多模型GM-CBMeMBer滤波器及航迹形成

提出了一种可适用于杂波环境下对多个机动目标进行跟踪并能形成多目标航迹的多模型势平衡多目标多伯努利(Cardinality balanced multi-target multi-Bernoulli,CBMeMBer)滤波器.随后,在多机动目标时间演化模型和观测模型均为线性高斯的假设条件下利用高斯混合(Gaussian mixture,GM)技术获得了该滤波器解析的递推形式—多模型GMCBMeMBer滤波器,并简要给出了它在非线性条件下的扩展卡尔曼(Extended Kalman,EK)滤波近似.仿真实验结果表明所建议的多模型GM-CBMeMBer滤波器能有效地对多个机动目标进行跟踪而单模型GM-CBMeMBer滤波器则会产生明显的航迹丢失和虚假航迹,并且对于信噪比较低的仿真场景,它的性能优于多模型高斯混合概率假设密度(GM probability hypothesis density,GM-PHD)滤波器,接近于多模型高斯混合势概率假设密度(GM cardinalized PHD,GM-CPHD)滤波器.

多阵列水下多目标跟踪的分布式算法研究

针对水下单水听器阵列探测范围受限、目标定位和跟踪性能不足问题,论文提出一种基于匹配场定位量测模型的分布式多目标联合定位与跟踪方法。在各阵列节点选取匹配场模糊函数大于设定阈值的峰对应的坐标作为量测,结合势平衡多伯努利(Cardinality Balanced Multi-Bernoulli,CBMB)滤波,滤除噪声干扰,解决常规匹配场定位方法低信噪比导致的跟踪精度下降的影响。在分布式网络架构下,利用广义协方差交集(Generalized Covariance Intersection,GCI)融合法则,序贯融合每个阵列节点与其邻近节点各自滤波后的多目标后验概率密度,以充分利用不同阵列节点的量测信息,提高水下多目标的跟踪精度。由于融合的是多目标后验概率密度而非量测集本身,改善了集中式融合处理的高通信负担问题。仿真实验结果证明,与单水听器阵列目标跟踪算法相比,经分布式融合后,多次蒙特卡洛实验下的平均最优子模式分配(Optimal Subpattern Assignment,OSPA)距离显著下降,多目标的状态和数目的跟踪精度有所提升。在系统通信负担和单节点计算负担大幅降低的情况下,可达到与集中式融合处理相当的跟踪精度。