修正的概率数据互联算法

阐明了概率数据互联(PDA)算法能很好地解决密集环境下的目标跟踪问题,在该算法基础上,人们又提出了联合概率数据互联(JPDA)算法和一些基于 PDA 的修正算法。在概率数据互联算法中,有一个很重要的参数就是杂波数密度(或波门内虚假量测期望数)。然而在许多实际情况中,这个参数是很难获取的。针对这一问题,文中提出了一种修正的概率数据互联算法,该算法通过实时地调整这一参数来获得对目标较为准确的估计结果。最后,给出了算法的仿真分析。     

密集杂波环境下的数据关联快速算法

基于联合概率数据互联（JPDA）的思想,提出了一种新的数据关联快速算法（Fast Al-gorithm for Data Association,简称FAFDA算法）.该方法不需象在最优JPDA算法中那样生成所有可能的联合互联假设,因而具有计算量小,易于工程实现的特点。仿真结果表明,与最优JPDA算法相比,FAFDA算法的跟踪性能令人满意,并且在密集杂波环境下可实时、有效地跟踪100批次以上的目标。     

一种混合的多机动目标跟踪算法研究

提出了一种混合的多机动目标跟踪算法:交互多模型模糊联合概率数据关联算法(IMM-FJPDA),该算法将交互多模型算法(IMM)和模糊联合概率数据关联算法(FJPDA)相结合,它克服了IMM-JPDA算法计算量大和IMM-FDA算法在强杂波环境中跟踪精度差的问题.给出了基于模糊C均值(FCM)算法的多机动目标跟踪步骤.仿真结果表明IMM-FJPDA算法跟踪精度与IMM-JPDA算法相当,但计算量明显减小,提高了跟踪实时性.     

利用幅值信息的超视距雷达多路径概率数据互联算法

天波超视距雷达是通过电离层反射实现超视距广域监视的,其地理坐标系下的量测方程存在强非线性,同时由于电离层的不同分层,造成了多路径传播的严重问题,即同时存在多个量测模型。多路径概率数据互联(MPDA)滤波器将坐标配准与概率数据互联相结合,解决了超视距目标跟踪中的多路径传播问题,但在杂波环境下滤波跟踪精度不高。文中提出了一种基于信号幅值特征信息的MPDA算法(A-MPDA),当跟踪单一的、存在4种可能非线性量测的非机动目标时,仿真结果表明所提出的算法比标准MPDA有更好的跟踪精度。     

多目标无源跟踪中的多特征模糊综合数据关联算法

提出了一种多目标无源跟踪中的数据关联算法———多特征模糊综合数据关联算法。首先基于目标特征关联因子模型,进行单跟踪门的多特征数据关联模糊评估,得到单跟踪门内的有效观测与真实目标的模糊关联程度,在此基础上,进行了多目标数据关联模糊综合评估,得到多目标整体模糊关联程度,最后进行多目标关联判决。由于该算法综合利用了目标更多的特征信息,所以比传统的NN方法有更好的关联性能,计算机仿真表明,它比NN方法的错误关联率约低15%。     

面向目标的概率多假设跟踪算法

 概率多假设跟踪(PMHT)算法由于其计算量与目标和量测的个数成线性关系而成为一种重要的数据关联方法,但该算法采用的是一种面向量测的参数模型,容易受到杂波的干扰。针对这个问题,提出一种面向目标的PMHT（TO/PMHT）算法,将量测与目标的距离作为权重,使计算出的后验关联概率能够真实地反映量测和目标的关联可能性。通过多种典型环境的仿真计算表明：TO/PMHT算法和面向量测的PMHT算法相比,跟踪性能有了明显的提高;与多假设跟踪(MHT)算法相比,在保持跟踪性能的同时,极大地提高了计算效率。     

基于视觉注意机制的认知雷达数据关联算法

针对传统关联波门设计方法在应用于机动目标跟踪时容易引起失跟、以及概率数据关联算法不适于多交叉目标跟踪的问题,提出了一种基于人类视觉选择性注意机制和知觉客体的"特征整合"理论的认知雷达数据关联算法。算法以综合交互式多模型概率数据关联算法为基础,采取假设目标最大机动水平已知的"当前"统计模型和匀速运动模型作为模型集,通过实时交互使关联波门能够随目标机动动态调整,较好地兼顾了雷达计算耗时和跟踪成功率。在利用目标位置特征的基础上,进一步提取、整合目标运动特征,对关联波门交叉区域公共量测进行分类,使多交叉目标跟踪问题转化为多个单目标跟踪问题,优化了传统概率数据关联算法。仿真结果表明：与传统关联波门设计方法相比,算法跟踪失败率和计算耗时明显降低;而且在计算资源增加不大的情况下,杂波环境适应性也得到了显著增强。     

基于辅助粒子滤波的机动目标跟踪研究

针对机动目标跟踪巾扩展卡尔曼算法（EKF）收敛速度慢、跟踪精度低的问题,基于粒子滤波（PF）和辅助粒子滤波（APF）的基本思想,结合目标先验信息将速度约束条件加入到跟踪过程巾,对辅助粒子滤波算法进行了仿真分析,与扩展卡尔曼进行仿真对比,分析了跟踪性能和误差。仿真结果表明,对机动目标跟踪问题,辅助粒子滤波不仅解决了扩展卡尔曼线性化困难难题,与EKF相比还具有收敛速度快,跟踪精度高的优点。     

基于标签多伯努利滤波的衍生目标跟踪算法

针对现有随机有限集(RFS)滤波器在低信噪比环境下对衍生目标跟踪性能严重下降的问题,提出了一种基于Delta扩展标签多伯努利(δ-GLMB)滤波器的改进算法。基于随机集理论和伯努利衍生模型,推导了新的预测方程,并采用了假设裁剪及分组手段和多伯努利近似技术以降低算法的计算量。针对假设增多引起的虚警问题,将多帧平滑思想和算法相结合,利用标签信息对新目标进行回溯处理。仿真结果表明,所提算法能对目标数目进行无偏估计,在低探测概率和强杂波环境下性能明显优于概率假设密度(PHD)算法,计算开销在衍生初始阶段增长快于PHD,目标较分散时低于PHD。     

基于STF的Jerk模型自适应机动目标跟踪算法

在Jerk模型的基础上,提出了一种新的机动目标自适应跟踪算法STF-Jerk。该算法通过引入强跟踪滤波器(STF)的渐消因子,实时调节滤波器增益,增强了系统对突发机动的自适应跟踪能力,从而很好地改善了Jerk模型在跟踪机动目标时的跟踪精度。仿真结果表明,提出的STF-Jerk自适应跟踪算法显著提高了Jerk模型自适应算法的机动目标跟踪性能。     

STOCHASTIC NEURAL NETWORK AND ITS APPLICATION TO MULTI－MANEUVERING TARGET TRACKING

ＳＴＯＣＨＡＳＴＩＣＮＥＵＲＡＬＮＥＴＷＯＲＫＡＮＤＩＴＳＡＰＰＬＩＣＡＴＩＯＮＴＯＭＵＬＴＩ－ＭＡＮＥＵＶＥＲＩＮＧＴＡＲＧＥＴＴＲＡＣＫＩＮＧＪｉｎｇＺｈｏｎｇｌｉａｎｇ；ＤａｉＧｕａｎｚｈｏｎｇ；ＴｏｎｇＭｉｎｇａｎ；ＺｈｏｕＨｏｎｇｒｅｎ（Ｄ...     

Evaluation of multiple radar target trackers in stressfulenvironments

This paper evaluates the performance of multiple target tracking (MTT) algorithms in real-life stressful radar tracking environments. Real closely spaced maneuver radar data, generated by six F-18 fighters and other targets, were collected jointly by the defence departments of Canada and United States to support this practical MTT algorithm evaluation study. A set of performance metrics was defined here to compare the suboptimal nearest neighbor (SNN), global nearest neighbor (GNN), and various variants of the joint probabilistic data association (JPDA) MTT trackers. Results reveal an interesting result that all these MTT algorithms exhibited very close performance. In addition, the weighted sum approach of the PDA/JPDA trackers which are theoretically effective were observed to perform poorly in tracking closely spaced targets. Overall speaking, the GNN filter based on the Munkres algorithm had the best performance in terms of both tracking performance and robustness     

随机神经网络在机动多目标跟踪中的应用

研究密集多回波环境下的机动多目标跟踪问题。通过对多目标联合概率数据关联方法性能特征的分析,将其归结为一类约束组合优化问题。在此基础上,利用随机神经网络求解组合优化问题的策略,采用改进的增益退火算法,提出了一种新颖的机动多目标快速自适应神经网络跟踪方法。仿真结果表明,该方法不仅具有很高的收敛速度和跟踪精度,而且计算量小,关联效果好。     

基于数据关联的故障快速检测

 多数情况下,快速实时地进行故障检测是很重要的。将故障看做是通过多传感器观测的动态模型,进行多传感器多模型概率数据关联,以各个模型的关联结果和设定的阈值为依据,可以有效地实现故障检测。联合概率数据关联（JPDA）算法是解决多传感器多目标跟踪的一个有效方法,文中通过分析概率数据关联算法,对联合概率数据关联算法进行了改进：（1）通过正确地选择阈值,移除小概率事件,进而建立一个近似的确认矩阵;（2）根据被跟踪目标故障跟踪门的相交情况,将跟踪空间进行数学划分,形成若干相互独立的区域;（3）对同一区域内公共有效量测的概率密度值进行衰减,计算出关联概率。仿真对比表明,本文的改进算法能显著减少计算时间,有效提高故障检测的快速性和实时性。     

SEQUENTIAL ALGORITHM FOR MULTISENSOR PROBABILISTIC DATA ASSOCIATION

Jointprobabillsticdataassociation(JPDA)isanalgorithmusedinsinglesensormultipletargettrackingsystems.Itemploysthenon-uniqueassignmentof"allneighbor"strategytoadaptforthedensemultitargettrackingenvironments[1].Becauseofitswideapplications,itisnecessarytoextendJPDAintosomemultiplesensortrackingsystems.Suchamultisensorsystem,forexample,canbeformedbycollocatingradarandinfraredsearchandtrack(IRST)whichcantakeadvantagesofboththesensorsbodatafusion.Undertheconditionofthesamesensors,acommonmeasure…     

Joint probabilistic data association for autonomous navigation

A new autonomous navigation scheme based on the joint probabilistic data association (JPDA) approach that processes landmark detections in the field of view (FOV) of an on-board sensor is developed. These detections-some true, some false-are associated to a set of stored landmarks and used to update the state of the vehicle. The results obtained from Monte Carlo simulations prove the ability of this navigation filter to perform in very high false alarm environments. In the different environmental conditions tested in the simulations, the performance of the JPDA navigation filter (JPDANF) is very close to that of the filter based on perfect data association. The very efficient cluster decomposition algorithm presented for the purpose of the navigation problem can also be used in many multitarget tracking applications     

Tracking of multiple maneuvering targets using multiscan JPDA and IMM filtering

The paper considers the problem of tracking multiple maneuvering targets in the presence of clutter using switching multiple target motion models. A novel suboptimal filtering algorithm is developed by applying the basic interacting multiple model (IMM) approach and the joint probabilistic data association (JPDA) technique. Unlike the standard single-scan JPDA approach, the authors exploit a multiscan joint probabilistic data association (mscan-JPDA) approach to solve the data association problem. The algorithm is illustrated via a simulation example involving tracking of four maneuvering targets and a multiscan data window of length two