基于多模型的低轨星座多目标跟踪传感器资源调度

针对低轨星座多目标持续跟踪传感器资源调度问题,首先将目标跟踪任务划分为高精度任务集合和低精度任务集合,并分析了跟踪任务状态转移过程;然后,为两任务集合分别建立了基于动态优先级的优化调度模型,提出了一种基于多模型的实时传感器调度算法。不同场景下仿真实验表明,所提算法较之以跟踪精度为优化目标和以跟踪精度为门限约束的方法具有更强的适用性,尤其对于目标分布较为集中的情况,其目标丢失率大大降低,尽管个别目标的跟踪误差略有增大。     

基于模板匹配的集中式多传感器群内目标精细跟踪算法

为解决多传感器探测下群内目标精细跟踪的难题,基于非机动情况下各探测周期内群内目标真实回波位置相对固定的特性,提出了一种基于模板匹配的集中式多传感器群内目标精细跟踪算法。该算法通过预关联成功的群状态集合与群量测集合分别建立模板形状矩阵和待匹配形状矩阵,利用匹配搜索模型和匹配矩阵确认规则选出代价最小的匹配矩阵,并基于模板和对应的匹配矩阵利用 kalman滤波完成群内各目标航迹的状态更新。仿真表明,与传统多传感器多目标跟踪算法中性能优越的基于数据压缩的集中式多传感器多假设算法相比,该算法在跟踪精度、实时性、有效跟踪率方面的性能明显优越,能很好的满足群内目标精细跟踪的实际工程需求。     

基于多信息加权融合的降维航迹关联算法

针对分布式3个传感器多目标的航迹相关算法如果直接计算时间和花费都比较高这一问题,提出降维航迹关联算法。该算法先利用2个传感器的目标位置估计点构造航迹相关代价矩阵,求出最优解,再利用这个最优解与第3个传感器的目标位置估计点构建航迹相关代价矩阵,进一步得到三维航迹相关配对。针对单信息系统不稳定这一问题,提出了融合多个特征信息的加权算法。该算法利用熵权法赋予各种不同信息的权重进行加权融合,转化为单信息问题。仿真结果说明本文所给出的新算法不仅减小了目标跟踪误差而且其时间花费较少,因此,新算法是可行的。     

基于层次分析的STSS系统传感器管理算法

针对STSS系统的目标跟踪交接问题,在分析系统交接影响因素的基础上,通过引入层次分析法对传感器进行优先级排序,制定相应的跟踪方案,并在典型场景下进行了对比分析。仿真结果表明,层次分析法能有效分配系统传感器资源,且运算量适中,是一种相对高效的传感器管理算法。     

一种基于能量受限的分布式多传感器管理算法

在能量受限的分布式多传感器跟踪系统中，跟踪目标的同时，需要节省能量消耗，延长系统生存周期，本文依据一种传感器节点能量消耗模型，提出了一种以能量消耗和信息增量为效用的传感器管理算法。仿真结果表明该算法能提高跟踪精度，减少能量消耗，延长系统的使用时间。     

一种改进的高超声速滑翔目标跟踪方法

针对临近空间高超声速滑翔目标跟踪问题，提出一种基于反向传播神经网络修正改进迭代扩展卡尔曼滤波(Back Propagation Neural Network-aided Improved Iterative Extended Kalman Filter, BP-IIEKF)的目标轨迹跟踪方法。在雷达站坐标系下建立目标运动模型和量测模型。引入阻尼因子修正IEKF算法中的协方差预测矩阵，并定义算法的代价函数，给出迭代终止条件，保证了算法收敛精度，减小状态的观测更新误差，提高了目标状态估计精度。利用BP神经网络修正滤波结果，补偿系统滤波误差，进一步提高了跟踪精度。仿真结果表明所提算法对高超声速滑翔目标具有更高的跟踪精度。     

基于最近邻的集中式多传感器多目标跟踪算法

经典的集中式多传感器多目标跟踪算法通常计算量较大,经常难以满足系统的实时性要求,工程上实现起来比较困难,为进一步扩大集中式多传感器的应用范围,使其在对算法实时性要求较高、跟踪精度要求较小的实际场合中广泛应用。文章基于最近邻域思想,研究了并行处理结构的集中式多传感器最近邻域算法,并从算法跟踪精度、实时性、有效跟踪率3个方面对其与经典的顺序多传感器联合概率数据互联算法进行了仿真比较。经仿真验证,并行处理结构的集中式多传感器最近邻域算法实时性提高了60%以上,且在跟踪背景杂波适中的情况下能够有效跟踪目标。     

一种对多传感器异步数据的融合处理方法

在传感器异步采样时刻情况下 ,对机动目标的跟踪滤波算法进行了探讨 ,基于细分时间片的方法 ,提出了一种将多传感器数据组合成类似于单传感器数据的异步数据处理方法 ,运用于目标点迹航迹的合成。通过对多传感器数据的利用 ,增大对目标观测的数据流数据率 ,来提高跟踪精度。仿真实验显示 ,各通道的均方根误差均相对减小 ,表明了算法的可行性。     

基于PSO的多观测器轨迹优化研究

在多观测站目标被动跟踪过程中,多观测器运动轨迹对定位跟踪精度有重要影响.为提高对运动目标的跟踪精度,将目标滤波协方差的迹作为目标优化函数,提出一种基于粒子群算法(Particle Swarm Optimi-zation,PSO)的多观测器轨迹优化方法,并将轨迹优化加入运动目标被动跟踪过程中,实现了观测器自适应运动下的运...     

基于多传感器的机动目标跟踪与融合技术综述

在分析了目标跟踪技术的重要地位之后，对目标跟踪要素进行了简要介绍。同时，描述了机动目标建模、滤波算法、航迹管理、传感器管理以及目标身份识别技术常用的方法，试图对基于多传感器的机动目标跟踪和识别算法构建一个轮廓和框架。     

基于FPGA的DDR2缓存控制器在 无线链路图像跟踪系统中的应用

图像跟踪系统是机载光电吊舱的重要组成部分,其对目标捕捉的成功率直接决定了机载光电吊舱的性能.而作用于机载光电吊舱与地面站之间的无线链路系统,有着不可消除的的延时特性,这极大地降低了目标捕捉成功率.本文设计了一种基于FPGA的DDR2缓存控制器,通过缓存控制器可以轻松实现高清视频图像的快速存储和调用,从而实现图像跟踪算法对无线链路延时的补偿.该缓存控制器成功应用于某型机载光电吊舱图像跟踪系统,有效消除了无线链路延时的影响,提高了图像跟踪系统对目标捕捉的成功率.     

基于改进的FCM和信息熵修正的航迹融合算法

在局部航迹信息质量不均衡条件下,选择所有局部航迹进行航迹融合的算法会造成系统航迹质量下降。为了提高跟踪性能,提出了一种基于改进的模糊C均值(FCM)和信息熵修正的航迹融合算法。通过交互式多模型(IMM)滤波后的航迹信息对聚类数据做“质量”修正,改进后的FCM算法对局部航迹进行聚类分析,利用信息熵和隶属度对局部航迹进行选择和融合,达到修正聚类中心和提高系统航迹质量的效果。仿真结果表明：当多个传感器跟踪机动目标时,在传感器的观测精度发生变化和存在量测丢失的情况下,该算法的跟踪性能优于已知的航迹融合算法。     

多传感器数据融合的平均航迹算法

提出了一种适用于分布式多传感器的平均融合算法，对其算法机理进行了详细描述。对融合算法、未融合算法和算术平均算法三者的跟踪航迹和方差进行了仿真比较。仿真结果表明，融合算法优于算术平均算法和未融合算法。它提高了跟踪精度，改善了航迹质量。尤其在多传感器跟踪系统工作异常的情况下具有独特的优良位能。     

基于IMMKF算法的ADS-B监视应用目标跟踪

目标跟踪是机载广播式自动相关监视（ADS-B）应用的基础功能,对提升航空器周边的弱机动民航飞机目标跟踪性能具有重要意义。提出一种基于交互式多模型卡尔曼滤波（IMMKF）算法的ADS-B 监视应用目标跟踪方法。首先,针对弱机动背景下的民航飞机的飞行特点,建立包含匀速模型和标准协同转弯模型的运动模型集,并对模型进行线性化近似;然后,将模型预测和ADS-B 状态矢量量测数据作为IMMKF 算法中多个并行卡尔曼滤波器的输入,进行并行滤波;最后,计算得到目标状态矢量的估计和模型近似概率,并作为下一次迭代的输入。结果表明：相比于基于匀速模型的卡尔曼滤波目标跟踪方法,IMMKF 方法的位置跟踪误差降低了59%,速度跟踪误差降低了77%,显著提升了状态估计性能,具备较高的跟踪精度、稳健性与计算效率,在ADS-B 监视应用中具有实际应用价值与借鉴意义。     

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.     

主被动多传感器多目标状态信息融合

研究了主被动多传感器多目标状态信息融合问题。针对被动式跟踪的特点,借助主动跟踪的距离通道值,提出类主动的被动式跟踪。在此基础上提出主被动串联状态信息融合和并联状态信息融合算法。仿真结果表明两种状态信息融合方法都可以大大提高跟踪精度,同时还可以提高系统的可靠性。     

基于量测一致性的分布式多传感器多目标跟踪算法

针对无线传感器网络跟踪多目标过程中传感器能搭载的计算负荷有限,不宜采用复杂算法实现数据处理的问题,提出了一种基于量测一致性的分布式多传感器多目标跟踪算法。算法采用计算相对简易的最近邻域法处理多目标跟踪中的数据互联问题,针对最近邻域法容易受杂波干扰的情况,通过量测的平均一致性迭代来改进算法的性能。仿真结果证明,算法具备有效抑制因误判产生的错误量测对跟踪过程干扰的性能,实现了良好的传感器网络跟踪精度和估计信息一致性。     

基于期望系统噪声模型的自适应机动目标跟踪

针对防空作战中的机动目标跟踪问题,分析了使用IMM算法跟踪目标所存在的缺陷,提出了一种基于期望系统噪声模型的自适应机动目标跟踪算法（MIMM）,改变IMM算法使用固定模型集合的方法,IMM算法中作用权重较大的只是少部分更接近于实际系统的模型,通过对部分系统噪声模型进行自适应辨识,计算出最接近于系统实际噪声水平的模型——期望系统噪声模型（ESNM）。这些模型作为IMM多模型集的子集,是在一定模型框架内所寻求出的一个（或多个）最优模型（集）。仿真结果证明了MIMM算法能够更好地描述目标机动,达到更理想的跟踪性能,其跟踪精度优于使用固定模型集的IMM算法。     

改进的基于隐马尔可夫模型的自适应IMM算法

针对机动目标跟踪中交互式多模型算法(IMM)的马尔可夫转移概率矩阵固定不变造成跟踪精度降低的问题,在已有的基于隐马尔科夫模型(HMM)的自适应IMM算法的基础上,对隐马尔可夫链的长度和Baum-Welch算法迭代次数的2个参数对该算法跟踪性能的影响,进行了深入研究分析,进一步明确了这2个参数选择的依据;并针对该算法在目标机动转换时峰值误差增大的问题,给出了2种修正方法,从而提出了改进的基于HMM的自适应IMM算法。最后,通过仿真分析了算法的参数和修正方法对跟踪性能的影响,并与传统IMM算法进行对比,证明了文章提出算法的有效性。     

基于CDKF的快速协方差交叉融合跟踪算法研究

随着目标抗干扰能力的增强，单一寻的制导方式很难完成对目标的稳定跟踪和精确打击，需采用多种探测器作为传感器，提供多种观测数据以实现对目标的稳定跟踪和精确打击。建立了适当的目标运动模型和观测模型，利用中心差分卡尔曼滤波（CDKF）变换处理模型的非线性问题，避免了求解复杂的雅克比矩阵。对于分布式多传感器融合，传统的方法多采用协方差交叉（CI）融合方法，但是这类方法需要寻优求解。而快速协方差交叉（FCI）则不需要进行寻优过程，且计算量小。在此基础上，提出了用于多传感器目标跟踪的CDKF-FCI融合算法。最后，对算法进行了仿真分析，并进一步验证了提出算法的有效性。