针对多普勒雷达杂波环境下的多机动目标跟踪,提出了一种基于去相关无偏量测转换序贯滤波的多模型高斯概率假设密度算法。针对量测的非线性,将位置量测进行无偏量测转换,将多普勒量测进行去偏量测转换,并通过序贯滤波方式提高跟踪精度。...针对多普勒雷达杂波环境下的多机动目标跟踪,提出了一种基于去相关无偏量测转换序贯滤波的多模型高斯概率假设密度算法。针对量测的非线性,将位置量测进行无偏量测转换,将多普勒量测进行去偏量测转换,并通过序贯滤波方式提高跟踪精度。针对多目标的机动性,在高斯混合概率假设密度(Gaussian mixture probability hypothesis density,GMPHD)中引入多模型思想对模型相关的高斯分量进行预测、更新处理。仿真结果显示,所提算法可以在杂波环境中实现有效的机动多目标跟踪,与无迹卡尔曼多模型GMPHD相比不仅跟踪精度提升了38.15%,而且大大改善了算法效率;与无迹卡尔曼最适高斯近似GMPHD相比,在效率上有小幅度的增加,且跟踪精度提升了36.47%。展开更多
文摘针对多普勒雷达杂波环境下的多机动目标跟踪,提出了一种基于去相关无偏量测转换序贯滤波的多模型高斯概率假设密度算法。针对量测的非线性,将位置量测进行无偏量测转换,将多普勒量测进行去偏量测转换,并通过序贯滤波方式提高跟踪精度。针对多目标的机动性,在高斯混合概率假设密度(Gaussian mixture probability hypothesis density,GMPHD)中引入多模型思想对模型相关的高斯分量进行预测、更新处理。仿真结果显示,所提算法可以在杂波环境中实现有效的机动多目标跟踪,与无迹卡尔曼多模型GMPHD相比不仅跟踪精度提升了38.15%,而且大大改善了算法效率;与无迹卡尔曼最适高斯近似GMPHD相比,在效率上有小幅度的增加,且跟踪精度提升了36.47%。