多特征信息融合的中心群跟踪算法

传统的中心群跟踪(CGT)算法通过跟踪群的几何中心来实现对群整体运动的估计,但当存在杂波时,群目标的空间分布会受到杂波干扰,使群的中心位置受到影响,导致跟踪误差增大。文中基于多特征信息融合的思想,利用传感器获得的电磁辐射特征信息,将运动状态信息与时、频域特征信息进行融合,通过比较相关波门内的量测值与预测值之间的关联度,以达到滤除杂波的效果,完成对群中心的状态估计。仿真结果表明,文中算法在均方根误差和平均有效量测点数等方面相比传统算法有所改善,证明了算法的有效性。

自适应关联波门机动群目标跟踪算法

为解决中心群跟踪(CGT)算法中由于群机动造成的量测丢失、估计误差增大的问题,提出了一种基于自适应关联波门的机动群目标跟踪算法。首先,将CGT算法与交互式多模型(IMM)算法结合,并利用最新量测信息对IMM算法中的转移概率矩阵进行实时修正。其次,设计了一种用于整体机动和分离机动的自适应关联波门,根据机动时刻模型的新息协方差对其进行自适应调整,确保量测点迹进入波门。仿真结果表明,所提算法一方面减小了传统固定转移概率矩阵带来的估计误差,将优势模型的平均概率由0.58增加到了0.7;另一方面,设计的自适应关联波门有效解决了目标机动带来的有效量测减少的问题,相比于传统波门,目标失跟率减少了30%,具备工程实用性。

一种用于空间群目标分辨的滑动窗轨迹跟踪算法

针对大多数现有的微多普勒分析理论难以解决空间群目标的监测与识别问题,本文提出一种基于提取目标运动特征的弹道中段群目标分辨方法。首先建立了多个具有滑动散射中心的旋转对称目标模型并得到其m-D曲线,在此基础上,利用形态学图像处理方法抑制一维距离像旁瓣,然后提出了一种滑动窗轨迹跟踪的方法分离出各散射点相互交叉的m-D曲线,再对分离结果进行经验模式分解(Empirical-Mode Decomposition,EMD),最后通过提取能够反映目标运动特征的固有模态函数(Intrinsic Mode Function,IMF),实现了群目标分辨。仿真实验校验了所提方法的可行性和鲁棒性。