排序方式： 共有15条查询结果，搜索用时 15 毫秒
11.
天波超视距雷达(OTHR)目标跟踪面临着"三低"(低检测概率、低数据率和低测量精度)和"多径"(多条传播路径)的挑战,因此传播模式的准确辨识与目标定位精度提升是改善跟踪能力的关键。首先利用纯角度传感器群获得目标地理位置的初步估计,然后采用极大似然估计建立了OTHR的传播模式和杂波模式的辨识规则,进而利用最小方差估计准则实现OTHR和纯角度传感器群的量测融合。仿真结果表明,此算法的模式辨识正确率很高,能明显提升方位角的测量精度,但是不能明显提升径向距的精度。 相似文献
12.
针对Markov随机跳变系统的系统误差估计问题,提出一种基于马尔可夫链蒙特卡罗(MCMC)和最大似然估计相结合的在线系统误差估计方法。利用最大似然估计给出系统误差等效后验概率分布函数,采用Metropolis-Hastings抽样方法从该概率分布函数中进行抽样;利用系统误差估计和状态估计互为因果的关系,采用期望极大化(EM)方法迭代估计出最优的系统误差;分别对时变和时不变系统误差场景进行仿真分析,结果表明,在考虑系统误差统计特性的同时,所提方法对解决目标运动模型难以建立情况下的系统误差估计问题具有可行性和有效性。 相似文献
13.
目标集群类型识别是体系作战样式下态势认知的关键，然而现有集群识别算法主要依据专家知识人工进行判读，难以满足作战态势快速、准确理解的需求。提出数据和知识驱动下的推理机制，构建分层精细化推理的集群场景识别框架，预识别层检测目标运动过程中的集群的分群/合群，根据设计基于边界检测的密度峰值聚类确定群的划分情况，得到集群的初步识别结果；再识别层中综合分析集群执行任务、运动特性、电磁特性，对集群目标的多源特性进行多元知识约束下的推理网络构建，在此基础上利用现有数据进行推理网络参数学习，进而使推理获得更为准确的集群类型识别结果。该框架综合知识和数据的优势具有从粗到精的集群目标识别能力，利用多特征综合推理机制对目标集群精细化分析，实现集群类型的准确识别。在典型的集群作战活动场景下推理置信度和正确率两项指标均优于现有算法，验证了所提方法的有效性，提高空战目标集群类型识别的置信度和准确率。 相似文献
14.
机动目标航迹分段识别是判断目标行为意图的基础,然而现有航迹分段算法对模式变化检测能力弱,难以满足机动目标航迹快速精细化分段的需求。提出双层精细化航迹分段框架,预分段层检测目标运动过程中的模式切换,确定模式变化明显的预分段区,得到目标模式变化明显区域的预分段点;再分段层对模型差异小的非预分段区航迹进行回溯迭代优化再分段,得到更为精细的分段点。该框架具有从粗到精的航迹分段处理能力,实现了对于机动目标航迹的精细化分段识别。选取两个典型的目标机动仿真场景验证了所提算法的有效性,不仅减少了迭代优化时间,而且提高了分段识别精度。 相似文献
15.
