多雷达多目标航迹跟踪法

提出了一种改进的模糊极小极大(FuzzyMin-Max,FMM)神经网络算法,并结合无师训练FMM神经网络的聚类,给出了一种基于FMM神经网络的多雷达多目标航迹跟踪方法.仿真实验结果表明,这种方法能够有效地完成多雷达多目标的数据融合,并较好地实现了多雷达多目标的航迹相关.

雷达多目标在数字地图下高速显示

针对大批量雷达目标在数字地图下的高速、实时上图的要求,提出一种实时高速上图方法,可满足高速、高精度目标上图的需要,该方法同时适用于民用大批量GPS目标的上图。

基于LOSPA的雷达多目标跟踪性能评估技术

分析比较了传统雷达多目标跟踪性能评估方法和Hausdorff距离、OMAT距离、OSPA距离等综合度量评估方法的优缺点,详细推演了LOSPA距离的理论及计算过程,并在此基础上设计实现了一种基于LOSPA距离的雷达多目标跟踪性能评估方法,通过仿真对比分析了GNN+KF跟踪算法和MHT+IMM跟踪算法的LOSPA距离、标记误差和位置误差,验证了该方法的正确性和有效性。

一种新型多雷达多目标粒子滤波检测前跟踪算法分析

当多个雷达在检测不同目标的时候离目标间距越近会出现的目标点击偏移,问题就会越明显。为了避免这种偏移的情况出现了一种新型的跟踪算法,这种算法采用双层粒子滤波结构,对于一个目标进行跟踪时根据不同权重粒子分布情况筛选出有害的粒子并且对空出的粒子位置进行填补避免跟踪粒子群中心偏移的情况来避免目标点迹偏移问题的发生。根据实验结果表现总结来看,这种方法可以有效的避免目标点击偏移问题,而且此算法可以基于每个雷达的量来计算粒子的权重,再根据个别雷达产生的杂波与权重值差别较大的结果来排除个别雷达的测量失误。这样就可以在多个雷达对不同目标进行检测时可以更好地进行目标点迹,检测目标的精确度大大提高。

一种新型多雷达多目标粒子滤波检测前跟踪算法分析

当多个雷达在检测不同目标的时候离目标间距越近会出现的目标点击偏移,问题就会越明显。为了避免这种偏移的情况出现了一种新型的跟踪算法,这种算法采用双层粒子滤波结构,对于一个目标进行跟踪时根据不同权重粒子分布情况筛选出有害的粒子并且对空出的粒子位置进行填补避免跟踪粒子群中心偏移的情况来避免目标点迹偏移问题的发生。根据实验结果表现总结来看,这种方法可以有效的避免目标点击偏移问题,而且此算法可以基于每个雷达的量来计算粒子的权重,再根据个别雷达产生的杂波与权重值差别较大的结果来排除个别雷达的测量失误。这样就可以在多个雷达对不同目标进行检测时可以更好地进行目标点迹,检测目标的精确度大大提高。

基于选择回溯的相控阵雷达-目标分配算法

针对多雷达多目标场景下现有雷达-目标分配算法中存在传感器切换率过高、算法耗时过长的问题,文中提出一种基于选择回溯的雷达-目标分配方法。该方法首先根据目标位置、雷达散射截面积大小等信息计算下一时刻雷达能够稳定跟踪目标的概率;选择其中概率较高,即失跟风险较低目标并直接沿用上一时刻分配结果以降低算法计算量;对概率较低,即失跟风险较高目标进行重新分配以提高跟踪稳定性;在分配过程中,当雷达资源出现饱和时采用“回溯”操作对已分配目标进行再分配以提高算法性能。仿真实验表明,与传统分配方法相比,所提方法能充分利用上一时刻分配结果,兼顾考虑了算法性能与复杂度,综合性能较优。

多目标跟踪雷达技术在交通态势感知中的应用

本文介绍了多目标跟踪雷达技术在交通态势感知中的应用,通过雷达事件检测器感知车辆状态数据,获取实时经度、纬度、速度等信息,支持与视频同步显示:通过多目标的相关性分析,识别停车、逆行、行人、应急车道占用及抛洒物等多种异常事件,支持联动发布告警信息:同时支持对雷达事件检测器的状态监控、图上定位与配置维护。

基于多目标跟踪雷达的交通信息检测与分析

随着城市化发展,道路上行驶的机动车日益增多,需要能够对出行车辆进行合理检测和管控,保证通行效率。文章提出一种基于多目标跟踪雷达的交通信息检测与分析系统,通过采集覆盖范围内运动车辆的X、Y位置坐标,X、Y方向速度及方位角度,对所有目标实时跟踪并分析计算车辆距离、速度、车长、车型、车道号等基本特征数据,在ARM数据处理模块中进行交通状态信息算法计算,输出车流量、平均速度、占有率、超速、停车、逆行、变道等交通信息。

多站多目标雷达数据融合

多站多目标跟踪是雷达数据融合的主要问题。提出了一种对测量数据聚类,在类间进行数据融合,之后基于目标的融合状态,采用强跟踪滤波器(STF)对多目标进行跟踪。利用上述方法,进行了各种态势下的仿真实验。

解析解混沌雷达系统的多目标测距

针对传统混沌雷达对多目标测距困难的问题,提出了一种建立在解析解系统上的混沌雷达多目标测距方法。该方法使用解析解混沌系统中的连续信号作为雷达发射信号,并把解析解混沌系统中的二值离散序列经移位寄存器保存在雷达接收端,通过保存的二值离散序列能够准确重构雷达发射信号模板。使用该模板和回波信号进行匹配滤波,通过匹配滤波输出信号的峰值得到待测目标的距离。该方法能够在-10 d B信噪比条件下实现多目标测距,且雷达接收端因为只需保存二值离散信号所以需要的存储空间小,实现过程成本低廉。仿真实验验证了提出方法的有效性。

基于LSTM子网络聚合的雷达TWS跟踪

为了提高雷达TWS跟踪的准确性和时效性,解决在高密度杂波环境下传统跟踪算法性能大幅下降和模型依赖问题,论文提出了一种免模型、纯数据驱动、端到端学习的雷达多目标跟踪框架和基于长短期记忆网络(LSTM)子网络聚合的雷达TWS跟踪方法。该方法将含噪声的量测通过数据关联子网络,在多目标、杂波和漏检情况下可正确输出与已跟踪目标的关联矩阵;并通过轨迹预测子网络预测和更新机动目标的运动轨迹;最后使用航迹管理子网络来管理航迹生命周期。通过仿真实验证明了该方法的可行性,与传统TWS跟踪算法相比,该方法具有更高的跟踪精度和关联正确率,而且不依赖复杂的先验运动模型和杂波分布知识。

重排算法在多目标雷达信号分辨中的应用

本文使用 15年前由柯德锐等人首次在谱图中使用 ,并经弗朗克斯等人改进并推广的重排算法。对多目标雷达信号进行架次识别 ,此重排算法简单且极易实施 ,在重排后失去双线性时 ,却保持了其他许多可取特性 ,并换回了对Chirp信号和冲击信号的准确定位 ,针对编队多目标雷达信号的线性调频特点 ,利用此重排算法在权衡能量聚集性和消重排振荡的同时 ,实现了对编队多目标雷达信号的分辨。

多目标测量雷达实景仿真训练系统研究与实现

为能在测量雷达使用环境下进行捕获跟踪目标仿真训练,研究设计了多目标测量雷达实景仿真训练系统。该系统嵌在雷达中,雷达主控机送出目标运动轨迹、特性参数和控制命令,多目标信号仿真器产生中频目标仿真信号,信号合成板将仿真信号与实际背景反射信号合成后送中频接收机,合成信号经处理后送A/R显示器显示,供操作手捕获目标训练使用。经试用有效提高了操作手在杂波背景下快速识别目标和捕获目标的能力,并能预测雷达对预定航路上目标的捕获跟踪情况。

一种基于ZYNQ与AD9361的多目标雷达信号模拟器的设计与实现

在雷达系统设计初期难于验证后端系统的功能,因此研制雷达模拟器就变得尤其重要。本文介绍了一种基于ZYNQ与AD9361的多目标雷达模拟器,从设计原理和设计实现两个方面描述了设计实现的过程。雷达信号模拟器是雷达技术发展的必然产物,可以通过模拟产生雷达所需的信号,在雷达设计初期就可以验证雷达系统的功能,缩短雷达系统设计周期。近年来随着数字技术的迅猛发展,雷达信号模拟器的功能越来越完善,性能也有大幅度的提高。

多目标测量雷达在常规靶场中的应用与发展

本文着重讨论现阶段多目标测量雷达在常规兵器试验靶场(简称常规靶场)中的应用与发展。

多目标跟踪阵列雷达交通事件检测系统的应用研究

文章基于多目标跟踪阵列雷达的性能及特点,设计出一套适应于广西南友高速公路特殊环境下的高速公路交通事件检测系统。该系统具有信息采集、事件检测、违法抓拍及报警、走私路口异常检测等功能,能有效打击不法分子走私行为,降低事故发生率,提升高速公路运营管理水平。

驼峰多目标测速雷达的研制与应用

基于行业领先的多目标雷达测速技术,研制一种新型驼峰测速雷达,其高频部分采用微波集成电路(MMIC),取代传统的微波组件;中频部分采用专用雷达微处理器进行数字信号处理,取代传统的模拟电路;采用调频连续波(FMCW)工作制式,实现对多溜放车组的多维参数测量,具备抗邻道干扰、抗雨水干扰、低速测量稳定、高温工作稳定、单台雷达同时测量两股道等优越性能。

多雷达数据互联算法研究

组网雷达系统作为C4ISR的重要组成部分,其多雷达多目标数据互联问题一直是研究的重点。对单雷达多目标数据互联问题进行了扩展,建立了融合中心的多雷达多目标数据互联问题的数学模型,并设计了推广的联合概率数据互联求解算法(MSJPDA),实现了一种扩展的联合概率数据互联滤波器。以雷达网多目标跟踪为应用背景,对算法和滤波器进行了仿真,结果证明了算法的可行性和有效性。

多目标雷达测速仪模拟测试方法研究

本文研究一种基于多目标雷达测速仪的模拟检测方法,以提高测速仪的检测准确率和稳定性。介绍多目标雷达测速仪的原理和应用场景。详细讨论了模拟检测方法的设计思路和流程,并阐述了其优点和局限性。通过实验验证了该方法的有效性,并分析了实验结果。提出了未来研究的方向和建议。

基于微波雷达回波信号的智能车道划分方法

利用多目标交通测速雷达进行交通执法时,只有正确地判断出车辆所在的车道,抓拍照片才能作为交通执法的依据。传统的分车道方法主要通过人工测量的固定阈值以及坐标系旋转的方法来达到车道划分的目的,但这种方法误差较大并且不易于操作。基于统计和密度特征的核聚类算法(K-CSDF)分两步进行:首先对雷达获取的车辆数据进行特征提取,包括基于统计特征的阈值处理和基于密度特征的动态半径提取;然后引入基于核的相似性的动态聚类算法对筛选出的有效点进行聚类。通过和高斯混合模型(GMM)算法以及自组织映射神经网络(SOM)算法进行仿真对比表明:当只取100个有效点进行聚类时,K-CSDF和SOM算法能达到90%以上的分车道正确率,而GMM算法不能给出车道中心线;在算法用时上,当取1000个有效点时,K-CSDF和GMM算法用时均小于1 s,可以保证实时性,而SOM算法则需要2.5 s左右;在算法鲁棒性上,K-CSDF对不均匀样本的适应性优于这两种算法。当取不同数量的有效点进行聚类时,K-CSDF可以达到95%以上的平均分车道正确率。