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。     

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。     

雷达与ESM综合多目标检测、跟踪与识别

为在预警监视系统中对多目标的检测、跟踪、识别过程进行统一处理,提出一种基于跳转马尔可夫系统模型高斯混合概率假设密度滤波(jump Markov system model Gaussian mixture probability hypothesis density filtering,JMS-GMPHDF)算法的雷达、电子支援措施（electronic support measures,ESM）综合多目标检测、跟踪与识别方法。该方法首先根据不同类别目标设计各自的多目标多模型高斯混合概率假设密度滤波器,并在各滤波器处理过程中同时对高斯项进行编号;然后,根据目标速度与加速度模型信息进行高斯项综合与类别判决,同时根据ESM测量信息进行型号判决;最后,通过航迹综合管理,形成具有运动状态信息以及类别、型号、航迹编号信息的确定航迹。仿真实验验证了该方法能够有效综合雷达、ESM测量数据,在进行多目标检测、跟踪的同时进行正确的类别、型号判决,并形成确定航迹。     

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。     

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。     

基于交叉定位的多传感器多机动目标跟踪

交叉定位的思想可以用来简化数据关联 ,实现状态估计。但在杂波或多目标的环境中 ,定位法会产生大量虚假目标。通过分析传感器数目的选择 ,来限定虚假目标生成的概率。提出了一种基于HMM(HiddenMarkovModel)的全邻似然估计跟踪算法。该算法采用观测 -航迹关联 ,具有相对简单的多项式复杂度。由于传感器量测的融合在状态空间中统一进行 ,该算法可推广到异类传感器组成的系统中。     

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...     

基于多传感器信息融合的目标识别

在多传感器 (雷达和红外 )信息融合的目标识别中 ,不仅需要对点目标进行识别 ,而且也需要对面目标进行识别。由于传感器提供点目标和面目标的信息特征和信息量不同 ,致使信息融合的方法也不相同。针对这种情况 ,提出用基于智能规则推理的方法来进行点目标识别 ,用多传感器构成的联合特征向量的方法来进行面目标识别。仿真实验表明 ,采用这种方法能有效地提高目标识别的准确度     

用于目标跟踪的多传感器优化分配方法

在多传感器对多目标的监视环境下 ,传感器对目标的优化分配是传感器管理的重要研究内容。本文采用目标跟踪过程中信息增益最大的优化准则 ,探讨了多传感器对多目标的优化分配问题 ,并对优化分配算法进行了实验仿真验证     

多模型标签多伯努利机动目标跟踪算法

针对标准标签多伯努利(labeled-multi-Bernoulli, LMB)算法只考虑了单个运动模型的问题,提出了一种适用于跳转马尔科夫系统的多模型标签多伯努利(multiple model-LMB, MM-LMB)算法。首先对目标状态进行扩展,将多模型思想引入LMB算法得到了新的预测和更新方程,并给出了算法的序贯蒙特卡罗实现。仿真实验表明,MM-LMB算法能对多机动目标进行有效跟踪,在复杂探测环境下跟踪精度优于多模型概率假设密度(multiple model probability hypothesis density, MM-PHD)算法和多模型势平衡多目标多伯努利(multiple model cardinality balanced multi-target multi-Bernoulli, MM-CBMeMBer)算法;所提算法计算量当目标相距较远时低于MM-PHD和MM-CBMeMBer,目标聚集时增长速度快于对比算法。     

空天高速目标探测跟踪传感器资源调度模型与算法

针对空天高速目标跟踪中,传感器资源调度任务无时间等待、传感器资源匹配形式多样、观测时间碎片化等问题,提出了多源异构传感器调度多目标优化模型和求解该模型的多目标柔性果蝇算法。针对传感器调度时间碎片化问题,采用柔性分割调度时间,设计了目标-时间-传感器三维编码方式;为了避免相似个体交叉进化造成搜索陷入局部最优,提出基于个体特征的交叉操作和变异操作;针对进化过程中个体产生碎片时间、重复观测等问题,提出柔性调整操作。最后通过两个案例测试,对提出的模型和算法进行仿真验证,实验证明算法能够合理地求解多源异构传感器资源调度问题,在收敛性和分布性方面优于对比算法。     

多传感器网络目标检测方法综述

在并行拓扑结构下,从系统级的角度对多传感器网络目标检测方法进行综述,将似然比检测归纳分类为统计量(决策统计量和融合统计量)的确定和门限(决策门限和融合门限)的求解两部分,并分别展开论述。在硬决策融合系统统计量确定方面,分别归纳了理想信道、非理想信道条件下,不同融合统计量构成检测器的检测性能优劣,并通过仿真试验对比分析了不同融合统计量的检测性能;在软决策融合系统统计量确定方面,归纳了软决策融合系统中局部传感器节点性能度量方式,并对比分析了局部传感器节点决策空间划分方法;在门限求解方面,将门限求解方法归纳总结为逼近法、迭代法、蒙特卡罗方法,并分析比较这些方法的适用范围、优缺点等;最后,对多传感器网络目标检测进行了展望。     

跟踪机动目标的多模型算法进展

对多模型算法的发展过程进行了回顾和评述。分析了固定结构多模型算法的局限性。在变结构多模型算法的实现方法中 ,介绍了激活有向图方法、自适应网格方法和有向图切换方法。通过一个仿真实例比较了固定结构与变结构多模型算法的费效比     

自适应高斯模型与多基地雷达机动目标跟踪

为改善多基地雷达系统对高机动目标的跟踪性能,提出了基于自适应高斯模型和扩展卡尔曼滤波(EKF)的机动目标跟踪算法.将目标加速度的概率密度特性描述为一具有均值和方差的高斯分布,建立了系统的离散状态方程和非线性观测方程进行EKF滤波,并在每个采样周期实现对输入控制信号及过程噪声协方差的更新,使加速度符合目标的实际变化情况.Monte Carlo仿真结果显示,对目标的变加速轨迹,该算法在位置和加速度上的均方根误差均比Singer模型小,且误差曲线平滑,表明了该算法能对机动目标实现准确跟踪.     

Vague集在多传感器目标识别中的应用

针对具有多个特征指标的多目标识别问题,提出了一种基于Vague集的多传感器信息融合方法。该方法定义熵权客观地得到了特征的权重,将目标的各特征值转化为Vague值表达,根据Vague值的距离,给出目标识别方法。工件识别实例验证了算法的有效性和实用性。     

基于加权证据组合的多传感器目标识别

为了解决多传感器信息融合中不同等级重要信息源数据的融合问题,在证据理论基本概念的基础上,引入证据权的概念。依据证据权的不同对各条证据进行转化,使之可以用传统的方法进行证据合成。将这种方法应用到等级不同的多传感器目标识别中可以解决传统证据理论只能进行等级相同传感器目标识别的难题。识别实例表明,该方法提高了目标识别的准确性和有效性。     

机动目标跟踪的多模型多机动策略算法

在机动目标运动过程中引入机动决策的概念,建立了具有多个运动模式与多种机动决策的目标运动模型.并针对目标运动的多模式与多机动决策的特点,提出了一种多个运动模型与多种机动决策共同交互的机动目标跟踪算法.最后利用计算机仿真手段对所提出的交互式多模型多机动策略跟踪算法进行了验证,仿真结果显示此目标跟踪算法对于跟踪以多种机动策略实时机动的目标不仅是有效的,而且较之传统的交互多模型算法,跟踪性能更加优越.     

用于多传感器目标跟踪的数据时空对准方法

分布在不同平台的不同类型、不同精度的传感器,对同一个目标进行观测所得到的目标观测数据差别很大。在进行多传感器目标跟踪时,首先必须把来自不同平台的多传感器数据进行时空对准。针对这个问题,通过建立参心空间直角坐标系和归一化采样间隔的方法对多传感器数据进行了空间统一和时间统一,解决了多传感器目标跟踪的基础问题。其结果具有普遍适用性,具有广泛的使用价值。基于该方法的技术已经应用到实际中,并取得了良好的效果。     

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。