相控阵雷达多目标跟踪算法研究（连载一）

以多功能相控阵雷达为背景，研究了多目标跟踪问题，针对“当前”统计模型及自适应跟踪算法的不足，提出一种修正自适应滤波算法；并探讨三维混合坐标系下的机动目标的建模与预报；且基于简化联合概率数据互联CJPDA（Cheap Joint Probabilistic Data Association)算法，提出一种实用方法直接计算后延概率，比CJPDA方法精度高，并根据“最近邻”JPDA思想，给出一种优化方案，蒙特卡罗仿真表明，本方案能有效跟踪多个机动和非机动目标，且易于实现。     

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。     

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。     

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。     

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。     

杂波环境下跟踪多目标的自适应联合概率数据关联算法

提出了一种联合概率数据关联滤波器，它利用自适应更新时间来跟踪杂波环境中的目标，并与利用恒定更新时间的联合概率数据关联滤波器做了比较。利用蒙特卡罗模拟，根据不同的目标轨迹对算法的跟踪性能进行了估计。     

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。     

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。     

基于模糊最小方差估计的超视距雷达多模式融合跟踪算法

天波超视距雷达(OTHR)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。本文借鉴多传感器数据融合的思想,提出了一种新的超视距雷达跟踪算法,将多路径信息看作是多传感器提供的量测信息,利用模糊最小方差估计的方法对多路径信息进行同步融合。仿真结果表明,当在杂波环境中,跟踪一个存在四种可能非线性量测的非机动目标时,本文提出的基于模糊最小方差估计的多模式融合跟踪算法(FLCE-MFT)与多径概率数据互联算法(MPDA)相比,在距离维的精度具有很大改善,且耗时大大缩短,具有更好的跟踪性能。     

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。     

复杂背景中红外多光谱目标检测算法研究

针对多光谱红外探测器,对复杂背景条件下红外弱小目标检测算法进行了研究。根据弱小目标缺乏纹理等相关信息的特点,给出了一种用于多光谱图像的弱小目标检测算法。对多光谱图像,构建数据立方体,对多光谱信息建立稳定的目标特征向量,用多光谱背景抑制滤波器以提升图像信噪比,将一种基于统计判别的低信噪比条件下红外序列图像弱小目标检测算法与传统多级假设检验跟踪(MHT)算法综合,形成了改进的连续帧目标检测跟踪算法,对波门内疑似目标点用引入多光谱信息建立的特征向量进行目标的非监督检测判决。实验结果证明:在低信噪比下该算法能有效检测跟踪弱小目标,在保证检测概率前提下可有效抑制虚警,极大地降低了后续跟踪算法的计算爆炸风险。     

异类传感器三维空间数据关联算法研究

在异类传感器信息融合系统中,快速准确地对目标进行数据关联极为重要。为解决2D雷达与红外传感器在三维空间中的数据关联问题提出了一种新方法。该方法采用两级关联算法进行关联,首先利用精度较高的2D雷达径向距离和红外传感器俯仰角及方位角找出目标在X-Y平面上的可能位置,通过构造角度检验统计量完成第一级关联,排除大部分虚假定位点;再采用二维分配算法对余下的候选关联组合进行精确关联,从而获得最优关联分配方案。仿真结果表明该方法较大地提高了正确关联概率,是一种有效实用的数据关联方法。     

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。     

复杂电磁环境下组网雷达对隐身目标的跟踪研究

在复杂电磁环境背景下,研究了组网雷达基于粒子滤波算法对隐身目标的跟踪滤波问题,建立了雷达观测方程和隐身目标的多基地雷达截面积模型,分析了基于U PF的组网雷达目标跟踪滤波算法。利用计算机仿真验证了复杂电磁环境下组网雷达利用粒子滤波技术跟踪隐身目标的有效性,并对几种跟踪算法的效率进行了比较。     

用自适应INS、单脉冲MUSIC和STAR（AIMS）进行目标瞄准

利用目标信号估计目标角度会受到主波束干扰的影响，解决该问题的一个办法就是综合多个传感器的数据。自适应单脉冲多信号分类（MUSIC）算法可以在干扰中区辨出目标方位角估值和俯仰角估或真实频谱。但在进行目标识别和分类时，仅依靠这种算法不能得到理想的误差概率。通过综合综合导航系统（INS）和单脉冲雷达的方位与俯仰信号，能提高精确检测目标位置的概率。设计AIMS算的目的是进行目标瞄准，并综合自适应INS系统、四孔径单脉冲雷达和空时自适应信号处理器的信号。自适应INS系统不断测量地基目标的位置变化；四孔径单脉冲雷达用MUSIC算法自适应地降低主波束干扰，实现可靠的角度估计；空时自适应处理机（STAP）则将目标从杂波中分离出来。结果表明，AIMS算法有效地综合了传感器数据。并提出了识别正确目标信息的效率。     

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     

基于熵灰关联算法的雷达对抗情报数据融合处理

针对灰关联算法直接应用于雷达对抗情报融合时可靠性和准确性不高的问题,提出了基于熵灰关联融合算法的雷达对抗情报融合算法.该算法首先利用融合矩阵对雷达目标间参数的灰关联度和权重值进行建模,得出综合评价值,然后将其与阈值进行比较,最后计算属于同一雷达对抗情报数据的均值,实现雷达对抗情报数据的融合.仿真实验结果表明了该算法能够充分利用雷达对抗情报数据的有效信息,融合结果准确可靠,模型泛化能力强.     

压制干扰下组网雷达目标检测与跟踪技术

针对压制干扰下组网雷达目标检测与跟踪,提出了一种基于压制干扰下雷达量测模型的跟踪技术。该跟踪技术包括压制干扰下量测模型和组网雷达序贯滤波跟踪两部分。压制干扰下量测模型根据雷达采取抗干扰措施前后接收机输入端的信干比分别计算检测概率,进而模拟传感器在压制干扰下对目标的检测情况。组网雷达序贯滤波中,首先对压制干扰下各雷达的量测数据进行串行合并和点迹合成,而后采用基于交互多模型(IMM)的序贯滤波方法对压缩后的数据进行跟踪。该检测与跟踪技术可模拟出雷达在压制干扰下由于检测概率下降造成的目标暂消现象,提高组网雷达跟踪航迹的连续性和稳定性。仿真结果表明了该技术的可行性和有效性。     

多雷达多目标跟踪仿真系统软件设计

对多雷达多目标跟踪的研究大都集中在算法上，具有实用性的系统不多，本文提出模块化、易扩展的软硬件结构，从软件设计角度分析了多雷达多目标跟踪仿真系统实现技术，系统具有跟踪大批次、复杂强机动目标能力。