基于三角稳定的海上目标航迹抗差关联算法

针对现有航迹抗差关联算法缺乏对海上目标航迹特点和规律的考虑、实际应用效果差的问题,根据典型的实测数据对比分析结果,结合海上目标位置变化慢、空间拓扑关联稳定的特点,以三角形稳定结构为基础,设计了适用于海上目标航迹的抗差关联算法。首先,构建拓扑三角形,通过三角形匹配系数和航迹图匹配系数进行阈值判断,得到航迹对的关联系数。其次,保留其中最大关联系数,构建航迹对关联系数矩阵。最后,采用最大关联系数和阈值判别原则,输出关联航迹。实测数据验证结果表明,所提算法成功实现了所有航迹的有效关联,明显优于对比算法,具有较强的稳定性和鲁棒性,可有效解决实际中海上目标航迹关联问题,实用性强。     

基于目标不变信息量的模糊航迹对准关联算法

探讨了在组网雷达存在系统误差情况时的目标航迹对准关联问题。通过将探测系统误差对目标航迹的影响表示为各目标航迹数据的旋转和平移,从而说明了目标之间的相对拓扑关系不受系统误差影响;由此提出了一种雷达组网模糊航迹对准关联算法,该算法通过提取包括目标间拓扑信息在内的各种不受系统误差影响的目标不变信息量,采用模糊信息处理理论来解决目标航迹的对准关联问题,从而较好地实现了误差配准前的准确航迹对准关联。     

基于航迹关联的STLFMCW雷达多目标配对

首先分析了STLFMCW雷达估计目标径向运动速度的原理。针对利用频谱特征进行目标配对求取速度方法存在的缺陷,将多目标跟踪技术应用于目标配对,分别对上、下扫频段多目标回波起始"局部航迹",在"局部航迹"正确起始后,利用同一目标上、下扫频段内"局部航迹"的相关性实现了多目标配对;并通过配对确认矩阵的拆分减小了配对的多义性,从而显著提高了目标正确配对的概率。仿真结果表明,在复杂多目标与杂波环境下,该方法能有效实现上、下扫频段目标回波的正确配对。     

基于迭代离散度序贯检测的航迹抗差关联算法

针对批处理关联方式对航迹整体信息利用不足以及现有抗差算法无法实现大系统误差下的关联等问题, 提出一种基于迭代离散度序贯检测的航迹抗差关联算法。该算法首先引入迭代离散度作为关联统计量, 并根据基于误差重构的随机量测量推导得到不同时刻离散度的概率分布; 然后根据检测终点的不同设计了两种关联判定准则, 在不同判定准则下进行离散度的序贯检测实现航迹的抗差关联。实验结果表明, 算法在密集目标、大系统误差等复杂场景下均有较高的正确关联率, 并且较常规算法关联速度提升明显。     

分布式星敏感器下空间目标航迹段关联算法

针对空间目标可以断续地被分布式星敏感器观测到的特性,将不同时段空间目标在星敏感器下的观测信息关联作为基于星敏感器进行空间目标精确定轨的前提。结合空间目标运动特性,在以往双门限模糊关联的基础上,加入轨道平面法向量约束,筛选候选关联对象,简化关联运算成本,提出了分布式星敏感器下空间目标航迹段关联算法。通过仿真分析了6组噪声级别下,航迹外推误差随时间的发散情况,并且给出模糊隶属度函数中的调整系数的参考值,使长间隔下不同目标的关联相似度区别更显著。仿真表明在一定噪声下所提算法关联准确率高于最邻近关联和传统模糊关联,初定轨误差在各轴位置的标准差为6 km,各轴速度标准差为6 m/s时,可区分最小相位差为0.5°的相邻目标,间隔2 h关联准确率达98%,间隔7 h时关联准确率达90%。     

利用k近邻区间距离的异步抗差航迹关联算法

针对异步和系统误差并存情况下的航迹关联问题, 提出利用航迹序列k近邻区间距离的异步抗差航迹关联算法。定义区间序列与区间点的k近邻区间距离度量, 提出系统误差区间化方法, 通过不等长航迹区间序列间的灰色关联度, 利用经典分配法进行航迹关联判定。与传统算法相比, 对系统误差先验信息的要求低。仿真结果表明, 算法能以较高正确率实现稳定关联, 具有良好的抗差性。算法亦可处理异步不等速率航迹关联问题, 无需时域配准, 具有明显的优势。     

雷达与AIS目标航迹模糊关联算法与仿真

采用多因素模糊综合决策方法,研究了雷达与AIS(船舶自动识别系统)目标航迹关联算法.建立了该算法的模糊因素集、评价集、单因素模糊评判矩阵、多因素模糊综合决策准则、以及航迹关联与脱离质量等数学模型。计算机仿真验证了该方法可以改进目标航迹的精度与可靠性。同时讨论了关联门限取值等问题。     

基于层次和密度聚类分析的航迹关联算法

目标航迹关联是多传感器信息融合研究中的一个重要问题，利用聚类分析理论，构建了目标观测数据相似度方程，提出了基于层次和密度聚类分析的航迹关联算法，提高了目标数量多且相互位置较近时航迹关联的准确性，对提高多传感器系统的实时处理能力和智能化水平具有一定的实用价值。实验结果表明，算法具有关联成功率高、时间复杂度低、存储量通信量小、易于实现的优点。     

基于模糊综合函数的航迹关联算法及其应用

密集目标环境和交叉机动航迹较多的情况下,航迹统计关联方法关联正确率降低,而利用模糊关联可以减少传感器校准和延迟误差。主要研究基于模糊综合函数的多传感器多目标航迹关联算法,根据关联特点,确立隶属度函数、综合相似度和阈值判决准则,建立了仿真模型,并将其应用于两主动声纳站的航迹关联问题。仿真结果表明该算法具有较好的适应性,处理速度快的特点,适合于密集目标或交叉及机动航迹较多的环境。     

基于航路-航迹关联的天波超视距雷达航迹分类

天波超视距雷达的最终任务是检测、跟踪我方感兴趣的目标。将这些目标从跟踪器输出的航迹集合中提取出来是一个难点。考虑一类存在先验航路信息的航迹辨识问题,基于假设检验理论与分类思想,提出了一种多航迹-多航路情况下的天波超视距雷达航迹分类算法。在建立的空中走廊模型基础上,先后利用目标位置、航向信息与航路做相关判断,计算航迹-航路相关代价,据此将航迹分为航路目标航迹及非航路目标航迹。仿真结果表明,提出的航迹分类算法在航路数量适中的情况下正确分类概率达到90%。     

Effect of biased estimation on radar-to-ESM track association

The track association problem of radar and electronic support measure (ESM) has been considered in the literature for several years.This problem is crucial for radar-to-ESM track fusion and is complicated by the presence of individual systematic errors and measurement errors.In order to improve the track association of radar and ESM sensors,a pseudo-linear filtering algorithm is proposed to estimate the target states and improve the stability of the filter.It is found that,however,the correct probability of radar-to-ESM track association decreases as the radar measurement error decreases,when the pseudo-linear filter is used for ESM sensor filtering.In view of the strange phenomenon,this paper analyzes the reason for it by using the statistic theory and further performs Monte Carlo simulation to verify the analysis.     

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。     

生成式中断航迹接续关联方法

传统中断航迹接续关联(track segment consecutive association, TSCA)方法基于假设的目标运动模型, 利用大量先验信息完成关联任务, 存在参数过多、计算复杂、推理时间长等缺点。为了解决以上问题, 提出一种基于注意力机制的生成式TSCA方法。首先设计航迹态势图生成模块, 将原始航迹数据转换为航迹态势图, 作为生成对抗网络的输入。针对航迹噪声影响大和航迹运动特征、中断特征难以提取的问题, 基于生成对抗网络和注意力机制, 设计航迹关联网络, 滤除航迹噪声并完成TSCA。仿真结果证明了所提网络的有效性, 在关联精度和关联速度两方面都超过现有算法。     

基于多驻留测量的相控阵雷达目标跟踪算法

针对相控阵雷达目标跟踪和资源调度问题,给出了基于后向概率的后向递归概率数据关联滤波(PDAF),以及基于后向概率最大的多维数据关联(N-D)方法。推导了预测位置偏离波束指向、且误差是相关的情况下,估计目标平均信噪比和目标检测概率的方法。通过仿真,比较了不同测量窗口数据长度和不同杂波环境下,相应算法对目标维持跟踪的性能和雷达能量需求。仿真结果表明,基于后向递归的PDAF优于常规的PDAF和N-D方法;虽然基于后向概率最大的N-D方法比常规的N-D方法好,但当维数较少时仍然比PDAF性能要差。     

Data association based on target signal classification information

In most of the passive tracking systems, only the target kinematical information is used in the measurement-to-track association, which results in error tracking in a multitarget environment, where the targets are too close to each other. To enhance the tracking accuracy, the target signal classification information （TSCI） should be used to improve the data association. The TSCI is integrated in the data association process using the JPDA （joint probabilistic data association）. The use of the TSCI in the data association can improve discrimination by yielding a purer track and preserving continuity. To verify the validity of the application of TSCI, two simulation experiments are done on an air target-tracing problem, that is, one using the TSCI and the other not using the TSCI. The final comparison shows that the use of the TSCI can effectively improve tracking accuracy.