分布式序列最近邻多目标跟踪算法

本文提出了一种有效的分布式多目标跟踪算法。分布式跟踪器主要由本地传感器级跟踪器和一和航迹融合器组成。在航迹融合器中，首先将传感器的本地航迹转换为一般坐标系，并用线性卡尔曼滤波器使其同步。     

空间邻近目标跟踪与航迹关联的联合优化算法

针对单传感器跟踪空间邻近目标过程中存在航迹交错的问题,提出一种基于分布式多传感器融合结构的跟踪与航迹关联联合优化算法.该算法在单帧航迹全局最优航迹关联的基础上,通过航迹关联质量检测传感器航迹是否存在交错,然后构造交错航迹对的拟测量,并根据拟测量误差协方差计算融合“测量”,最后由融合中心对融合“测量”进行全局最优点迹-航迹互联和交互多模型(IMM)滤波更新融合航迹.考虑分布式融合系统约束情况,给出采用次优拟测量的替代方法.仿真结果表明,与传统航迹关联算法相比,联合优化算法能够明显提高目标跟踪精度和身份正确率.     

基于不确定性分析的多传感器航迹融合算法

针对目前多传感器系统中常用的航迹融合方法精度与计算量不能兼顾,不能很好地处理不确定性,特别是对曲线航迹拐点的融合误差较大等问题,提出一种基于不确定性分析的航迹融合算法.该算法通过分析航迹融合所需的信息量,用标准熵量化每条航迹的不确定程度,从总体上删除质量较差的航迹,然后对每条参与融合的航迹进行分析,用正交多项式回归的方法剔除了测量误差较大的数据点.该算法有效的处理了传感器航迹中的不确定因素,解决了目前航迹融合方法中拐点融合误差较大的问题,以较小的计算开销达到了较高的精度,从而平衡了精度与计算量之间的矛盾.最后在多传感器多航迹的环境下讨论了其具体实现过程,仿真实验结果验证了该算法的有效性、优越性.     

多传感器最优信息融合Kalman多步预报器及其应用

提出了一种新的标量加权线性最小方差意义下的多传感器最优信息融合算法。该算法考虑了局部估计误差之间的相关性，只需计算加权标量，避免了加权矩阵的计算，明显减小了计算负担，便于实时应用。基于该融合算法，对被多个传感器观测的离散线性随机系统，给出了具有容错性的多传感器标量加权最优信息融合分布式Kalman多步预报器。它具有两层融合结构，其中第一融合层具有网状并行结构，用来获得每时刻每两个无故障传感器子系统之间的滤波误差互协方差阵；第二融合层用来确定最优标量加权系数，进而获得标量加权最优融合Kalman多步预报器。将其应用于雷达跟踪系统验证了其有效性。     

一种多制式传感器数据融合算法

针对一有三坐标雷达、两坐标雷达和红外探测器三种传感器的分布式多站多目标跟踪系统，提出了一种多制式传感器数据融合算法。算法以测量间最小距离为关联度，对测量集间的相似程度进行度量，用极大似然法估计目标位置，通过融合方法求得目标三维航迹。在作状态估计时，采用两组非线性卡尔曼滤波切换提高融合精度。     

两传感器最优信息融合Kalman滤波器及其在跟踪系统中的应用

针对两传感器信息融合，提出了一种在标量加权下的最优信息融合Kalman滤波器。该信息融合滤波器考虑了局部滤波误差的相关性，避免了局部滤波误差方差阵的逆短阵的计算，也避免了加权短阵的计算，只要求计算加权系数，便于实时应用。一个跟踪系统的仿真例子验证了其有效性。     

机载传感器主动航迹与被动航迹的关联

本文叙述了对异类机械传感器产生的航迹的关联算法，分析计算了根据正确和错误关联概率确定的算法的性能，为了得到这个结论，对航迹估值的Ｃｒａｍｅｒ－Ｒａｏ下限进行了计算，给出了两个目标沿着两个平行轨迹飞行的数字样例。     

运动状态下多传感器群目标精细航迹起始算法

为解决多传感器群内目标精细航迹起始的难题,提出一种基于运动状态的集中式多传感器群目标精细航迹起始算法,算法首先基于循环阈值模型和群中心点完成群的预分割、预互联,然后将预互联成功的群按传感器不同分成多个子群,基于非抢占式修正逻辑法和同状态航迹子群获取模型剔除单传感器形成的虚假航迹,并基于多传感器同状态群关联模型消除各传感器虚假的同状态航迹子群,最后基于加权法实现同状态关联群内航迹的精细互联及合并。仿真数据表明,与分布式多传感器修正逻辑法、基于聚类和Hough变换的集中式多传感器多编队航迹起始算法相比,算法在起始真实航迹、抑制虚假航迹及杂波鲁棒性等方面综合性能更优。
     

使用信息矩阵滤波的跟踪融合的性能评估

在多传感器环境下，每个传感器探测多个目标，接着产生相应的跟踪。这些跟踪可能互不相同，经过融合后，传感器生成有关目标的更精确的运动信息和属性信息。目前已有两种方法可以达到上述目的，一种是测量值融合法，一种是状态矢量融合法。众所周知，测量值融合计算法通常最优，但计算费时，而状态矢量融合算法计算省力却是次优。之所以如此，是因为从两个传感器中获得的待融合状态级估值，由于通常存在被跟踪目标的过程噪声，通常并非条件独立。值得注意的是，状态矢量融合已有三种计算法：加权协方差法、信息矩阵法和伪测量法。本文仅限于讨论状态矢量融合中信息矩阵形式的性能评估。利用信息矩阵计算法已经推导出稳态融合协方差的闭式分析解并作为一种性能的度量方法。注意，推导出的结果基于两个传感器同步工作且没有误关联的假设，或是在研究时考虑了融合测量值。并且我们将推导出的结果用蒙特卡罗仿真进行了比较，过去曾有许多作者利用蒙特卡罗仿真来预测融合系统的性能。这些结果有助于更加深入地了解跟踪融合的作用原理，并大大简化了对融合性能的评估。此外，有了这样的解，简化了对各种不同工作条件下设计融合系统的折衷研究。     

主动（雷达）与被动（红外）测量数据融合的一种部分分布式结构

融合不同维数的测量的一种普通方法是采用顺序卡尔曼滤波器。这种顺序滤波器尤其适用于异步测量的场合；然而，如果有任何一个传感器性能下降，则它有可能发散。为此，本文提出了一种采用多外局部航迹的部分分布式或增维航迹结构的方法。为了融合脉冲多普勒雷达（距离和角度）的信息和红外成像系统（仅角度）的信息，在航迹级融合前要给红外系统的“不完整的”测量分配一个伪距项，这样就增加了一个距离维。这种结构在稳健性方面有潜在的优势，当红外成像系统的测量变差时，雷达的局部轨迹不会受到损害。文中对所提出的结构进行了模拟，并与在相同情况下用顺序滤波器获得的结果进行比较。模拟中采用了多种数据率。在通常的情况下，部分分布式滤波器需要有附加的时间校准逻辑，对用于融合处理的单独的雷达航迹和红外成像系统航迹进行预处理。这项研究的最终目的是确定部分分布式滤波器是否可以替代顺序滤波器，并且研究将部分分布式滤波器应用到加拿大军队的侦察型轻型装甲车（LAV）上的可能性。     

多传感器信息融合研究进展与展望

介绍了信息融合定义的新认识、信息融合系统功能模型和结构模型的新发展,并就多传感器信息融合中的分布式检测融合、航迹起始、检测与跟踪的联合优化、主被动传感器系统数据关联、估计融合模型、传感器管理、非线性滤波所采用的数学工具等若干关键技术的新成果与新动向展开了讨论,详细阐述了各项技术的一些有代表性的最新进展及其在多传感器信息融合系统中的应用和发展情况。最后对多传感器信息融合技术的研究动向进行了展望,提出了今后的发展趋势和我们的研究策略。     

多假设多目标跟踪算法评估

本文对多假设多目标跟踪算法进行性能评估。文中主要研究了作为性能量度的目标探测／航迹起始能力。通过蒙特卡罗模拟就从目标回波建立航迹的概率和虚假航迹密度两个问题评估了多假设跟踪算法。选用了一台雷达作为传感器，并在蒙特卡罗模拟中使用了一个普通的多假设多目标跟踪算法。模拟结果预示了从一个目标回波建立一条航迹的概率以及一单位时间每个扫描空域内的虚假航迹密度。如同研究检测门限和航迹质量门限的影响那样，文中研究     

空间相关噪声中电磁矢量阵二维DOA估计算法

针对空间相关噪声中二维DOA估计性能下降的问题,提出一种基于双子阵结构的电磁矢量阵DOA估计算法。算法假设其中一个子阵由普通标量传感器组成而另一个子阵由电磁矢量传感器组成,并且所有的传感器空间位置均为未知。算法分三个步骤实现。首先,定义一个互相关矩阵来消除空间相关噪声;然后,采用传播算子算法估计电磁矢量传感器导向矢量;最后,通过导向矢量中电场矢量和磁场矢量的叉积计算得到闭式且自动配对的方位-仰角估计值。提出的算法不仅具有良好的估计性能,而且由于无需进行特征值分解估计信号子空间或噪声子空间,无需二维谱峰搜索,因此具有较低的计算量。蒙特卡罗实验证明了算法的有效性。     

多传感器组合导航系统分层融合算法

从信息融合角度来看，目前在组合导航系统中广泛应用的联合滤波算法居于两级式分布式融合结构。而分层融合结构作为多传感器信息融合的另一种重要的模式，在组合导航系统中应用尚未见报道。本文研究了多传感器组合导航系统的分层融合算法，重点与联合滤波算法进行了比较。以定理的形式证明了在一定条件下分层融合算法与联合滤波算法的等价性问题。进而提出了分层融合算法的部分反馈模式。仿真结果表明，部分反馈模式的有序分层融合算法可有效地应用于多传感器组合导航系统。在相同的容错能力和计算复杂性下，可以得到优于联合滤波的导航信息融合结果。     

采用最大似然人工神经系统(MLANS)的多传感器自动目标识别与敌我识别

自动目标识别及与其相关的非合作式敌我识别问题通常要求将多传感器信息融合到一个统一的战场图像中。当前解决这个问题的途径是分步进行的：首先检测目标；接着估计目标的航迹，并采用这些航迹进行多传感器信息相关或关联；经过关联的信息被综合到一体化的图像中并进行目标识别．将复杂的问题分解为几个较小的问题分步解决的缺点是每一步仅能利用部分信息。例如，从杂波中检测出目标不可能在单独传感器的一帧内完成，而且它所要利用     

一种模糊多传感器跟踪系统

许多多传感器目标跟踪系统都是在假定数据关联过于复杂、集中式融合办法的计算要求过多而难于实现的情况下提出的。此外还需假设噪声分量相对较小、无漏检，扫描周期相对较短等等。业已证明，在采用这些假设条件生成模拟数据进行测试时，许多多传感器跟踪系统都能有效地工作。然而深入研究了几组实际数据的特点之后，就会发现这些假设并不总有效的。本文首先介绍了一种实际的多传感器跟踪环境的特点，并解释了在这种环境下现有系统不能有效完成任务的原因。然后给出克服这些系统缺陷的种数据融合方法，方法分为3步；（Ⅰ）采用一种自适应学习方法估算同步误差；（Ⅱ）漏检时调整目标的测量位置；（Ⅲ）采用一种基于模糊逻辑的算法预测下一个目标位置。为做出性能评估，我们采用不同的实际数据集和模拟数据集对融合方法进行了测试，结果令人满意。     

用EM算法解决多目标／多传感器的跟踪问题

采用我种精度不同和特性不同的传感器的输出来跟踪杂波噪声环境中的多个运动目标是监视和侦察系统中的一个重要问题。人们提出了许多解决多目标／多传感器跟踪问题的方案，从难度适中（针对特定应用的方案）的到得复杂的、理论上是最佳的方案均有。本文描述了一种基于最大期望（ＥＭ）算法的时间递归多目标／多传感器的迭代跟踪方法。更具体地说，我们把多目标／多传感器跟踪问题当作是利用可观测传感器的输出表示不完全数据的不完全     

情报侦察数据融合技术的几个问题

就情报侦察系统中多传感器 (有源 -无源 )数据融合技术的坐标变换、目标状态估计特征、数据关联和跟踪维持、目标身份识别等问题进行了讨论 ,并就各种相关准则和算法给予研究 ,特别提出了模糊聚类关联算法。     

带渐消因子的Quadrature卡尔曼滤波

为了解决无源传感器机动目标跟踪系统非线性较强、传统的跟踪滤波方法不稳定容易发散的缺陷,提出了一种带渐消因子的QKF（FQKF）算法。该算法通过引入时变渐消因子来实时调整状态预测误差协方差阵、量测预测误差协方差阵及状态预测误差和量测预测误差之间的互协方差阵,利用公式推导得出渐消因子实际上是对状态传播积分点和量测传播积分点进行渐消,进而达到实时调整滤波器增益矩阵的目的。并通过算法的机理分析和仿真实验表明FQKF算法具有强跟踪滤波器（STF）的优良性能,能够克服QKF算法的缺陷,对于无源传感器机动目标跟踪中系统的突变状态具有较强的跟踪能力,较QKF算法稳定性有所提高,并且计算量适中。     

分布式系统异步航迹融合算法研究

针对工程应用实际环境，提出了一种新的分布式系统异步加权航迹融合算法，仿真表明新的异步加权法较传统的异步处理方法外推法精度有明显改善，尤其适宜于机动目标的跟踪，理论证明该算法是基于融合误差协方差阵的迹最小意义上的最优融合算法，从而证明了算法的有效性。