基于高斯混合势化概率假设密度的脉冲多普勒雷达多目标跟踪算法

为在新兴的随机有限集(RFS)框架下充分利用多普勒信息跟踪杂波环境下的多目标,该文提出基于高斯混合势化概率假设密度(GM-CPHD)的脉冲多普勒雷达多目标跟踪(MTT)算法。该算法在标准GM-CPHD基础上,在使用位置量测更新状态后,再利用多普勒量测进行序贯更新,可获得更精确的似然函数和状态估计。仿真结果验证了该算法的有效性,表明在GM-CPHD基础上引入目标的多普勒信息可有效抑制杂波,显著改善跟踪性能。

抗“飞点”的UKF-GMPCPHD滤波算法

为实现被动测角目标状态和数目的实时估计,在高斯混合粒子(Gaussian mixture particle,GMP)的势化概率假设密度(cardinalized probability hypothesis density,CPHD)滤波框架下,提出了基于抗"飞点"无迹卡尔曼滤波器(unscented Kalman filter,UKF)的GMPCPHD滤波算法,即抗"飞点"的UKF-GMPCPHD滤波算法。在该算法中,粒子滤波的重要性采样函数由抗"飞点"UKF产生,粒子的预测与更新采用拟蒙特卡罗(quasi-MonteCarlo,QMC)方式,目标状态的概率假设密度(probability hypothesis density,PHD)和势分布用一组高斯粒子滤波器(Gaussian particle filtering,GPF)近似。通过该算法与GMPCPHD、UKF-GMPPHD滤波算法的对比仿真,验证了该算法良好的跟踪性能。

基于CPHD的PD雷达多目标检测前跟踪方法

针对强杂波背景下传统多目标检测前跟踪方法目标数目估计误差大、状态估计精度严重下降的问题,基于势化概率假设密度(CPHD)滤波理论提出一种多普勒雷达多目标检测前跟踪(TBD)方法.该方法在建立脉冲多普勒雷达多目标TBD观测模型的基础上,通过推导基于多普勒量测及具有幅度信息的扩维CPHD预测和更新方程,对目标状态和数目进行估计.在CPHD更新时,首先对目标位置更新,然后序贯使用多普勒量测进行二次更新,并采用高斯混合(Gaussian mixture)近似方法实现,提高估计精度和准确性.仿真结果表明,该方法可有效抑制杂波,实现对多个目标的跟踪.