目标跟踪系统中由于目标位置的随机摆动,使得对其位置的量测伴随着闪烁噪声的出现,这种闪烁噪声会对目标跟踪的性能产生很大的影响。本文通过对闪烁噪声的QQplots-分析,利用高斯分布和拉普拉斯分布的合成对其进行建模,在机动目标跟踪中采用两个模型集来处理闪烁噪声的情况,并详细推导了模型集交互时机动目标跟踪算法。最后,通过Monte Carlo的仿真结果表明了该算法的有效性。     

基于Input Estimation的VSIMM机动目标跟踪

IMM算法的跟踪性能很大程度上取决于模型集的选择.提出了基于InputEstimation的自适应改变模型集的变结构多模型算法IE_VSIMM.对IMM算法输出的状态估计及其误差协方差进行准Kalman滤波,由Input Estimation算法得到的加速度增量估计,可检测目标机动和生成新的模型集.修正过程则由IMM算法在新模型集上对状态估计及其误差协方差进行更正.仿真结果表明IE_VSIMM算法的跟踪性能更好.