基于统计双门限的中断航迹配对关联算法

针对现有经典的中断航迹关联算法在目标密集、航迹交叉或分岔环境下关联正确率低和实用性差的问题,该文提出了基于统计双门限的中断航迹配对关联算法。该算法引入统计双门限原理,增加了x2分布门限检测的关联样本数,对复杂环境具有更强的适应能力。仿真验证表明,在空中飞行目标航迹交叉环境和弹道目标环境下,该文算法的全局正确关联率和平均正确关联率均比经典算法有显著提高,验证了该算法性能的优越性。

应用K-means聚类的分布式多传感器航迹关联算法

针对分布式多传感器航迹关联的特点,考虑采用K-means聚类的航迹关联算法。将来自各传感器的局部航迹与系统航迹进行关联,并将系统航迹作为初始聚类中心,避免了K-means算法本身依赖初始值的缺陷;提出将系统航迹与局部航迹的欧式距离以及其状态向量在1范数下的距离之和作为相似度测度;设定距离门限值,减少了极端数据对聚类结果的影响,并增加多义性处理。蒙特卡洛仿真实验表明,该算法在目标密集并且目标有交叉的情况下能以较小的代价得到较高的平均正确关联率。同时,该算法克服了最近邻域法的局部最优特性和关联正确率高度依赖特征阈值等局限性。

基于贪心策略的多目标跟踪数据关联算法

针对多目标跟踪中数据关联问题,提出一种新的数据关联方法,该算法先计算航迹和点迹的欧式距离以及其状态向量的在1范数下的距离,并将两者的和作为关联测度,构建关联概率矩阵.根据关联概率矩阵,对每条航迹都找到最适合(关联概率最大)的点迹,若点迹只是一条航迹的候选点迹则予以更新,若点迹是多条航迹的候选点迹,则选择其中概率最高的一条航迹予以更新.蒙特卡罗仿真表明,该算法在最大程度上保证了对每条航迹更新的点迹尽量是当前所有点迹中最优的点.

基于高斯过程的航迹片段关联算法

在恶劣战场环境下,目标航迹极易中断并形成大量零碎片段,对航迹管理和态势估计产生了严峻挑战。传统的航迹片段关联算法在假设的先验模型和实际运动模式不匹配时,性能大幅下降。针对这个问题,提出一种基于高斯过程的航迹片段关联算法。利用高斯过程对目标的状态转移函数非参数学习,通过对中断区间的量测进行训练将航迹新旧片段分别回溯和预测至关联时刻。采用假设检验和二维分配技术对航迹片段进行关联和配对。在整个中断区间,通过高斯过程将配对后的新旧航迹进行航迹缝合。仿真结果表明,在目标先验模型与实际运动模式不匹配时,所提算法能有效提高航迹正确关联率和航迹寿命。

基于改进遗传算法的多传感器航迹关联

针对传统航迹关联算法存在收敛速度慢、关联正确率低、运算量随传感器节点数的增加而呈指数增加的问题,对传统遗传算法的编码、选择规则和交叉变异等环节提出了相应的改进策略,然后在加权法统计量的基础上,利用改进遗传算法对结果进行优化,将多传感器多目标航迹关联问题转化为多维分配问题求其最优解。最后对所提方法与多种航迹关联算法进行仿真对比,结果表明该方法能有效解决两局部节点和多局部节点下的航迹关联问题,且所提算法具有较高的关联准确性和较快的收敛速度,充分体现了改进策略的有效性。