基于进化粒子滤波的数据域直接跟踪方法

传统目标跟踪算法首先通过采样信号估计时延或多普勒等参数,然后利用这些参数构成的跟踪方程获得目标运动轨迹,这种两步跟踪模式存在位置信息损失、误差累积等问题,跟踪精度仍有待提高。针对此问题,提出一种利用数据域采样信号,基于时延和多普勒信息的直接跟踪算法。该算法利用多个观测站的接收信号,首先建立一个基于连续时间和多普勒信息的直接跟踪模型;然后基于进化粒子滤波算法,对所提跟踪模型进行迭代求解,提高算法计算效率,实现对运动目标的快速高精度跟踪;最后,针对所提模型,推导了目标直接跟踪的克拉美罗下界(Cramer-Rao lower bound,CRLB)递归求解方法,给出了算法的跟踪误差下限。仿真实验表明,与现有跟踪算法相比,所提算法跟踪精度更高,收敛速度更快,尤其在低信噪比条件下更能逼近CRLB。     

基于高拉伸度遗传算法的相关干涉仪测向算法

针对相关干涉仪测向中相位差模糊导致的强非线性问题,提出一种基于高拉伸度的改进遗传算法,该算法以遗传算法中择优选取机制为基础,通过定义拉伸度,根据相关干涉仪测向中相关函数及其对自变量的偏导数在目标方向附近均趋近于0的特性,设计新的适应度函数,增大全局最大值附近适应度函数的拉伸度,扩大与其他方向的适应度的差距,从而实现对选取机制的优化。仿真实验表明,该算法复杂度低,当测向精度基本相同时,测向时间约为网格法的1/600,且具有良好的适用性,可以广泛应用于其他求解最大值的问题中。