神经网络在广义经典分配问题中的应用

在两节点分布式多传感器系统中,一些航迹关联算法可以化为广义经典分配问题。广义经典分配问题是一个组合优化问题。当目标数目较多时,很难得到问题的最优解,而且其计算量容易呈现指数爆炸现象。文章提出了用Hopfield神经网络和平均场网络解决此问题的方法。仿真结果表明,采用文章提出的人工神经网络模型求解广义经典分配问题,不仅使航迹关联具有较高的关联正确率,而且计算时间不会出现指数爆炸现象。仿真结果还表明,平均场网络相比Hopfield神经网络更易于得到问题的最优解。     

基于自适应遗传算法的航迹关联模型

如何解决关联过程巾产生的多维分配问题,是研究多节点航迹关联的关键。遗传算法能够很好地解决组合优化问题。但是基本遗传算法具有收敛速度慢和易于早熟等缺点,对于计算航迹关联问题来说实时性较差。文章在利用遗传算法解决航迹关联问题算法的基础上进行了改进,提出了自适应策略。仿真试验表明,该模型能够使航迹关联保持较高的正确关联率和较快的计算速度。     

基于分段序列离散度的异步航迹关联算法

为解决异步不等速率航迹关联问题，提出一种基于分段序列离散度的异步航迹关联算法。定义分段混合航迹序列的离散信息度量，给出不等长航迹序列分段划分规则，通过计算离散度，利用经典分配法进行关联判定，并针对多义性问题设置二次检验环节。与传统算法相比，不需要时间对准，且具有不受噪声分布影响的特点。仿真结果表明，算法在航迹异步、传感器采样率不同等条件下均能以较高正确率稳定关联，并可有效分辨航迹交叉、分叉和合并等复杂情况，具有明显的优势。     

多局部节点异步抗差航迹关联算法

为解决航迹异步与系统误差并存情况下的多局部节点航迹关联问题,提出一种基于区间序列离散度的多局部节点异步抗差航迹关联算法。定义区间型数据集的离散信息度量,给出系统误差下航迹序列区间化方法,通过累次积分计算离散度,结合多维分配进行关联判定。针对多局部节点上报目标不完全一致现象,设置零号航迹管理关联质量。与传统算法相比,无需时域配准,可在系统误差下对异步航迹直接关联。仿真结果表明,算法能在局部节点上报目标不完全一致场景下实现有效关联,且正确关联率随局部节点数目的增加或目标密集程度的增大而提高。     

基于RBFNN自适应混合学习算法的航天测控系统任务可靠性分配

为解决执行航天测控任务的各设备存在复杂的时空关联、可视与信息关联等动态约束关系,使得航天测控系统任务可靠性分配建模和分析极其困难,同时模型求解效率低的问题,提出了自适应混合学习算法的径向基神经网络建模方法.算法通过训练样本相关性矩阵的主成分分析确定网络隐含层初始节点数;在此基础上,利用梯度信息衰减因子改进了迭代过程中网络参数的梯度信息计算方式,避免了学习过程早熟的不足,且加快了迭代收敛速度.最后,通过采集航天测控系统输入-输出数据,将自适应混合学习算法应用于参数训练,并给出了具体实现步骤.通过算例仿真,表明算法在解决航天测控系统任务可靠性分配问题时具有较高泛化能力和分配结果稳定等优点.      

基于高斯混合模型的航迹抗差关联算法

针对雷达系统误差时变、上报目标不完全一致等复杂场景下目标航迹关联问题,采用高斯混合模型（GMM）与航迹间拓扑信息相结合的方法实现航迹抗差关联。将航迹关联问题转化为图像匹配中的非刚性点集匹配问题,建立对非同源航迹具有鲁棒性的高斯混合模型,根据航迹间的邻域拓扑信息决定高斯混合模型中各高斯组成部分的权重,利用期望最大值（EM）算法求解高斯混合模型的最优闭合解,在期望步（E-step）阶段求解航迹的对应关系,在最大化步（M-step）阶段求解非同源航迹比例,最后进行航迹关联判决以获得关联结果。仿真结果表明,该算法在不同系统误差、目标分布密度、探测概率等环境下具有较好有效性和鲁棒性。     

基于区实混合序列相似度的异步不等速率航迹关联算法

在分布式多目标跟踪系统中,由于局部传感器开机时间、采样频率以及通信延迟不同等原因,导致来自各传感器的局部航迹往往是异步不等速率的。目前一般的方法是先进行时域配准再进行航迹关联,但是在同步化的过程中,航迹估计值的误差会发生传播,影响航迹关联的性能。针对此问题,提出了一种基于区实混合序列相似度的异步不等速率航迹关联算法。算法首先通过区间数-实数混合序列变换(IRST)得到等长度的航迹行为序列,然后定义一种新的序列差异信息度量,得到混合序列的相似度,以此进行航迹关联判定。仿真实验表明,该算法可以有效地解决异步不等速率航迹关联问题,并且通信延迟和数据乱序对算法性能的影响不明显。     

平均场网络在航迹关联中的应用

在多节点分布式多传感器融合系统中,航迹关联问题可以化为多维分配问题。多维分配问题是一个典型的组合优化问题,很难得到问题的最优解,而且其计算量会随着问题维数和目标数的增加容易呈现指数爆炸现象。在二维平均场人工神经网络的基础上提出了一种三维平均场网络模型用于解决此三维分配问题。仿真结果表明,该人工神经网络模型,能够有效解决多维分配问题,具有较高的关联正确率,当目标数不是很多时,可满足工程上的要求。另外,提出的三维网络模型可以推广到多维情况用于解决多维分配问题。     

基于PTE的多雷达航迹融合算法

针对杂波背景下的多雷达航迹融合时局部估计误差互协方差矩阵未知的问题,提出基于目标存在概率（PTE）的航迹融合算法,提升了正确航迹率和跟踪精度。首先,通过综合概率数据关联得到单接收站的目标航迹估计集合和对应的目标存在概率。然后,在局部估计误差互协方差矩阵未知的条件下,基于PTE信息提出不带记忆的综合广义凸组合航迹融合算法。进而将前一帧的融合状态进行反馈,提出带记忆的综合广义凸组合航迹融合算法。仿真验证了所提算法的有效性。     

基于类云模型的c均值聚类航迹关联算法

针对多传感器多目标航迹关联的特点,提出了将类云模型和c均值聚类联合应用于航迹关联的解决方法。将表征航迹特征的参量构成聚类中心和待分类的样本空间,利用类云模型和c均值聚类算法对来自不同传感器的航迹进行分类和收敛判断,构建了基于类云模型的c均值聚类航迹关联模型,有效地解决了目标密集环境下的航迹关联问题,通过仿真研究说明了该算法的有效性和鲁棒性。     

New track correlation algorithms in a multisensor data fusion system

In order to resolve the problem of track-to-track association in a distributed multisensor situation, this paper presents independent and dependent sequential track correlation algorithms based on Singer's and Bar-Shalom's algorithms. Based on sequential track correlation algorithm, the restricted and attenuation memory track correlation algorithms and sequential classic assignment rules are proposed. In this paper, these algorithms are described in detail. Then, the track correlation mass and multivalency processing methods are discussed as well. Finally, simulations are designed to compare the correlation performance of these algorithms with that of Singer's and Bar-Shalom's algorithms. The simulation results show that the performance of these algorithms proposed here is much better than that of the classical methods under the environments of dense targets, interfering, noise, track cross, and so on. Under the above situations, their correct correlation ratio is improved about 69 percent over the classical methods     

一种基于模糊遗传算法的多传感器多目标跟踪数据关联算法

基于模糊遗传算法发展了一种新的数据关联算法。数据关联的静态部分靠一个模糊遗传算法来得出量测组合序列和S-D分配的m个最优解。在数据关联的动态部分，将得到的S-D分配的m个最优解在一个基于多种群模糊遗传算法的动态2D分配算法中依靠一个卡尔曼滤波估计器估计出移动目标各个时刻的状态。这一基于分配的数据关联算法的仿真试验内容为被动式传感器的航迹形成和维持的问题。仿真试验的结果表明该算法在多传感器多目标跟踪中应用的可行性。另外，对算法发展和实时性问题进行了简单讨论。     

风场中基于神经网络的炸弹弹道落点拟合分析

介绍了两种炸弹弹道落点拟合神经网络模型,对各模型的优缺点以及处理结果进行了分析。提出了采用广义回归神经网络来处理炸弹弹道落点拟合问题,弹道的落点参数、初始投放条件与风场可通过神经网络的阈值和权值来表现。仿真结果表明,应用广义回归神经网络进行弹道落点拟合,具有算法可行性好、拟合精度高、速度快等优点,而且运算简单;该方法在实战中有很高的参考价值和工程实用价值。     

基于相位相关的部分可辨编队精细起始算法

针对部分可辨条件下编队目标的精细起始难题,提出了一种基于相位相关的部分可辨编队精细起始算法。首先,采用基于坐标映射距离差分的快速群分割与基于编队中心点的预互联对雷达量测进行预处理;然后,利用图像匹配中相位相关特性,将相邻时刻编队结构进行补偿对准,解决了低目标发现概率情况下的编队结构对准问题;最后,采用增加虚拟量测并后验判决的方式,结合最近邻法做编队航迹精细互联,在填补航迹缺失、增加正确航迹的同时抑制虚假航迹的产生。经仿真验证,与修正的逻辑法、基于相对位置矢量的灰色编队精细起始算法相比,本文所提算法在提高航迹正确起始率、抑制虚假航迹方面性能优势显著,且对环境杂波与雷达精度具有较好的鲁棒性,对目标发现概率具有较好的适应性。     

基于IGA算法优化的RBF神经网络应用

提出了一种基于改进遗传算法(Improved Genetic Algorithm,IGA)优化的径向基函数(RBF)神经网络,将实数编码的自适应交叉和变异操作的遗传算法与梯度下降法混合交互运算,作为RBF网络的学习算法,并应用于非线性函数的逼近和导弹故障模式的识别问题。仿真结果表明,基于IGA算法的RBF神经网络不仅结构简单,而且具有较好的网络泛化性能。