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。     

一种自适应多目标跟踪算法

给多目标跟踪滤波器引入一个自适应比例因子,用该比例因子描述目标运动过程中的不可预测性或机动性。并结合实际情况,针对传统的数据关联算法的可行性规则(量测与目标一一对应)所存在的问题,提出量测与目标是多-多对应的新可行性规则。在此基础上,给出一种自适应多目标跟踪算法。仿真结果表明:自适应算法的跟踪性能优于非自适应算法的跟踪性能。利用该方法对多目标进行跟踪,可以达到很好的跟踪效果。     

基于群目标的多目标关联算法研究

针对群目标跟踪数据关联的特点以及多目标跟踪数据关联经典的联合概率数据关联算法存在的计算量大与假设条件苛刻等问题,提出了基于群目标的多目标概率数据关联算法GJPDA（Group-target joint probability data association）。该算法首先把跟踪空间内的所有回波看作一个群,跟踪空间中任一关联门内的所有回波看作一个子群,通过关联门是否交叉、多少回波位于关联门交叉区内的判别及其相对于不同关联中心概率的计算,确定交叉区域内回波的归属。以每一个关联门内所有回波的等效回波为量测实现多群目标跟踪。仿真结果表明了该算法的有效性。     

一种改进的多传感器多目标跟踪联合概率数据关联算法研究

联合概率数据关联(JPDA)算法对单传感器多目标跟踪是一种良好的算法,但对于多传感器多目标跟踪的情况,特别是目标较为密集时,计算量剧增,会出现计算组合爆炸现象。因此,提出了一种改进算法,即对多传感器多目标量测进行同源划分,将多传感器对多目标的跟踪问题简化为单传感器对多目标的跟踪问题,然后将JPDA当作一种组合优化问题,采用连续型Hopfield神经网络求解关联概率。经仿真研究表明,该方法不仅克服了JPDA算法在多传感器多目标跟踪问题中的缺陷,还提高了跟踪精度。     

基于证据理论的联合概率数据关联算法

数据关联是目标跟踪技术中的核心部分,多目标情况下的数据关联技术更是研究的重点,由于多目标量测之间的互相干扰、外部环境干扰以及传感器性能等客观因素的约束,使得量测信息部分存在着相应的量测误差,密集环境中的多目标跟踪比较困难。针对这个问题,提出的新算法利用联合概率数据关联方法进行密集杂波环境下的数据关联,结合证据理论的思想对多传感器量测信息进行优化组合,有效地减小了量测误差对跟踪目标的影响。通过仿真结果可以看出,改进算法大大提高了跟踪精度,并具有良好的抗干扰能力,适用于解决工程实际问题。     

元启发式数据关联的多目标跟踪方法

提出了一种元启发式数据关联的多目标跟踪方法。首先,该方法根据跟踪门逻辑确定目标的有效量测。然后,利用滤波信息的似然函数描述量测点与目标之间的关联关系,并建立约束条件下多目标数据关联模型。最后,对蚁群优化算法进行改进设计,引入量测剔除策略,将求解问题转化为无约束的组合优化形式,从而利用蚁群优化算法在离散空间的启发式机制搜索量测与目标的最佳关联。仿真结果表明,该方法可以有效实现多目标数据关联且计算量较小,具有一定的工程实用价值。     

基于概率数据关联与粒子滤波的多目标跟踪算法

提出一种基于概率数据关联和改进粒子滤波的多目标跟踪算法。该方法在分析关联区域内有效量测基础上,利用量测与目标预测位置的统计距离计算关联概率;然后,对粒子滤波器进行改进,将目标的最新量测和状态的高斯逼近组合在一起,对每个粒子采用类似于卡尔曼滤波的方式产生高斯建议分布。以比提高目标状态的估计精度;最后,将所有有效量测的估计结果按照关联概率进行咖权,从而实现多目标跟踪。仿真结果表明,该算法用于复杂环境下的多目标跟踪精度较高,不仅降低了关联概率的计算难度,而且可以准确地进行数据关联,具有一定的工程应用价值。     

一种新的基于模糊聚类的多目标跟踪算法

提出了一种新的基于模糊聚类的多目标跟踪算法,该算法通过模糊聚类得到测量点迹与目标预测位置之间的隶属度,并将其作为权值系数对有效回波的信息量进行加权,来实现目标的状态估计的更新。仿真结果表明,传统算法在多目标密集时易产生关联错误而导致跟踪发散,新算法通过加权过程保证了对多目标的高精度跟踪。     

雷达组网系统中的快速多目标跟踪算法

针对雷达组网系统中多目标跟踪问题的特点,提出了一种实时的多目标跟踪算法.算法首先利用最小标准化距离最近邻分配策略对量测数据进行局部航迹关联,再采用模糊数据关联对其进行系统航迹关联,最后,利用α-β滤波对系统关联航迹进行滤波,并分别用仿真和实测数据对算法进行了验证.实验结果表明,提出算法能够实时有效的对多个目标进行跟踪,具有一定的工程实用价值.     

基于关联的自适应新生目标强度CPHD滤波

量测驱动的自适应新生目标强度基数概率假设密度(adaptive target birth intensity cardinalized probability hypothesis density,ATBI-CPHD)滤波器可以在新生目标强度未知的情况下进行多目标跟踪,然而该方法利用所有量测产生新生目标,没有考虑关联问题。为此,本文提出了一种基于数据关联的改进算法。首先,给出了ATBI-CPHD在高斯混合CPHD(Gaussian mixture CPHD, GMCPHD)框架下的实现。其次,在GMCPHD滤波框架下采用一种基于量测标签的方法进行量测估计关联,并引入高斯元标签进行航迹保持,在此基础上提出了一种航迹管理方法。最后采用量测波门进行量测量测关联,利用关联后的量测产生新生目标。仿真结果表明,该算法可以在提高跟踪效果的同时提升计算效率。     

基于蚁群算法的多目标跟踪方法

提出了一种新的基于蚁群算法的多目标跟踪方法.方法采用蚁群算法实现多目标跟踪中的数据关联,首先将多目标跟踪中的数据关联问题表示为具有约束条件的优化问题.用蚁群算法对该优化问题求解,得到的解即为最优关联.为验证该算法的有效性,在两种状态估计方法EKF(extended Kalman filter)和S1S(sequential importance sampling)的基础上进行了多目标跟踪实验,并且与传统的NN(nearest neighbor)方法进行了比较.在与SIS框架结合时,算法中采样粒子包括状态矢量和关联矢量,状态矢量通过序贯重要性重采样获得,关联矢量通过蚁群算法求得.实验结果表明,将蚁群算法融合进SIS算法进行多目标跟踪是有效的.     

分类信息辅助的多目标跟踪方法研究

多目标跟踪系统的关键技术之一是航迹关联。当传感器能同时得到目标分类信息和运动信息时，本文提出结合分类信息的综合概率数据关联算法，把目标不同信息相结合来提高关联效果。它通过分类混淆矩阵确定分类信息似然函数。再用谊函数调整传统的只利用运动信息的似然函数。使分类信息有效辅助综合概率数据关联．在杂波环境对多个邻近且不同种类目标跟踪情况仿真，比较仿真结果说明所提算法确实提高了多目标数据关联效果。     

基于信息增量的多被动传感器资源分配算法

针对多被动传感器多目标跟踪中的传感器资源分配问题进行研究。讨论了多被动传感器跟踪误差的克拉美-罗下限,在此基础上分析了多被动传感器系统跟踪误差的几何分布。为解决多目标跟踪中的传感器资源分配问题,通过先验信息熵与后验信息熵之间的差值获得信息增量;在此基础上针对多被动传感器系统的特点构建最优化分配模型,将被动传感器组合在不同时刻动态地分配给不同目标。仿真实验表明,与不考虑资源分配的固定跟踪模式相比,该方法能够高效合理地利用有限资源,并且使多被动传感器多目标跟踪系统的整体跟踪性能得到提高。     

基于低轨星网的多目标协同跟踪滤波技术

低轨高密度星网因其覆盖范围广、能够对弹道目标进行全程跟踪而受到广泛的重视。针对低轨星网对多弹道目标协同跟踪问题,提出一种基于卡方分布和无迹卡尔曼滤波(unscented Kalman filter, UKF)的多目标协同跟踪滤波算法。该方法首先在卡方分布的假设下,设计了一种基于测量平面的数据关联指标函数,实现量测值的分配;在此基础上采用变结构滤波框架对多弹道目标进行状态更新;最后给出了多目标状态估计性能的评估指标。数值仿真实验证明,所提算法可以有效地实现多目标在测量平面上的数据关联,并以较少的计算量对多目标进行准确估计。     

数据丢包环境下的多传感器协同跟踪策略研究

针对实际作战中的复杂电磁环境,研究了数据丢包环境下的多传感器协同跟踪问题。首先分析了数据丢包的几种不同情况,分别建立了数据丢包模型,并针对不同的丢包模型提出了相应的补偿策略;然后建立了数据丢包环境下目标观测模型,推导了数据丢包环境下序贯扩展卡尔曼滤波算法;最后基于信息熵理论建立了数据丢包环境下的多传感器多目标跟踪优化模型,给出了离散粒子群求解算法。仿真结果表明,所提的丢包补偿策略具有良好的补偿效果,可以有效抑制数据丢包造成的滤波数据发散,保证目标跟踪精度。     

基于FCM的多传感器融合多目标跟踪的数据关联

数据关联是实现多目标跟踪的核心技术之一,也是实现多传感器信息融合的前提。本文采用改进的模糊c-均值法求解关联概率,并通过在不同的传感器所对应的观测空间上建立多目标运动状态的投影,将单传感器数据关联算法推广到多传感器信息融合系统,从而可在密集杂波环境中实现对多目标的数据关联和精确跟踪。仿真实验结果说明了本文方法的有效性。     

基于修正贝努利滤波的被动多目标跟踪算法

针对势平衡多目标多贝努利(cardinality balanced multi target multi Bernoulli, CBMeMBer）滤波中的量测信息弱化问题,提出一种改进的多目标多贝努利（improved multi target multi Bernoulli, IMeMBer）滤波。该算法通过对漏检目标的多贝努利随机集进行修正,在解决目标数过估问题的同时,避免了CBMeMBer滤波中的量测信息弱化问题。在此基础上,将高斯粒子滤波引入IMeMBer算法中,通过一组高斯粒子近似多贝努利随机集中元素的概率分布,实现被动测角情况下的多目标跟踪。仿真结果表明,所提算法能够以较小的运算代价达到高斯混合粒子劳势估计的概率假设密度滤波相似的跟踪精度,具有良好的工程应用前景。     

基于k近邻平均距离的异步航迹关联算法

针对异步不等速率下局部节点航迹关联复杂问题, 提出了基于k近邻平均距离的异步航迹直接关联算法。首先, 给出不等长航迹序列间的k近邻平均距离计算规则, 进而计算得到不等长航迹序列间的灰色关联度, 再利用经典分配法进行航迹关联判定。算法无需时间同步, 避免估值误差传播积累。仿真数据表明, 算法正确关联率高、耗时较短、局部节点采样周期和开机时机不一致等异步因素对算法影响不明显, 并且算法不受噪声分布形式和目标数目变化的影响。     

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。     

灰色熵权聚类决策方法研究

针对传统灰色定权聚类方法中权重是事先给定的,不具有客观性的问题,借鉴信息熵的思想,提出了基于熵权确定权重的方法,构造了基于熵权的灰色定权聚类评估方法的算法。该算法利用系统状态数据为依据通过计算熵来得到决策权重。以实际问题为背景进行了算例实证研究。结果表明该方法计算简单,权重确定客观,对灰色聚类决策理论进行了补充和完善。