基于匈牙利概率数据互联的抗RGPO干扰跟踪方法

针对受距离门拖引(RGPO)干扰导致的雷达跟踪误差增大、航迹中断概率变高等问题,提出基于匈牙利概率数据互联的抗RGPO干扰跟踪方法。首先,分析RGPO干扰和雷达跟踪原理,将雷达抗干扰跟踪问题建模为邻近多目标跟踪问题。然后,设计假目标虚拟航迹起始算法,并在概率数据互联框架下引入匈牙利算法进行真假航迹交互修正,有效解决抗干扰跟踪时点迹-航迹错误关联、滤波发散等问题。最后,理论分析和仿真结果表明,与传统方法相比,所提方法在未受干扰时雷达跟踪性能保持不变,在受RGPO干扰时可有效提升目标跟踪精度、大幅降低航迹中断概率。

一种新的基于概率理论的概率数据互联滤波器

该文从理论上分析了用于目标跟踪的概率数据互联滤波器(PDAF)和联合概率数据互联滤波器(JPDAF)存在的不足,提出了一种新的概率数据互联滤波器(NPDAF)。NPDAF在数据关联时基于概率理论:一个测量可能源于目标,也可能源于杂波,但其源于目标的概率与其源于杂波的概率之和应为1。同时,给出了跟踪过程中NPDAF的数据互联模型及滤波器的实现方法。该实现方法首先计算测量与各目标的关联概率,然后用概率对跟踪滤波器的增益加以修正。仿真实验表明,在对多目标进行跟踪时NPDAF的性能优于JPDAF。

几种简化联合概率数据互联算法性能分析

针对最优联合概率数据互联算法复杂、运算量大的问题,目前提出了许多简化的联合概率数据互联算法。为了清楚地了解这些算法在不同环境下在跟踪精度、实时性等跟踪性能上的差异,对几种典型的简化算法进行了详细的性能分析。给出了简化算法的数学模型,然后从理论上对这些算法进行了优缺点比较,最后选取了多种典型的与实际工程背景相近的多目标运动环境,对几种比较有代表性的简化算法在这些环境下进行仿真实验,并根据仿真结果对它们各方面的性能进行综合分析。

集中交互式多传感器联合概率数据互联算法

为了解决杂波环境下多传感器多机动目标跟踪问题,本文提出了一种集中交互式多传感器联合概率数据互联算法。本文提出的算法首先应用广义S-D分配的规则对每个传感器送来的观测数据进行排列组合,并对所有的测量组合进行有效性判断,然后应用数据压缩的方法将每个有效量测组合压缩成一个等效量测点并根据每个等效量测点的联合似然函数计算其联合互联概率,最后在此基础上应用交互式多模型算法的思想以处理目标出现机动的问题。本文最后给出了该算法的分析,仿真结果表明,本文算法能够很好地解决杂波环境下多传感器多机动目标的跟踪问题。

修正的概率数据互联算法

阐明了概率数据互联(PDA)算法能很好地解决密集环境下的目标跟踪问题,在该算法基础上,人们又提出了联合概率数据互联(JPDA)算法和一些基于PDA的修正算法.在概率数据互联算法中,有一个很重要的参数就是杂波数密度(或波门内虚假量测期望数).然而在许多实际情况中,这个参数是很难获取的.针对这一问题,文中提出了一种修正的概率数据互联算法,该算法通过实时地调整这一参数来获得对目标较为准确的估计结果.最后,给出了算法的仿真分析.

集中式多传感器无极联合概率数据互联算法

针对杂波环境下非线性系统中的多传感器多目标跟踪问题,提出了一种集中式多传感器无极联合概率数据互联算法。该算法中,首先采用无极卡尔曼滤波器实现非线性系统中状态分布的传递,在此基础上应用联合概率数据的思想将单个传感器的量测点迹与航迹互联,最后推广至顺序结构。由于无极卡尔曼滤波器可以获得比扩展卡尔曼滤波算法更高精度的近似,因此能减少非线性模型线性化引起的近似误差对联合概率数据互联概率及状态估计的影响,与基于扩展卡尔曼滤波器思想的顺序多传感器联合概率数据互联算法相比,该算法具有更高的跟踪精度和稳定性,最后通过仿真结果验证了该算法的优越性。

一种近似的联合概率数据互联算法

提出了一种新的联合概率数据互联的算法。该算法针对传统的联合概率数据互联算法在产生互联假设事件时计算代价大的问题,提出了一种绕过互联假设事件的生成而直接计算量测和目标的联合概率的方法,通过仿真实验证明,该法在目标密集程度中等的杂波环境下,计算代价得到了大幅的降低,而关联精度仅有少许降低,能够适应工程的要求。

多传感器概率数据互联融合方法的分析和改进

以概率互联为核心 ,对多传感器数据融合的并行算法和串行算法问题进行了概括和分析 ,推导出了适合于计算机编程时使用的算法形式 ,并结合计算机仿真的过程和分析结果 ,对并行算法和串行算法提出了新的看法和观点 ,同时针对其不足 ,给出了一种改进方案。该方案经程序调试和验证后 ,获得了良好的运行效果。仿真表明 ,关于并行算法的传统看法是有欠缺的 。

利用幅值信息的超视距雷达多路径概率数据互联算法

天波超视距雷达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.多路径概率数据互联(MPDA)滤波器将坐标配准与概率数据互联相结合,解决了超视距目标跟踪中的多路径传播问题,但在杂波环境下滤波跟踪精度不高.文中提出了一种基于信号幅值特征信息的MPDA算法(A-MPDA),当跟踪单一的、存在4种可能非线性量测的非机动目标时,仿真结果表明所提出的算法比标准MPDA有更好的跟踪精度.

具有固定延迟平滑的交互多模型概率数据互联算法

为了提高杂波环境下跟踪机动目标的跟踪精度,文中将交互多模型概率数据互联(IMMPDA)和固定延迟平滑(LS)思想相结合,提出了一种具有固定延迟平滑的IMMPDA(IMM-LS-PDA)算法,通过引入延迟,增广了目标的状态向量,使得目标的固定延迟平滑状态估计更加准确。仿真结果表明,在杂波环境下对机动目标进行跟踪,单纯的IMMPDA算法的跟踪误差很大,并且在转弯机动处,误差出现峰值,算法的平稳性较差;而在进行固定延迟平滑后,算法的跟踪精度有了明显的提高。

杂波环境下雷达/红外融合跟踪的修正概率数据互联滤波算法

为解决杂波环境下转弯机动目标跟踪过程中的数据关联问题,提出了雷达/红外融合跟踪修正概率数据互联滤波算法。修正概率数据互联算法利用前一时刻目标的状态和转弯角速度,依据目标转弯机动能力及测量噪声等因素的影响,求出当前时刻转弯角速度变化范围,在转弯角速度变化范围内,求出与当前时刻每一测量值最匹配的转弯角速度、预测中心、新息协方差阵及权重系数,从而决定该测量在状态更新时的权重。仿真结果表明,雷达/红外融合跟踪修正概率数据互联滤波算法提高了跟踪精度,降低了航迹丢失率。

分布式多传感器联合Viterbi数据互联算法

为了提高分布式多传感器对密集杂波环境下多目标的跟踪效果,基于Viterbi算法的思想,研究了分布式多传感器联合Viterbi数据互联算法,并与顺序处理结构的集中式多传感器联合概率数据互联算法和分布式多传感器联合概率数据互联算法进行了仿真性能比较。经仿真验证,该算法能够在密集杂波环境下对目标进行有效跟踪,综合性能优于顺序处理结构的集中式多传感器联合概率数据互联算法和分布式多传感器联合概率数据互联算法。

多传感器顺序统计量不敏概率数据互联算法

针对非线性系统中杂波环境下的多传感器多目标跟踪问题,提出了一种多传感器顺序统计量不敏概率数据互联算法(MSOSUPDA)。算法首先根据顺序结构多传感器系统实现方法将研究问题转化为顺序处理多个非线性单传感器多目标跟踪问题,然后结合顺序统计量概率数据互联(OSPDA)的思想将单个传感器的量测点迹与多个航迹互联,在此基础上采用不敏卡尔曼滤波(UKF)实现非线性条件下目标状态估计与协方差的递推。与MSJPDA/EKF算法相比,算法具有更高的跟踪精度和稳定性,计算量明显减小。仿真结果表明,该算该发散率与耗时分别为MSJPDA/EKF算法的19%与70%,算法综合性能明显好于MSJPDA/EKF算法。

基于量测转换的交互多模型概率数据互联算法

针对雷达跟踪机动目标时,目标运动模型通常线性地建模在直角坐标系内,而量测数据由传感器获得的实际情况,提出了基于量测转换的交互多模型概率数据互联算法。推导了该算法中相关的滤波估计、滤波误差协方差和数据关联概率,并且提出了跟踪门的确定方法。仿真结果表明了新算法的可行性和有效性。

一种新的联合概率数据互联算法

点迹与航迹数据互联是多目标跟踪中迫切需要解决的问题。分析了目前解决数据互联问题的方法与最新研究成果，建立了一个多目标数据互联模型，提出了一种新的联合概率数据互联算法，最后给出了计算机仿真结果。

多传感器数据融合系统中联合概率数据互联算法的研究

概述了多传感器数据融合系统中的联合概率数据互联算法,给出了MSJPDA的两种处理结构,分析了其算法的复杂度。并在此基础上,结合B.Zhou提出的直接概率计算和近似概率计算的方法,提出了一种基于近似聚的近似概率数据互联算法(MSJPDA),通过仿真研究以及和最近邻法所做的比较表明,该方法确实能提高在密集情况下的数据融合精度,算法耗时与最近邻法相差不大,精确度接近完全概率互联算法。

基于概率数据互联滤波器的序列图像微弱点状运动目标跟踪技术

概率数据互联滤波器(PDAF)最早由Bar-Shalom等人提出,被广泛的应用于雷达目标跟踪等领域中.本文在分析序列图像中微弱点状运动目标的运动特性后,根据概率数据互联滤波器的基本思想,推导了在序列图像情况下对微弱点状图像运动目标的跟踪算法.理论及实验结果表明,在序列图像情况下概率数据互联滤波器能够在保持跟踪实时性的同时,提供较高的跟踪精度.

基于杂波密度估计的联合概率数据互联算法

联合概率数据互联(JPDA)算法能很好地解决密集环境下的多目标跟踪问题。在该算法基础上,人们又提出了多传感器联合概率数据互联(MSJPDA)算法和一些基于JPDA的修正算法。在联合概率数据互联算法中,有一个很重要的参数就是杂波数密度(或波门内虚假量测期望数),然而在许多实际情况中,这个参数是很难获取的。针对这一问题,提出了一种修正的联合概率数据互联算法,该算法通过实时地调整这一参数来获得对目标较为准确的估计结果。最后,给出了算法的仿真分析。

一种新的联合概率数据互联算法

点迹与航迹数据互联是多目标跟踪问题中迫切需要解决的问题.分析了目前解决数据互联问题的方法与最新研究成果,建立了一个多目标数据互联模型,提出了一种新的联合概率数据互联算法,实现了微机仿真并给出了仿真结果.

一种面向互联概率加权的JPDA多传感器数据融合方法

针对单传感器联合概率数据互联(Joint Probabilistic Data Association,JPDA)在复杂环境下难以跟踪多个目标的问题,提出一种基于JPDA量测目标互联概率统计加权并行式和序贯式多传感器数据融合方法。首先,给出单传感器JPDA算法。然后,介绍多传感器JPDA数学模型,基于这一模型,使用互联概率加权,推导并行式和序贯式多传感器数据融合公式,这对多传感器数据融合有一定指导意义。最后,对单传感器JPDA方法在不同杂波密度、不同过程和不同观测噪声下目标跟踪的距离RMSE进行仿真,结果表明,随着这3项指标皆增大,目标距离RMSE增大;同时,对本文的2类多传感器JPDA方法与其他几类跟踪方法在数据集PETS2009下有关行人跟踪性能进行仿真,结果表明,本文并行式和序贯式多传感器JPDA方法相较于其他方法在跟踪准确性、跟踪位置准确性、航迹维持以及航迹遗失上皆为最优,而且序贯式融合略优于并行式多传感器JPDA。