杂波环境下基于Hough变换和逻辑的快速航迹起始算法

航迹起始是航迹处理中的首要问题，本文提出了一种新的航迹起始算法，即基于Hough变换和逻辑的航迹起始方法，这种新的算法首先利用Hough变换法排除大量的杂波点，创造一个虚警概率比较低的环境，然后利用3／4逻辑法起始航迹，因而特别适用于密集杂波环境下快速起始航迹，仿真结果表明了这种算法在快速起始航迹中的有效性及优越性。     

三维空间中基于Hough变换和逻辑的航迹起始

Hough变换法特别适用于杂波环境下的目标航迹起始,但目前的研究一般仅限于在二维空间中使用该方法。本文提出了一种三维空间中基于Hough变换和逻辑的航迹起始方法。其基本思想是,首先在三维空间中选择两个投影面,然后在两个投影面分别使用基于Hough变换和逻辑的航迹起始算法,最后将两个投影面上起始的航迹进行比较,进而确定三维空间中的航迹起始。仿真结果表明了这种算法在三维空间杂波环境中快速起始航迹中的有效性及优越性。     

基于高斯混合EM聚类的多编队航迹起始方法

针对现有航迹起始方法难以对编队目标进行有效航迹起始的问题,在Hough变换法及其衍生算法基础上,提出基于Hough变换和高斯混合最大期望(expactation maximazation,EM)聚类的多编队目标航迹起始方法。该方法首先利用量测数据的时序信息和目标的运动参数进行筛选,剔除大量虚假量测;再对筛选后的量测数据进行Hough变换,得到初步航迹信息;然后利用相异度矩阵对所得航迹进行预聚类,完成聚类中心初始化;最后进行高斯混合EM聚类,得到聚类结果。仿真结果表明,与Hough变换法及其衍生算法相比,该方法能够快速有效地起始编队目标的航迹,解决了目标密集带来的航迹起始混乱问题。     

基于Hough变换和聚类的航迹起始算法

基于Hough变换的航迹起始是密集杂波环境中低信噪比目标起始的一种有效方法,但其存在阈值选取困难及一个目标起始多条航迹(航迹簇拥)等问题.提出了一种Mean Shift多尺度聚类Hough变换航迹起始算法(MSMSC-HT).该算法先用低阈值进行航迹初选;然后对初选航迹进行多尺度聚类,并用Mean Shift算法求取聚类中心;最后通过尺度寻优自适应地确定航迹数目和航迹参数.该算法通过聚类避免阈值设计的困难,解决了航迹簇拥下航迹的检测与估计问题.仿真结果表明了算法的有效性.     

异步被动传感器系统模糊Hough变换航迹起始算法

异步被动传感器系统由于不能通过视线交叉确定目标位置,因此使测量关联和航迹起始变得困难。为解决杂波、漏检和目标数未知情况下航迹起始问题,提出了一种用于异步被动传感器系统的航迹起始算法。该算法首先建立候选目标集,用极大似然法求出每一候选目标的初始状态估计、模糊Hough变换和模糊聚类实现航迹和目标的检测,最后用极大似然法估计出每一批目标的初始状态。仿真实验结果表明,提出的算法能有效实现航迹起始。     

三维空间中基于修正逻辑的快速航迹起始算法

经典的逻辑航迹起始算法已得到广泛的应用,但目前的研究仅限于在二维空间中使用该方法,并且在密集杂波环境中很难有效的起始目标航迹.为此根据目标的运动特性提出了一种三维空间中基于修正逻辑的航迹起始算法,其基本思想是,首先在三维空间中选择两个投影面,然后在两个投影面分别使用基于修正逻辑的航迹起始算法起始航迹,最后将两个投影面上起始的航迹进行比较,进而确定三维空间中的目标航迹.仿真结果表明了这种算法在三维空间杂波环境中快速起始航迹中的有效性及优越性.     

一种基于协同作战能力的航迹合成方法

以网络中心战为背景,针对复杂环境下目标航迹分散、不完整的特征,讨论了基于协同作战能力(CEC)的航迹合成方法。将航迹合成方法分为数据融合型、互补跟踪型和接力跟踪型等三种类型,并提出了基于自适应改进Hough变换(AMHT)航迹起始和双门限快速联合概率数据关联(DTF-JPDA)的航迹合成算法。仿真结果表明,该方法能够实现基于协同作战的航迹合成系统,形成目标完整航迹,扩大跟踪区域并提高跟踪精度。     

集中式多传感器群目标灰色精细航迹起始算法

为解决多传感器群内目标精细航迹起始的难题,提出一种集中式多传感器群目标灰色精细航迹起始算法。该算法首先基于循环阈值模型、群中心点完成群的预分割、预互联,然后将预互联成功的群按传感器分成子群,基于灰色精细互联模型剔除同一传感器子群内的虚假量测,并利用量测合并模型消除群内多传感器对同一目标的冗余信息,最后基于灰色精细互联模型、航迹得分完成群内量测的精细互联和航迹输出。经仿真验证,与分布式多传感器修正逻辑法、基于聚类和Hough变换的集中式多传感器多编队航迹起始算法相比,该算法综合性能更优。     

基于减法聚类的两级Hough变换航迹起始算法

针对低信噪比、低信杂比环境下作匀加速直线运动的目标检测中随机Hough变换算法存在的采样次数总量大、无效采样多的现象,提出了一种改进的航迹起始算法-基于两级Hough变换的航迹起始算法.该方法首先采用标准Hough变换滤除原始数据空间上的大量杂波点,然后用随机Hough变换以较少的采样次数获取备选航迹参数,再对所得参数使用最小距离筛选的方法进一步减少虚警,最后利用减法聚类得到准确的航迹数及航迹参数.实验表明该方法不但能够明显降低随机Hough变换的采样次数、减少无效采样,而且对杂波干扰具有很好的鲁棒性,尤其适用于复杂环境中的目标检测.     

基于模糊累积函数的航迹起始问题研究

为提取杂波环境下直线航迹,提出了使用模糊累积函数进行Hough变换的方法.考虑到雷达误差对累积函数的影响,该方法以模糊函数的隶属度为累积对象,在参数空间中进行峰值的累积,使累积函数的峰值更加明显.详细描述了航迹起始的算法,并采用衰减因子保证累积函数的时效性.为验证算法,设定了杂波环境下的直线航迹,对各种雷达误差取值下的参数空间累积效果进行了仿真.仿真表明,以累积峰值和峰值显著比为衡量指标,模糊累积法能提高直线航迹检测的准确性,从而减少候选航迹的数量,减轻后续航迹验证的计算量.     

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。     

脉冲多普勒雷达距离拖引目标序贯滤波跟踪方法

建立一个包含欺骗过程参数的滤波模型,在估计目标状态的同时,对目标距离拖引欺骗的相关参数进行估计。用一个递归滤波器估计回波平均功率,并计算真实回波和欺骗回波的检测概率,用于相关计算和欺骗终止判断。用2D方法实现测量值与真实回波和欺骗回波预测位置的关联判断,对相关上的回波使用序贯滤波的方法对目标状态进行估计。仿真结果表明,本方法能够有效地利用欺骗回波,不仅能稳定地跟踪目标,而且可以获得较高的目标位置估计精度。     

基于跟踪信息的多帧联合检测方法

传统多帧联合检测方法针对搜索阶段进行设计, 由于无任何目标信息, 需要采用较高的检测门限以降低虚警数量。然而, 一旦成功建航, 目标存在性已确定, 可利用目标跟踪信息调整多帧联合检测策略, 以提升微弱目标检测能力。基于上述考虑, 本文提出了一种基于跟踪信息的多帧联合检测方法。首先利用当前时刻跟踪信息建立预测波门, 然后设定较低的单帧检测门限保障微弱目标信号的高概率检测, 最后在航迹恒虚警约束下调整多帧联合检测门限, 从而完成航迹维持和撤销。仿真实验表明所提方法可有效提高目标检测概率和跟踪维持概率。     

基于GM-PHD滤波的空间邻近多目标跟踪算法

针对传统的高斯混合概率假设密度(Gaussian mixture probability hypothesis density,GM-PHD)滤波器在跟踪空间邻近目标时存在错误估计、虚警和漏警问题,本文提出了一种改进算法.首先,提出一种权值重分配方案,对目标的高斯分量权值进行重分配,以提高目标邻近时GM-PHD滤波器的...     

有限记忆ISODATA算法在航迹关联中的研究

针对多传感器多目标航迹关联的特点,提出了将基于聚类分析的ISODATA算法应用于航迹关联的解决方法。将表征航迹特征的参量构成待分类的样本空间,利用ISODATA算法对来自不同传感器的航迹进行关联。构建了基于ISODATA算法的有限记忆关联模型,利用有限步的历史航迹状态数据,有效地解决了目标密集环境下的误关联问题。通过仿真研究说明了算法的有效性。     

一种适用于助推段弹道导弹的跟踪方法研究

弹道导弹在助推段的运动特性较为复杂,且由于各级助推器的脱落导弹的加速度存在突变点,在导弹关机时刻的加速度突变最大,因此在跟踪时容易产生较大滤波偏差。本文主要对弹道导弹助推段的加速度特性进行了分析,选择CJ模型来描述其运动特性,采用交互式多模型(IMM)和无敏滤波(UF)算法对处于助推段的弹道目标进行跟踪。由仿真结果可以看出本文所提出的基于CJ模型和CA模型组合的IMM-UF跟踪方法可以较好地实现对助推段弹道导弹的跟踪。同时通过模型集合中各模型的概率变化情况可以很好地完成对导弹关机时刻的判定,这为后续尽早定轨和轨道预报等提供了前提。该算法结构简单实现稳定,具有较好的工程应用价值。     

基于高斯混合概率假设密度滤波器的扩展目标跟踪算法

针对杂波环境下多扩展目标跟踪中航迹起始和量测集划分问题,提出了一种基于高斯混合概率假设密度滤波器的扩展目标跟踪算法。在航迹起始阶段利用最近邻指数法对量测集进行聚类趋势分析,接着通过改进OPTICS (ordering points to identify the clustering structure)算法,建立一个增广数据集排序来表示量测集的密度结构,该算法对参数选择、初始点选择均不敏感,可以滤除量测集中的杂波。仿真结果表明,在航迹起始阶段本文所提算法在保证起始性能的同时计算代价明显减少,在量测集划分过程中,所提算法能够有效划分不同形状、密度的扩展目标,自适应地确定划分数目,减少算法运行时间。