基于PCRLB的低轨星座对自由段多目标的多传感器调度算法

研究了低轨星座跟踪自由段目标背景下的多目标多传感器调度问题。论述了自由段目标运动模型和星载红外传感器测量模型。考虑到目标出现的时空不确定性,面向系统的跟踪性能,建立了基于突发事件和滚动周期的调度框架以及调度与跟踪的闭环结构。基于此,建立了调度的具体算法。特别地,以调度周期内系统的信息增量最大化为目标,详细设计了基于PCRLB的调度策略性能指标。仿真验证了算法的可行性、优越性以及在动态环境中的适应性。

滑坡多点数据融合中的多传感器目标跟踪技术应用

目前的滑坡预报模型只能利用一个关键监测点的监测数据,而不能同时利用多个监测点的监测信息。为了克服选取关键监测点的人为性以及充分利用滑坡多个监测点的信息,针对滑坡具有机动的特性,提出了利用多传感器目标跟踪融合技术来处理滑坡多个点的监测数据的方法,分析了其可行性,并用实例说明了提出的方法在实际应用中是有效的。

基于DSmT的多传感器目标识别

在总结已有的冲突证据合成方法的基础上,提出了基于DSmT的多传感器目标识别方法。仿真表明,DSmT在系统存在伪证据(干扰)时仍然能够有效快速地识别出目标。

预警探测中的多传感器多目标分配

针对多传感器多目标分配中传感器对目标的配对函数难以确定的问题,结合预警探测作战场景,提出传感器对目标的配对能力由传感器间的协同系数、"信息价值"函数和"信息代价"函数3部分共同决定,通过对传感器探测能力及现有目标信息的分析比较,计算出了传感器对目标的配对能力值,并以传感器对目标分配的综合效能最大为目标函数,构建了适用于预警探测的分配模型。仿真结果表明,所提方法合理、有效,分配方案简单、可行。

传感器网络中基于压缩感知的压缩域目标跟踪算法研究与应用

复杂环境下传感器网络目标跟踪,存在跟踪准确性与算法复杂性这对矛盾,需要考虑准确性、通信和计算能耗之间的折中。针对此问题,研究传感器网络中基于压缩感知的压缩域目标跟踪和压缩域数据融合,并提出了用稀疏的测量矩阵对haarlike特征压缩,压缩域特征送入朴素贝叶斯分类器,在压缩域直接实现目标跟踪的算法。然后通过配置传感器网络以生成多个层次类型不同的簇结构,压缩后的数据在网络中传输,并在各层簇头实现压缩域下的数据融合。该算法通过稀疏测量矩阵压缩表征原始图像信息和分类器的自我学习更新,提高了对压缩域目标特征分类的准确性,在复杂环境下有更好的鲁棒性。而压缩域直接进行目标跟踪,不需要重构图像,也减少了网络运算量和数据传输量。通过仿真实验和标准数据库测试对比以及在机器人足球赛实验平台中的应用表明,该算法在跟踪准确性,数据传输量及传输能耗上均有优势。

基于全局最优的被动多传感器多目标轨迹关联算法

多目标轨迹关联问题是天基光学跟踪系统的核心和难点之一。传统的分布式轨迹关联方法基于目标的3维轨迹信息,不适用于被动传感器的2维轨迹关联问题。为此,该文以倾角差为统计检验量,建立轨迹统计检验模型,提出基于全局最优思想的轨迹关联算法,并用密集多目标场景进行算法的蒙特卡罗仿真。结果表明,该轨迹关联算法性能优良,可以有效完成密集目标环境下的被动多传感器多目标轨迹关联任务。

一种基于预测的目标跟踪传感器网络数据近似存储查询策略

节能问题是传感器网络设计的一个关键问题,在对目标跟踪传感器网络中的目标位置信息进行存储和查询处理时,也必须通过较低的通信代价来降低消息复杂度,从而达到节能的目的。分析了现存的一些数据存储和数据分发的方法,针对EASE方法查询误差较大的问题,提出了基于预测的近似查询的存储策略(Prediction-based Energyconserving Approximate StoragE,P-EASE),并就EASE方法查询未考虑选择恰当的存储节点的问题,提出了一种基于地理位置的择优查询(Optimal Query)策略。使用半随机步行移动模型和随机路点移动模型进行了仿真实验,比较了P-EASE与EASE算法的消息量、消息复杂度、平均消息复杂度和查询误差。仿真实验证明,P-EASE比EASE查询更精确、能量更高效。

多传感器多目标定位与跟踪技术研究

针对炮兵打击目标的特性和获取目标信息所采用的侦察设施 ,研究了多传感器多目标定位和跟踪问题。在闭圆和聚类概念的基础上 ,提出了一种多传感器多目标融合算法 ,并给出了状态估计的最优解。仿真结果证明了这种算法的有效性。这一模型的物理实现正在进一步研究之中。

应用多传感器目标跟踪融合技术实现滑坡多点监测数据综合信息的提取

目前的滑坡预报模型只能利用一个关键监测点的监测数据,而不能同时利用多个监测点的监测信息,即只能处理一维时间序列问题.为了解决这个技术难题,本文将滑坡视为一个机动目标,将对滑坡的监测视为对机动目标的跟踪,提出了利用多传感器目标跟踪融合技术来处理滑坡多个点的监测数据的方法,分析了其可行性,并用实例说明了本文提出的方法在实际应用中是有效的.

基于协同memetic PSO算法的传感器-目标分配问题求解

传感器-目标分配问题是防空系统传感器管理的一项重要研究内容。对面向跟踪的防空系统传感器-目标分配问题进行了研究,结合主客观分配原则,利用0-1整数规划模型对问题进行了建模,约束主要考虑传感器的跟踪能力和目标的被执行跟踪容量。构造了一种协同memetic粒子群优化(particle swarm optimization,PSO)算法,分别采用PSO算法和邻域搜索算法作为全局搜索和局部搜索。为了在粒子位置矢量中反映出传感器组合,根据问题设计了一种特殊的粒子编码方法。最后通过仿真实验验证了算法的合理性和有效性。

多传感器多目标跟踪的JPDA算法

传统的联合概率数据关联算法(JPDA)是在密集杂波环境下的一种良好的多目标跟踪算法,但它是针对单传感器对多目标跟踪的情况下使用,不能直接用于多传感器对多目标的跟踪。针对这一问题,文中提出了一种适用于多传感器多目标跟踪的JPDA算法,它以极大似然估计完成对来自多传感器的测量集合进行同源最优分划,然后采用JPDA方法对多目标进行跟踪。经过理论分析和仿真试验,证明了该方法能有效地进行多传感器多目标的跟踪,且具有算法简单、跟踪精度高、附加的计算量小等优点。

多传感器目标跟踪航迹关联技术及应用

多传感器目标跟踪是信息融合技术在目标跟踪领域的应用范例。航迹关联是其中的关键技术之一。本文分析了多种航迹关联算法 ,提出一种将最近邻法与chi-square分布相结合 ,通过计算统计均值选择航迹的关联方法。

纯方位被动多传感器多目标跟踪算法

多传感器多目标跟踪中的数据关联问题是目标跟踪领域中的难点及核心。若传感器是只有角度量测的被动传感器,关联问题则变得更为复杂。针对纯方位多被动传感器系统的多目标跟踪问题,提出了一种基于高斯-厄密特滤波的动态多维分配方法。首先建立了直角坐标系下多被动传感器的高斯-厄密特滤波模型;在该模型的基础上,采用多维分配问题的思想,直接建立各传感器角度量测与目标角度预测值的候选关联组合,并将其进行动态地分配,提高了关联效率。仿真实验表明,该方法可以实时、高效地解决多被动传感器系统中的数据关联问题,并且能够对多目标进行稳定的跟踪。

多传感器高斯混合PHD融合多目标跟踪方法

针对复杂环境下单传感器多目标跟踪方法效果不佳的问题,基于FISST(Finite set statistics)跟踪理论提出一种多传感器高斯混合PHD(Probability hypothesis density)多目标跟踪方法.首先,分析了FISST下多传感器PHD的形式化滤波器,在此基础上构建一种反馈式多传感器PHD融合跟踪框架;进一步利用高斯混合技术提出多传感器PHD跟踪方法;最后,通过解决多传感器后验PHD粒子匹配与融合问题提出三种算法.仿真实验表明,与常规高斯混合PHD跟踪算法相比,本文所提算法能够有效提高目标跟踪精度和鲁棒性.

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。

基于最近邻的集中式多传感器多目标跟踪算法

经典的集中式多传感器多目标跟踪算法通常计算量较大，经常难以满足系统的实时性要求，工程上实现起来比较困难，为进一步扩大集巾式多传感器的应用范嗣，使其在对算法实时性要求较高、跟踪精度要求较小的实际场合中广泛应用。文章基于最近邻域思想，研究了并行处理结构的集中式多传感器最近邻域算法，并从算法跟踪精度、实时性、有效跟踪率3个方面对其与经典的顺序多传感器联合概率数据互联算法进行了仿真比较。经仿真验证，并行处理结构的集中式多传感器最近邻域算法实时性提高了60％以上，且在跟踪背景杂波适中的情况下能够有效跟踪目标。

一种杂波环境下的多传感器多目标数据关联算法

研究了多传感器多目标的数据关联问题,提出了杂波环境下多传感器多目标跟踪的极大似然关联算法.算法中考虑了传感器对目标的漏检情况,在各个观测站传感器的观测数据不完备的情况下,建立了传感器测量与目标的可行关联分配模型,并综合采用了假点的后验概率比模型,提高了多传感器对同一目标测量的互补性和对弱信号目标的跟踪精度.理论分析和仿真实验结果表明,所提出的算法可实现杂波环境下对弱目标的持续跟踪,并且在确保航迹关联性能和较好跟踪效果的基础上,降低了算法的运算量.

一种基于HMM的多传感器多目标快速跟踪算法

在分布式多传感器系统中 ,一种基于隐Morkov模型的检测与跟踪算法得到了应用。该算法的优点在于适用于机动目标模型 ,且对目标的观测噪声未加任何限制。但由于该模型中所采用的Viterbi算法计算量大 ,实时性较差 ,因此提出了一种自适应算法以减少Viterbi算法中的冗余状态 ,有效地克服了其计算量大的缺点。实验表明 ,在相同的多目标跟踪仿真环境下 ,自适应Viterbi算法可以有效提高计算速度 。

基于协同Memetic自适应QPSO算法的传感器-目标分配问题求解

对复杂防空作战环境下的传感器-目标分配(sensor target assignment,STA)问题进行了研究,建立了基于识别、跟踪、定位多阶段综合作战效能的分配模型。针对该模型,首先基于粒子群聚集度和进化度判断,对传统量子粒子群(quantum particle swarm optimization,QPSO)算法进行了改进,提出了自适应QPSO算法。然后,结合多粒子群协同和Memetic搜索策略,提出了基于协同Memetic自适应QPSO算法的STA求解方法。同时,为使粒子位置矢量反映分配方案,依据不同战场环境设计了两种特殊的粒子编码方案。最后通过仿真实验验证了所提算法的有效性。

多传感器目标识别和火力分配群决策算法

针对多传感器目标识别的群决策问题,考虑到多目标威胁程度评价指标属性的模糊性,首先将多传感器目标评价属性的定量、定性描述指标统一转化为三角模糊数,充分利用三角模糊数性质构建群决策函数,实现定量指标与定性指标的规范化处理,在此基础上提出一种基于加权矩阵排序的三角模糊数多传感器目标识别的群决策算法,实现对多传感器目标的威胁程度的综合评估。最后,通过多传感器目标评估实例分析并证明了算法的可行性和有效性。同时实验发现该算法对于多属性、多评价者的群体决策具有优势,且不易受外界参数变化的影响。