基于最大熵模糊概率数据关联的室内定位算法

无线传感器网络(wireless sensor network,WSN)由多个微传感器节点组成,定位技术是无线传感器网络技术的重要应用之一。目前,许多定位算法在视距(line of sight,LOS)环境下定位精度较高,但在非视距(non line of sight,NLOS)环境下的定位精度较差。为了解决这一问题,提出一种改进的基于到达时间的最大熵模糊概率数据关联算法。采用分组的思想将N个测量值分为L组,每组通过交互式多模型(interactive multi model,IMM)算法获得相应的移动节点位置估计、模型概率和协方差矩阵。然后将得到的L个位置估计,通过验证门进行非视距检测,丢弃被非视距误差污染的位置估计,利用相应的关联概率对正确的位置估计进行加权得到最终的位置估计。仿真和实验结果表明,与现有方法相比,该算法可以减轻非视距误差的影响,实现更高的定位精度。

基于改进联合概率数据关联的AUV定位算法

基于水下无线传感器网络的位置估计是解决水下自主机器人定位问题的有效方法,然而由于水下无线传感器网络中的传感器节点一般部署在开放水域中,外来的恶意节点在基于到达时间的网络信道中注入恶意噪声延迟会对定位精度产生不利影响。针对这个问题,本文提出了一种改进联合概率数据关联算法。首先,我们考虑了一种异构的网络架构,包括水面浮标节点、水下信标节点和待定位的AUV目标节点,并获取网络架构中信标节点和AUV之间的距离测量;然后,我们设计了一种基于矩阵相似度的恶意噪声识别机制,识别并丢弃受恶意噪声污染的距离测量,并且对检测为未受到恶意噪声污染的距离测量进行分组,利用最小二乘法完成对AUV的初步定位;接着,为了丰富所得到的样本测量点以提高AUV的定位精度,我们在预测点以及检测出未受到恶意噪声污染的测量点的附近生成一系列服从高斯分布的虚拟测量;最后,对这些测量点进行数据关联处理与更新,完成对AUV目标节点的精确定位。仿真结果表明,所提出的定位方法与其他工作相比,在有恶意噪声攻击的情况下仍能保持较好的定位精度。

改进的联合概率数据关联算法(JPDA)对红外目标与诱饵的辨别

红外诱饵干扰作为常见的影响红外跟踪能力的干扰手段发展的越来越先进,如何有效的排除红外诱饵的干扰一直是红外目标跟踪的难题。文中在研究了红外目标与诱饵干扰的特征差异的基础上,首次提出了将多目标跟踪策略应用于红外抗干扰跟踪中,建立了一种可以融合多个特征的改进型联合概率数据关联(JPDA)的数据关联算法。最后,利用该算法对抗干扰过程进行了仿真,仿真结果表明:与现有的抗干扰手段相比,该数据关联方法对解决红外干扰形成的假目标、目标遮挡等红外目标识别的难题,不仅实时性好,而且准确率高。

基于证据理论的联合概率数据关联算法

数据关联是目标跟踪技术中的核心部分,多目标情况下的数据关联技术更是研究的重点,由于多目标量测之间的互相干扰、外部环境干扰以及传感器性能等客观因素的约束,使得量测信息部分存在着相应的量测误差,密集环境中的多目标跟踪比较困难。针对这个问题,提出的新算法利用联合概率数据关联方法进行密集杂波环境下的数据关联,结合证据理论的思想对多传感器量测信息进行优化组合,有效地减小了量测误差对跟踪目标的影响。通过仿真结果可以看出,改进算法大大提高了跟踪精度,并具有良好的抗干扰能力,适用于解决工程实际问题。

联合交互式多模型概率数据关联算法

通过对交互式多模型（ＩＭＭ）算法和概率数据关联（ＰＤＡ）算法的研究，指出Ｂａｒ－Ｓｈａｌｏｍ和Ｂｌｏｍ等提出的ＩＭＭＰＤＡ算法结构和理论上存在的问题。根据全局最优的思想，设计了一个最优波门，从而得到全局最优的量测集合，保证了系统的理论完整性和结构合理性。推导完成了新的联合ＩＭＭＰＤＡ算法——Ｃ－ＩＭＭＰ－ＤＡ算法。大量仿真计算验证了Ｃ－ＩＭＭＰＤＡ算法在减少计算量的同时，总体性能上较之原ＩＭＭＰＤＡ算法有大幅度提高。

基于距离加权的概率数据关联机动目标跟踪算法

为了提高杂波环境下机动目标跟踪的实时性和精确性,在概率数据关联算法的基础上,引入距离加权的概念,以区分来自于目标的量测概率和来自于杂波的虚假概率,在一定程度上提高了概率数据关联算法在密集杂波环境下的非机动目标的跟踪性能.针对机动目标的跟踪,提出了一种适用于密集杂波环境下的联合交互式多模型概率数据关联跟踪算法,该算法利用距离加权的概率数据关联算法进行滤波.模拟实验结果表明:该算法可以在一定程度上提高密集杂波环境下机动目标跟踪的性能,能够更加有效、可靠地实现机动目标跟踪的目的.

无源跟踪中基于灰关联信息融合的概率数据关联算法

在无源跟踪中,传统的概率数据关联算法(PDA)单纯依据状态量测信息.该文提出了一种基于多特征信息融合的概率数据关联算法,该算法利用目标多个特征信息(状态量测、载频、PR I等),通过灰关联分析的方法,计算有效观测与目标的关联概率,进而在信息融合的基础上,进行目标状态更新估计.该算法与传统的PDA相比有两个优点,第一,关联概率的计算量小、计算更准确;第二,该算法利用了目标多特征信息,因此,关联性能更好.实验表明,基于该算法的无源跟踪性能明显优于NN方法和传统的PDA方法.

一种简化的联合概率数据关联算法

从分析联合概率数据关联(JPDA)算法的确认矩阵入手,建立了计算聚概率矩阵的近似公式,并根据聚概率矩阵中元素的大小,重新定义了新的确认矩阵,使可行联合事件的数目显著减少,有效地解决了联合概率数据关联算法可行联合事件过多、计算负荷过大以及实时性能差的问题。理论分析和MonteCarlo仿真表明,该算法具有较大的工程应用价值。

一种改进的联合概率数据关联算法

联合概率数据关联算法(JPDA)是密集杂波环境下一种有效的多目标跟踪算法,但该算法的复杂度会随着目标和观测值的增加而显著增长。为了减少JPDA算法所需要的存贮空间和计算时间,提出了一种改进的联合概率数据关联算法(I-JPDA)。首先通过合理选取跟踪门门限的阈值,去除小概率事件,然后再根据跟踪门内目标的关联概率对关联事件的概率密度值进行衰减,计算出跟踪门内各目标的关联概率。经过理论分析和仿真试验,证明了该方法在保证跟踪成功率的同时,还具有算法简单、计算量小和易于工程实现等优点。

基于概率数据关联的地形辅助导航算法

地形辅助导航是解决惯性导航系统定位误差随时间不断增大的缺点重要方法之一,论文在分析概率数据关联滤波器的基础上,提出了一种基于概率数据关联滤波的新的地形辅助导航算法。算法把满足一定条件的相关值作为滤波器的有效量测,把飞行器的位置作为状态,建立了基于概率数据关联的地形辅助导航模型,利用概率数据关联滤波算法计算飞行器的位置坐标。仿真结果表明该算法的正确匹配率、均方根误差和圆概率误差均优于TERCOM算法。

基于幅值信息的联合概率数据关联粒子滤波算法

针对非线性非高斯环境下多目标被动跟踪的低可观测问题,将粒子滤波、联合概率数据关联和量测的幅值信息相结合,提出了一种基于幅值信息的联合概率数据关联粒子滤波算法。将联合概率数据关联算法中的关联似然与幅值似然比相结合,利用粒子滤波算法进行跟踪滤波,用幅值量测来改善低可观测条件下的目标跟踪性能。仿真结果表明,该算法提高了数据关联的可靠性和目标跟踪的精度。

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。

基于交互式自适应概率数据关联的目标跟踪算法

在联合交互式多模型概率数据关联思想的基础上,将自适应滤波算法应用到概率数据关联滤波器中,提出了一种适用于杂波环境机动目标跟踪的新算法—交互式自适应概率数据关联(Interactive Multiple Models Adaptive Probabilistic DataAssociation—IMM-APDA)算法,避免了模型选取的不确定性,扩大了机动目标的跟踪范围,实现了杂波环境中对目标较高精度的状态估计.理论分析与仿真结果验证了该算法的优越性,提高了目标跟踪精度.

修正概率数据关联算法的研究

根据“全邻”数据关联算法的基本思想,采用关联城内回波似然函数的归一化处理,考虑关联城内所有回波的信息,对Fitzgerald提出的简化概率数据关联(SPDA)算法进行修正,得到修正概率数据关联(MSPDA)算法.理论分析和Monto Carlo仿真表明了该算法的有效性.为了能应用于多机动目标的跟踪.采用一种有效的交互式多模型自适应机动目标跟踪算法与MSPDA算法结合,对多个机动目标的交叉、编队进行仿真,得到了较好的结果.

改进联合概率数据关联的视频多目标快速跟踪

针对监控范围较大、目标外观特征少的视频多目标数据关联及跟踪问题,本文仅利用目标运动特征,提出了一种基于联合概率数据关联(joint probabilistic data association,JPDA)的复杂情况下视频多目标快速跟踪方法.首先采用murty算法求JPDA的最优K个联合事件,大大降低了计算复杂度;然后根据JPDA的关联概率讨论目标的运动情况,分析在多目标新出现、遮挡、消失、分离(前景检测存在目标碎片)等复杂情况下当前帧量测与跟踪目标的数据关联问题,获取复杂运动的多目标跟踪轨迹.在多个监控视频上的实验结果表明,该方法能大大提高跟踪性能,实现复杂情况下的视频多目标快速跟踪.

基于改进交互多模型概率数据关联的机动目标跟踪（英文）

为了提高杂波条件下的空中机动目标跟踪精度,提出了一个改进的交互多模型概率数据关联算法。该算法将交互多模型、去偏转换测量和概率数据关联算法相结合,利用交互多模型算法模型集合间不同模型的相互切换来估计跟踪目标的状态;利用去偏转换测量算法对转换测量误差进行去偏补偿,从而减小观测数据坐标变换引起的误差;利用概率数据关联算法处理数据关联和测量的不确定性。通过将本文的算法和基于扩展卡尔曼滤波的概率数据关联算法进行对比分析和验证,实验结果表明本文提出的算法可以提高机动目标的跟踪精度,且跟踪精度相对基于扩展卡尔曼滤波的概率数据关联算法减少26.38%的位置误差。

联合概率数据关联中双门限跟踪算法研究

基于拟方向的基本思想 ,提出了一种方向跟踪门 ,并给出了此方向跟踪门的具体构造方法。将椭圆跟踪门和方向跟踪门相结合 ,获得了基于双门限的跟踪算法 ,以此来减少可行联合事件的个数 ,达到降低联合概率数据关联计算量的目的。对此跟踪方法进行了仿真研究 ,给出了仿真结果 ,并对如何减少可行联合事件的个数进行了实例验算。

简化概率数据关联算法

基于所有落入目标关联域内的点迹并不都与目标关联的事实，提出了一种新颖的工程概率数据实用算法——基于聚矩阵分解的概率数据关联算法。仿真结果表明该算法具有计算量小。

基于改进概率数据关联滤波的红外小运动目标跟踪

在跟踪弱小运动目标过程中,低信噪比和高虚警率使得即使是在波门内也存在较多的虚假目标,加大目标识别的不确定性,降低跟踪的可靠性和精度。该文分析了红外成像系统中目标信号特点,根据概率数据关联滤波的思想,提出了一种基于目标幅度连续性和运动一致性的弱小目标跟踪识别方法,重点比较了极大似然.概率数据关联滤波和改进算法的目标识别与跟踪性能。理论分析和实验结果表明,该方法较大程度上减少了弱小目标跟踪过程中测量点与航迹关联的不确定性,提高了目标识别与跟踪性能。

一种改进的多传感器多目标跟踪联合概率数据关联算法研究

联合概率数据关联(JPDA)算法对单传感器多目标跟踪是一种良好的算法,但对于多传感器多目标跟踪的情况,特别是目标较为密集时,计算量剧增,会出现计算组合爆炸现象。因此,提出了一种改进算法,即对多传感器多目标量测进行同源划分,将多传感器对多目标的跟踪问题简化为单传感器对多目标的跟踪问题,然后将JPDA当作一种组合优化问题,采用连续型Hopfield神经网络求解关联概率。经仿真研究表明,该方法不仅克服了JPDA算法在多传感器多目标跟踪问题中的缺陷,还提高了跟踪精度。