幅度信息辅助的海面低空多目标多假设跟踪算法

在海面低空多目标跟踪场景下,由于受到海杂波的影响,多假设跟踪算法会生成大量虚假航迹并发生航迹中断。针对此问题,提出一种基于幅度信息辅助的海面低空多目标多假设跟踪算法。首先,算法采用先验的信杂比信息,通过设置幅度门限区分出目标回波量测与杂波量测;然后,利用回波量测的幅度信息修正多假设跟踪算法中的航迹得分,提高数据关联的准确度;最后,针对跟踪处理后出现的航迹中断问题,采用图模型方法实现航迹粘连。仿真实验结果表明,文中提出的算法能够有效降低海杂波的影响,减少虚假航迹与中断航迹的产生。

幅度信息辅助的认知雷达跟踪波形选择

为提升认知雷达跟踪性能,提出了一种幅度信息辅助的认知雷达跟踪波形选择算法。首先,讨论了认知雷达跟踪波形参数选择的框架,其次,分析了幅度辅助跟踪概率数据关联的性能,提出了波形参数选择的方法;最后,结合交互式多模型无迹卡尔曼滤波器(Interactive Multiple Model Unscented Kalman Filter,IMMUKF)提出了幅度信息辅助的认知雷达跟踪波形选择算法。仿真结果表明,所提算法能有效提升目标跟踪性能,同时减少了目标跟踪丢失概率。

一种利用幅度信息的航迹质量评估方法

提高虚警概率可提高弱目标的探测性能,但却会产生过多的虚假航迹,为此提出了一种利用幅度信息的航迹质量评估方法,以进一步区分目标航迹和虚假航迹.首先根据单个点迹的幅度信息给出单个点迹的质量评估函数;而后基于航迹质量评估时间窗内的点迹质量计算航迹质量;最终根据航迹质量完成航迹确认、航迹维持以及航迹撤销.仿真实验表明,所提方法在高虚警概率环境下,能够以严格的航迹质量标准获得较高的航迹确认概率和航迹维持概率,并具有较低的航迹撤销概率,意味着弱目标探测性能的提升.

结合幅度信息的粒子滤波机动目标被动跟踪

为提高杂波条件下的机动目标被动跟踪的性能,提出了一种新的粒子滤波目标被动跟踪算法。在声纳的输出端,提取信号的幅度信息(AI),建立多模型对转弯机动目标进行状态估计,以粒子滤波算法作为基本跟踪滤波算法,将AI与概率数据关联(PDA)算法中的似然比相结合,详细推导了结合AI的粒子滤波目标被动跟踪算法(PF-AI)实现的具体过程。在同一被动目标跟踪场景,同时使用单纯PDA算法、结合辅助信息的PDA算法和PF-AI进行被动跟踪仿真,分析了轨迹跟踪性能,并使用均方根误差比较了误差性能。仿真结果表明,与两种基于PDA的跟踪算法相比,PF-AI具有更高的跟踪精度,且算法易于实现。

基于幅度信息的标签多伯努利滤波算法

杂波环境下,现有多目标跟踪滤波器会出现性能衰减。对此,提出了基于幅度信息(amplitude information,AI)的广义标签多伯努利(generalized labeled multi-Bernoulli,GLMB)滤波算法(AI-GLMB)。通常杂波幅度低于目标回波幅度,通过引入幅度信息对目标状态进行扩展,建立幅度似然函数,推导新的更新方程,并给出了算法的序贯蒙特卡罗实现方法。仿真结果表明,AI-GLMB算法能有效适应高杂波环境,同幅度信息辅助的概率假设密度滤波算法、幅度信息势平衡多伯努利滤波算法及传统GLMB滤波算法相比,其跟踪精度更高。

一种利用信号幅度信息的光学传感器像平面GM-PHD滤波算法

针对光学传感器像平面多目标跟踪应用,基于有限集统计学理论(Finite Set Statistics,FISST)提出一种利用信号幅度信息的高斯混合概率假设密度(Gaussian Mixture-Probability Hypothesis Density,GM-PHD)滤波算法。该算法通过建立信号幅度似然函数将幅度信息引入到PHD的递推公式中,首先根据光学传感器的特点对输出的信号幅度进行建模,然后分别计算来源于目标和杂波的信号幅度似然函数,在目标信噪比未知的情况下给出一种替代计算方法,最后采用高斯混合方式实现该算法。仿真结果表明,本文提出的算法相比仅利用量测位置信息的PHD滤波器能够显著提高多目标跟踪性能和计算效率,而且在目标信噪比未知时同样具有稳定的性能。

幅度信息辅助的多机动目标跟踪算法

针对密集杂波下现有的多机动目标跟踪算法计算量大且性能严重衰退的问题,提出了联合幅度信息的多模型标签多伯努利(AI-MM-LMB)滤波器。首先,对目标状态进行扩展,引入幅度信息;然后,建立幅度信息及位置信息的联合量测似然函数;最后,基于MM-LMB滤波器框架,给出新的更新方程。仿真实验结果表明:低杂波下,AI-MM-LM算法同MM-LMB算法跟踪性能相当;高杂波下,AI-MM-LMB算法性能明显优于MM-LMB算法。

一种幅度信息辅助多伯努利滤波算法

在许多多目标跟踪场景中,目标返回的幅度通常强于虚警杂波返回的幅度。通过建立更加准确的包含幅度信息的目标和虚警杂波似然函数,可提高多目标估计精度。该文提出一种基于随机有限集的幅度信息辅助多伯努利滤波(Amplitude Information Assistant Multi-Bernoulli Filter,AIA-MBer F)算法。该算法通过建立幅度似然函数将幅度信息引入到多伯努利滤波的更新过程中,并给出针对线性和非线性模型的高斯混合(Gaussian Mixture,GM)和序贯蒙特卡洛(Sequential Monte Carlo,SMC)实现方法。仿真结果表明,该滤波算法相比于传统多伯努利滤波(Multi-Bernoulli Filter,MBer F)无论GM还是SMC实现都可获得更加准确稳定的目标数和对应的目标状态估计。

基于幅度信息的海上多目标稳健跟踪方法

提出了一种基于海杂波中目标幅度信息的稳健多伯努利滤波器,利用海杂波和目标的幅度信息改进量测似然,当目标与杂波相距较近时,能够更好地区分目标和杂波,提升对海探测环境下雷达的多目标跟踪性能。通过在K分布海杂波环境下对SwerlingⅠ型起伏目标的跟踪实验,证明了所提方法具有比稳健多伯努利滤波器更优的多目标势估计、状态估计和杂波率估计性能。

基于阵元接收信号幅度信息的频域盲分离排序算法

排序模糊性问题是影响频域盲源分离算法分离性能的主要原因之一。对于提出了一种新的解决频域盲源分离排序模糊性问题的算法。该算法通过提取阵元接收信号每个频率点上的幅度衰减信息,采用k-means聚类算法将线性分离算法所得分离信号进行归类,来解决排序模糊性问题。该排序算法对阵列阵元排布方式,阵元间距等没有特殊的要求,并且适用于任意数量混合信号的盲分离系统。仿真实验证实了这种开发阵元接收信号幅度衰减信息的排序算法在绝大多数频率点上有效地解决了排序模糊性问题,是一种计算量相对较小而又简单有效的排序算法。

结合幅度信息的扩展目标随机有限集跟踪方法

基于随机有限集的扩展目标跟踪方法通常根据量测的空间信息进行量测划分,在杂波密集环境下有可能将杂波量测划入目标单元,从而造成跟踪性能的下降。为此,该文将目标和杂波的幅度信息引入高斯逆威沙特概率假设密度(GIW-PHD)滤波器,通过计算量测子集的幅度似然寻找最优的量测划分方法。此外,计算量测单元的中心时,采用幅度加权的方法计算量测单元的质量中心,以取代目前广泛使用的几何中心,从而进一步降低杂波对滤波器的干扰。在信杂比分别为13 dB和6 dB的条件下,通过对Rayleigh杂波中Swerling 1型起伏目标的跟踪结果证明了所提方法相比高斯逆威沙特概率假设密度滤波器具有更优的势估计和状态估计性能。

回波幅度信息辅助的群目标航迹起始方法

航迹起始是群目标跟踪的首要环节,其性能好坏直接影响着目标跟踪航迹的质量。传统的群目标航迹起始方法仅利用目标的位置信息完成分群检测和等效量测求解等步骤,没有充分利用回波幅度信息,存在分群检测不理想、等效量测求解不准确等问题,有可能引起失跟现象。针对此问题,该文提出一种回波幅度信息辅助的群目标航迹起始方法。首先利用目标位置信息和幅度信息完成分群检测,然后综合采用幅度加权和位置加权求解等效量测,最后基于修正的逻辑法进行群目标航迹起始。该文方法在分群检测和求解等效量测等步骤充分利用了回波幅度信息,不仅可以在集群数量未知的情况下正确划分群,而且降低了失跟率,提高了群目标的跟踪性能。仿真结果验证了所提方法的有效性。

幅度信息辅助的GM-PHD-UKF弱小多目标跟踪算法

针对弱小目标雷达散射面积小、回波能量弱、在跟踪过程中虚警杂波数较多,容易产生误跟、漏跟的问题,提出了一种幅度信息辅助的无迹高斯混合概率假设滤波(GM-PHD)算法。该算法通过建立弱小目标与虚警杂波的幅度似然函数,利用幅度信息提升目标与杂波的识别度,改善多目标的状态估计与势估计。此外,该算法还使用无迹卡尔曼滤波(UKF)进行扩展,以适应非线性的跟踪情况。仿真结果表明,相比于传统的高斯混合概率假设滤波,所提算法拥有更佳的多目标状态估计与势估计性能。

舰炮无线电引信典型空中目标信息的提取和利用

根据对弹目交会过程中实际测得的多普勒信号波形以及理论推导 ,分析典型空中目标回波信号的特点 ,研究舰炮无线电引信典型空中目标多普勒信息提取和利用问题 .提出了一种舰炮无线电引信信号处理电路的设计思想 ,该设计思想能充分利用回波信号的幅度信息和频率信息 ,使信息处理和抗干扰能力达到一种新的水平 .

基于计算机高速信号采集及处理技术的全频带中波广播调幅度高精度测试系统

传统调幅度测试检波电路中使用电感、电容等非线性元器件,在调幅度的测试结果上必然会带来较大误差,因此,使用电脑高速采集及信号处理技术,对已调波进行全数字化分析及处理,以得到高精度的调幅度值。

相关扰动中多普勒信息的提取

充分利用多普勒信号中的频率信息,是改善常规对空无线电引信炸点控制能力的有效手段。但由于近区体目标效应和其他噪声干扰的影响,多普勒频率将在予期值附近起伏波动。为了利用多普勒频率信息,必须能在短暂的弹目交会过程中从噪声中提取出有用的信号。本文论述了如何利用微处理器和数字信号处理技术,从体目标效应所造成的相关扰动中,实时地提取出多普勒频率信息,从而获得弹目交会参数,为实现常规引信的自适应控制创造条件。

雷达抗自卫转发式航迹假目标欺骗干扰技术

在杂波背景下,传统的自卫转发式航迹假目标欺骗干扰识别方法的正确识别率较低,且利用单一信号特征鉴别真假目标的正确鉴别率较低。针对此问题,提出了一种新的抗自卫转发式航迹假目标欺骗干扰技术。首先,使用常规多目标跟踪算法消除杂波的影响,然后利用基于目标状态估计的角度检验和N/M逻辑准则判断雷达是否遭受自卫转发式航迹假目标欺骗干扰。若存在干扰,则提取目标信号的幅度和相位量化信息,使用多级模糊综合评判对真假目标进行联合鉴别。该技术对自卫转发式航迹假目标欺骗干扰正确识别率较高,能有效剔除形成稳定航迹的假目标。仿真结果验证了该技术的可行性和有效性。

速度拖引干扰和杂波背景下脉冲多普勒雷达目标跟踪算法

针对在速度拖引干扰和杂波背景下脉冲多普勒(PD)雷达无法精确跟踪目标的问题,该文提出基于双模型(DM)和幅度信息(AI)的目标跟踪算法。分别建立基于位置、幅度量测的跟踪模型和基于位置、速度、幅度量测的跟踪模型。两个模型均使用基于幅度信息的概率数据互联(AI-PDA)尽可能地降低杂波的影响,然后使用常规方法进行滤波估计。若没有速度拖引干扰,则两个模型估计具有位置和速度上的相关性;若存在干扰,由于速度量测是虚假的,则两个模型估计不具有相关性。据此,进行卡方检验(chi-square test),分析影响检验结果的因素,进而确定最终的估计结果。仿真验证了该算法的有效性。

一种改进的ART2网络学习算法

分析了现有ART2网络存在的问题,提出了一种改进的ART2算法。该算法首先利用样本数据自身来初始化权值,然后按照同一类中的数据点到其聚类中心的距离之和越小(即类内偏差越小),聚类效果越好的原则来设计特征表示场和类别表示场之间的权值修正公式,最后通过比较输入样本和聚类中心的模来有效地利用模式的幅度信息。分析证明了该算法不仅能有效解决模式漂移问题、充分利用幅度信息,而且能提高聚类速度。

ART-2神经网络的研究与改进

ART-2神经网络可以很好地应用于模式识别中的聚类问题,但是由于其算法结构中固有的归一化环节,在处理数据过程中丢失了非常重要的幅度信息。在分析这一不足的基础上,提出两种改进算法,同时给出了相应的实验结果。