基于GPDA-IMM和时间管理的相控阵雷达多目标跟踪算法

多功能相控阵雷达具有灵活性强、跟踪能力强的优势。为了提高相控阵雷达目标跟踪器精确度,进行相控阵雷达能量调节和任务执行的科学管理,通过合理调整机动目标和非机动目标的回访率,进而实现搜索、跟踪时间资源管理。设计了广义概率数据关联-交互式多模型(Generalized Probability Data Association-Interacting Multiple Model, GPDA-IMM)算法,GPDA运算量小,IMM综合了无迹和容积卡尔曼滤波和粒子滤波多模型滤波的特点,且优化权重因子,达到了较好跟踪性能。最后,通过仿真平台模拟8个运动目标的现实场景,结合时间管理和目标跟踪调整回访率,进行大量的仿真实验,证明了算法对不同目标类型和机动状态的有效性和实用性。

软入软出联合迭代GPDA多用户检测方法

从近最优检测的多天线多电平正交调幅条件下的广义概率数据关联(GPDA)算法出发,把多入多出(MIMO)系统的GPDA算法与码分多址(CDMA)中的多用户联合检测相结合,得到了软入软出(SISO)的GPDA加前向信道解码(FEC)的迭代多用户检测方法.该方法利用外部信息的传递进行干扰抵销并进行联合解码和判决.计算机仿真验证了此算法可以以较低的复杂度获得近似最大似然单用户接收机的误比特率性能.

SGPDA-STF及其在水下多目标纯方位跟踪中的应用

针对广义概率数据关联(GPDA)算法存在计算量大、对系统模型变化鲁棒性差等问题,首先提出了简化广义概率数据关联(SGPDA)算法,然后把SGPDA算法与强跟踪滤波器(STF)算法相结合得到基于简化广义概率数据关联的强跟踪滤波器(SGPDA-STF)。SGPDA在不降低精度的条件下,大大降低了计算量。STF通过实时调节增益矩阵,增强了算法的鲁棒性。SGPDA-STF兼具STF鲁棒性强,SGPDA计算量小的优点。进行了水下杂波环境下单站多目标纯方位跟踪的仿真实验,实验结果证明了SGPDA-STF算法在鲁棒性和计算量方面都优于传统的GPDA-EKF算法。

一种改进的广义概率数据关联跟踪算法

对于多目标跟踪问题,最近提出的全局次优的广义概率数据关联算法(GPDA)由于其新颖的可行性划分规则和较小计算存储需求而受到广泛关注。本文提出了一种基于广义联合事件分割组合的新关联算法。它通过引入目标的方向性信息,在基于新规则划分后,对进入有效域的传感器量测估计值权重系数进行调整,从而使最终的估计值更准确,关联精度得到进一步提高。利用该改进算法对杂波环境下多目标跟踪进行仿真实验,结果表明提出的关联算法继承了原有算法的优点,同时用较小的计算代价使得跟踪性能得到较大改善。

基于MHT模型的毫米波雷达车辆检测方法

为了在智能车辆系统中检测前方车辆,该文提出了一种基于多假设跟踪(Multiplehypothesis tracking,MHT)模型的车辆检测方法。首先在多假设跟踪模型下,定义毫米波雷达量测集合与目标集合的对应关系,采用广义概率数据关联算法提取量测集合中的有效目标,从而得到有效目标集合。利用概率树模型估算目标的出现概率来维护检测的目标集合,保留稳定的检测结果。实验结果表明:该方法对于远近距离下和较差环境下黑夜灯光的前方车辆达到了准确的检测效果,克服了基于视觉的车辆检测方法对目标距离和环境光线敏感的缺点,同时在目标的保持维护上也取得了良好的效果。

CDMA中的QAM调制迭代PDA联合检测方法

为提高检测器性能并在检测器和信道解码器之间充分利用已知信号信息,多天线系统的广义概率数据关联检测算法被推广到多用户联合检测中。基于Turbo迭代原理,通过基于此算法的迭代多用户检测器和多电平正交调制以及软入软出的前向纠错编码的结合,提出一种软入软出的广义概率关联算法与软入软出的信道解码方法有机结合的新型迭代多用户检测方法。该方法利用外部信息在检测器与解码器之间的交换,进行干扰抵消并进行联合解码和判决。计算机仿真显示该方案收敛所需的迭代次数比传统的使用线性最小均方误差的联合检测解码方案少5次左右,且其误比特率性能接近最大似然接收机的性能。

两种多目标数据关联算法的性能研究

数据关联是多目标跟踪的一项关键技术。JPDA是大家公认的多目标跟踪中性能较好的数据关联算法,它认为量测和目标是一一对应的关联关系,但在许多实际情况中,量测和目标是多-多对应的关系。针对上述情况,该文提出了广义概率数据关联算法(Generalized Probability Data Association,GPDA)。文中从理论上对这两种算法的性能进行了详细分析,并利用Monte Carlo技术对其性能进行了仿真比较。

红外凝视系统下改进的广义概率数据关联跟踪算法

广义概率数据关联算法作为一种全局次优的数据关联算法,以其新颖的可行性划分规则和较少的计算存储需求引起了人们的广泛关注。为了进一步提高数据关联的精度,从红外凝视系统中目标的特点出发,利用目标方向差和灰度变化因子的概念,得到了量测在目标方向和灰度约束下的互联概率;结合GPDA算法得到的基于距离信息的互联概率,利用加权和的方式即可得到引入方向信息和灰度信息约束后的新的互联概率。该算法不仅充分利用了原GPDA算法的优点,而且通过方向和灰度约束降低了错误关联的概率,使得关联精度得到了进一步的提高。通过该算法与原GPDA和JPDA算法对杂波环境下多目标跟踪性能的对比分析,可以得出该算法在继承了原GPDA算法的基础上,以较小的计算量代价使得跟踪性能得到的很大的改善。

多目标跟踪中基于特征辅助的概率数据关联算法

在传统的多目标跟踪系统中,数据关联仅利用了那些与目标状态向量直接相关的信息。在此提出了一种基于广义概率数据关联(GPDA)的新的关联算法即特征辅助跟踪(FAT)算法。该算法同时利用了目标的特征信息和状态信息进行数据关联,较好地解决了在密集杂波环境下对近目标的跟踪问题。最后以目标的一维距离像信息为例进行仿真,仿真结果表明,所提出的算法使跟踪性能优于传统的概率数据关联。

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。