用于杂波环境下跟踪的自适应概率数据关联算法

提出了一种采用自适应更新时间，用于在杂波环境和探测概率小于１的环境下跟踪 概率数据关联滤波器，并与采用恒定更新时间的概率数据关联滤波器作比较。     

交通信息采集雷达中目标跟踪算法的研究

现代交通系统的核心是对交通信息进行采集。使用雷达对交通信息采集具有效果好、不易受环境影响且寿命长等优点。交通信息采集的本质是对目标的状态信息进行动态检测。由于交通环境的复杂多样，因此采用合理的算法实现对目标的跟踪显得尤其重要。该文以转换测量卡尔曼滤波(CMKF)为基础，采用经验联合概率数据关联算法(CJPDA)与概率数据互联算法(PDA)相结合的数据关联方法，利用PDA对单目标或稀疏多目标进行数据关联，用CJPDA对复杂多目标进行数据关联，从而实现了雷达对目标的跟踪，进而实现了对交通信息的采集。文中首先介绍了CMKF滤波算法相关技术原理；其次描述了一些常用的数据关联算法实现过程；最后通过仿真分析验证了该种组合目标跟踪算法能够在满足交通信息采集雷达精度要求的同时有效的降低系统运算量，对系统的实时性有较好的提升。     

基于概率数据关联的地形辅助导航算法

地形辅助导航是解决惯性导航系统定位误差随时间不断增大的缺点重要方法之一，论文在分析概率数据关联滤波器的基础上，提出了一种基于概率数据关联滤波的新的地形辅助导航算法。算法把满足一定条件的相关值作为滤波器的有效量测，把飞行器的位置作为状态，建立了基于概率数据关联的地形辅助导航模型，利用概率数据关联滤波算法计算飞行器的位置坐标。仿真结果表明该算法的正确匹配率、均方根误差和圆概率误差均优干TERCOM算法。     

密切关联的高距离分辨率自动目标识别与动目标显示跟踪系统的多模型估计器

本项研究的目的是利用采用高距离分辨率雷达（HRRR）与动目标显示测量的跟踪与自动目标识别系统之间的关联性。正如下文将要提到，这些系统是通过姿势、运动状态以及联贯约束关联起来的。利用这些关联性可使一个紧密关联的系统的性能大为提高。这一问题涉及两类不同类型的空间，即连续的运动学空间（如位置与速度），与离散的目标类型空间。我们选用多模型估计器（MME）来解决这一问题。MME由一组扩展卡尔曼滤波器组成（每一个目标类型配备一个滤波器）。采用这些扩展卡尔曼波滤器来处理连续的运动学空间的数据。此外，还要计算出每一个卡尔曼滤波器的概率并利用来测定对应的离散空间目标概率。本文给出的实验结果表明其性能优于常规的方法。     

基于JPDA-MPC的单站纯方位多目标跟踪

静止单站对多目标进行纯方位跟踪时,若在直角坐标系下建立跟踪模型并使用最近邻标准滤波器(NNSF)进行关联和滤波,结果通常不稳定且容易发散。针对此问题,提出将修正的极坐标系(MPC)下的扩展Kalman滤波算法及联合概率数据互联关联(JPDA)算法相结合。与NNSF-MPC算法的仿真对比试验表明,JPDA-MPC算法可以提高跟踪过程的稳定性,且具有更小的跟踪误差。     

认知雷达波形自适应数据关联跟踪算法

针对杂波背景下多交叉机动目标跟踪问题,提出一种认知雷达波形自适应数据关联跟踪算法,该算法选取目标距离-速度-方位作为观测量,并通过调整波形参数来动态改变量测误差协方差。首先,基于信息融合思想提出一种优化的概率数据关联(OPDA)算法,算法充分融合目标位置特征和运动特征对多目标交叉区域公共量测进行分类,使多交叉机动目标跟踪问题转化为多个单机动目标跟踪问题。然后,对实时更新的目标航迹,采用修正的Riccati方程估计下一时刻滤波协方差,并根据波形选择准则函数自适应选择下一时刻波形以提高系统跟踪性能。仿真结果表明,该算法增强了概率数据关联(PDA)算法的环境适应性,而且相比未采用波形自适应的数据关联算法有明显的优势。     

一种基于IS-MCMC的多目标跟踪算法

针对密集杂波环境下的多目标跟踪问题,提出了一种基于定向概率数据关联重要度采样的改进马尔可夫链蒙特卡洛(MCMC)算法(IS-MCMC)。首先,基于马尔可夫链蒙特卡洛方法求解具有最大后验概率的量测分配集,并根据量测与目标的定向关联概率进行重要度采样以提高收敛速度。其次,依据量测分配结果更新目标轨迹的感知概率和状态参数,并基于感知概率实现对轨迹起始、维持和终止的判断。为实现对目标的连续跟踪,采用滑窗方法,根据当前帧数据与上一窗口数据的处理结果构建初始量测分配集,利用IS-MCMC对当前加窗数据进行处理。不同杂波密度、目标密度和检测概率下的仿真实验表明,IS-MCMC相比MCMC在计算效率、轨迹跟踪性能和环境适应能力上更具优势。     

用于目标跟踪的神经网络综述

几组不同的研究者从不同的观点出发来研究目标跟踪。目标跟踪研究的演变与发展历程中的一个最重要的事件就是对目前运用于目标跟踪的算法和技术进行体系结构革命的新趋势；即神经网络的出现以及它们在非线性动态系统上的应用。已有文献证明，先进的跟踪算法的数学复杂性已经远远超过了普通数字处理器的计算能力。自从引入卡尔曼滤波器以来，几种非常有效的数学工具已经运用到了目标跟踪技术中，如，概率数据关联，相关和选通，证明推     

基于辐射源参数信息的无源数据关联问题研究

针对传统无源数据关联算法存在算法复杂、计算量大等缺点,提出了一个能够反映辐射源特征参数信息与目标运动状态参数信息相结合的无源关联算法流程。该算法首先定义基于目标运动状态参数和辐射源特征参数的多维可变跟踪门,然后运用模糊多门限思想,将测量与目标的关联概率来替代概率关联算法中可行联合事件概率的计算。仿真结果表明该算法计算量小,跟踪准确度高,尤其适用于复杂环境下近距离、交叉运动目标等典型情况。     

主导概率数据关联及算法

本文给出主导概率数据关联（ＤＰＤＡ）及算法，定义主导联合事件和主导概率，考虑实际目标环境可行联合事件出现为非等概率，导出主导概率数据关联计算方法，它无需计算所有行联合事件的联合率，从而克服了联合概率数据关联（ＪＰＤＡ）的组合问题，本文证明了ＤＰＤＡ性能上限不低于ＪＰＤＡ，下限低于ＰＤＡ，而下限出现的概率极小。本文给出了ＭｏｎｔｅＣａｒｌｏ仿真表明ＤＰＤＡ算法具有很好的性能和较高的实用价值。     

基于熵权的灰色关联概率数据关联算法

在多目标信息融合中,通过数据关联判断来自不同传感器的数据是否代表同一个目标,传统数据关联一般采用联合概率数据关联算法,单纯依靠状态量测且计算复杂。而基于灰色关联的概率数据关联算法,能够利用目标的多个特征信息进行数据关联,且计算简单准确。特征信息一般由专家主观判断给出。提出了基于熵权的灰色关联概率数据关联算法,由量测数据自适应的给出各特征的权重系数,不依赖于专家。仿真表明,该关联算法具有很好的工程实用性。     

用于多目标跟踪的交互多模式概率数据关联算法

本文提出了一种新近开发的采用多模式数据关联的多目标跟踪算法。多模式数据关联是建立在利用从测量序列中提取多模式多目标跟踪这一新方法上的。Markov接控制多模式间的转换，这就能对多个模式进行交互作用。模式的引进开发了高性能算法的新范式，从而提出了一种高效的跟踪算法－交互多模式概率数据关联（IMP－JPDA）算法。IMP－JPDA算法可以看作一种广义的联合概率数据关联（JPDA）算法；当仅采用一次扫描的测量时，IMP－JPDA将简化为JPDA。     

一种接近最优JPDA算法

多目标跟踪的关键问题是点迹－航迹数据关联。点迹是从能够提供位置信息的目标或背景杂波中接收到的信号。如果一条航迹关联上不正确的点迹，那么该航迹会偏离目标且过早终止。甚至会引起其它航迹也偏离目标，大多数点迹－航迹数据关联方法分为两类：多假设跟踪（ＭＨＴ）和联合概率数据关联（ＪＰＤＡ）。ＭＨＴ方法用所有或部分适宜的点迹修正航迹，并延迟判断那一个点迹是正确的。ＪＰＤＡ用合理点迹的加权和修正航迹，这些权值是     

基于航迹关联的抗角闪烁跟踪算法研究

角闪烁背景下，高分辨雷达在近距离跟踪阶段存在不能精确跟踪的问题。针对此问题，分析了基于距离高分辨的单脉冲测角方法，并在此基础上，结合距离向强散射点的幅度特征，提出了一种基于航迹关联的抗角闪烁跟踪算法。算法首先对和通道、方位差通道、俯仰差通道的回波信号分别进行脉压和相参积累；然后在和通道的高分辨一维距离向上实现目标强散射点的检测，依据幅度进行排序并输出各点的距离信息和角度信息；最后利用联合集成概率数据互联算法作为目标跟踪滤波算法进行跟踪。本文通过对ku波段实测数据中入射余角为60°~69°的近距离跟踪部分进行分析，将所提算法与卡尔曼滤波跟踪算法进行了对比，仿真结果表明，本文算法使多目标跟踪的精度得到了提高，具有更好的角闪烁抑制性能。     

一种适于工程应用的近似MSJPDA算法

为提高复杂数据融合系统中的航迹关联正确率，在ZHOU B的DC和AC算法基础上提出一种新的近似多传感器多目标联合概率数据关联算法，它以一个目标为中心的近似聚为构造关联事件的起点，并在计算中将DC和AC结合得到的一种全部的点迹－航迹关联算法，在杂波下目标密集，航迹复杂的数据融合系统中进行实验，对关联正确率，并联时耗等与最近邻法进行了比较，效果较好，它能为有效提高目标点迹－航迹的关联正确率，在计算时耗上较完全联合概率法少得多，能满足工程中实时性的要求。     

采用具有输入估值的变维滤波器进行的跟踪

本文提出了一种跟踪机动目标的改进方法。把输入估值方法的逆推公式与变维滤波器方法综合起来就构成了本文所提出的跟踪滤波器。在所提出的方法中，滤波器还提供目标开始机动的瞬间时间估值（当检测到目标机动时）。支用所估算的机动起始时间也可估算机动输入，跟踪系统则转换为机动模型。所提出的方法的计算负担与输入估值方法的相当。这种跟踪滤波器的有效性已经通过模拟得以验证，并将茯与交互式多模（ＩＭＭ）滤波器、输入估值滤     

基于递推贝叶斯的检测跟踪一体化方法

在雷达系统中,对雷达散射截面积(Radar Cross-Section,RCS)较小的快速机动目标的检测与跟踪是难点。本文提出采用基于递推贝叶斯原理的检测跟踪(Track-and-Detect,T&D)一体化方法提高雷达对这类目标的检测和跟踪性能。针对机动目标,用模型参数更新法来改进递推贝叶斯方法,即利用先验信息或实时估计的目标速度信息实时更新运动模型参数。对雷达实测数据的处理结果表明,该方法在机动目标的平均信噪比约为6dB时,即可实现在虚警率为10-3时检测概率达到0.9的指标。     

一种新的SMC-PHD滤波的多目标状态估计方法

针对现有的应用于多目标跟踪概率假设密度粒子滤波器的目标状态估计方法不能很好地解决目标密度较高情况下的多目标状态估计问题,提出了一种新的基于粒子标签的多目标状态估计方法。该方法利用附加在每个粒子上的身份标签将粒子分为不同的粒子群,粒子群的个数与概率假设密度粒子滤波器的目标估计个数相同。随后根据粒子与最近量测的似然函数估计目标的运动状态,使得粒子概率假设密度滤波器在目标密集的情况下仍能准确地估计出目标状态。仿真试验表明,论文所提方法在目标密度较大情况下能够较好地估计出多目标状态,并提高了目标关联的准确性。     

估算转弯加速度的卡尔曼滤波器

近年来由于计算机的飞速发展，计算速度越来越快，所以用相控阵天线跟踪目标时采用卡尔曼滤波器已成为现实。对直线飞行的目标，卡尔曼滤波器能得到良好的跟踪精度，但若目标的加速度为高斯噪声，目标转弯时跟踪精度会降低。对处理转弯目标的跟踪精度曾提出两种方案，即估算输入的卡尔曼滤波器和二级卡尔曼滤波器。这些卡尔曼滤波器是在目标的运动模型上使位置和速度矢量与加速度矢量分离，利用预测误差估算加速度的。但由于对预测增减较大的目标的急转弯与目标运动模型不匹配，所以得不到良好的跟踪精度。为此提出了为处理目标的急转弯，不用预测误差而是通过卡尔曼滤波器估算的位置计算出形成飞行轨迹的转弯半径和角速度。还通过计算机仿真与原来的中方式进行比较，证明了其有效性。     

一种新的临空高超声速飞行器滑跃段跟踪算法

针对临空高超声速飞行器滑跃段跟踪中存在的跟踪不稳定问题,提出一种基于多传感器的多周期多模型估计的最大熵模糊数据关联滤波(MPMME-MEFPDAF)算法。首先,在临空高超声速飞行器滑跃段运动特性分析的基础上,采用多周期多模型估计方法实现模型集自适应。然后,采用最大熵模糊数据关联思想,解决杂波环境下多传感器航迹断续、点迹关联问题。最后,将多周期多模型估计与最大熵模糊概率数据关联相结合,实现临空高超声速机动目标的多传感器连续跟踪。通过仿真验证,该算法比传统算法对临近空间高超声速速飞行器滑跃段的跟踪具有更好的跟踪效果。