基于改进动态关联的多目标无源跟踪算法

针对状态-状态动态关联算法关联精度差,计算量大等缺点,提出了基于状态-量测动态关联的多目标只测角无源跟踪算法。该算法在航迹起始后,将目标状态估计直接与下一时刻由静态量测-量测数据关联确定的S元量测进行关联,利用二维分配算法得出关联对后,通过不敏卡尔曼滤波算法对关联出的方位角集合进行非线性滤波从而实现对与之关联目标的状态更新。仿真结果表明所提多目标跟踪算法能有效关联不同时刻源于同一目标的S元量测从而实现多目标跟踪且适合目标数目变化的情况,具有较好的工程应用前景。     

多传感器远距离空中目标跟踪精度分析

本文主要研究了非线性系统中多传感器的位置对远距离空中目标跟踪精度的影响。通过理论分析和仿真发现,非线性系统中多传感器的合理放置可以大大提高对目标的跟踪精度。     

机动目标无源跟踪IMM-MKF算法

为提高运动多站对机动目标的无源跟踪性能,提出了一种新的基于交互式多模型-边缘化卡尔曼滤波(IMM-MKF)的机动目标跟踪算法。该算法将交互式多模型(IMM)结构和边缘化卡尔曼滤波(MKF)结合,利用MKF算法对每个模型进行滤波,对滤波结果进行交互作用来得到跟踪结果。以只测角机动目标跟踪为例对所提算法进行仿真分析,仿真结果表明,相对于采用扩展卡尔曼滤波(EKF)、不敏卡尔曼滤波(UKF)及容积卡尔曼滤波(CKF)算法的典型交互式多模型算法,所提算法具有更好的跟踪性能。     

基于模糊推理的目标跟踪

介绍了模糊推理的基本原理，方法及其在目标跟踪中的应用，给出了一个目标跟踪问题模糊处理的原理，从中可以看出，模糊逻辑把原本非常复杂的数据关联和航迹形成问题大大简化了，它还可以方便地将非位置测量信息同位置测量信息综合起来并加以利用。     

非线性系统中多传感器目标跟踪性能分析

主要研究了非线性系统中二维平面上的目标跟踪问题.在非线性系统中分析了传感器的测量精度和目标到传感器的距离的关系是如何限制两传感器和目标所成的夹解对两部同类型同精度的传感器的的融合跟踪精度的影响的.通过理论证明和仿真得出,在一定的条件下,通过调整两传感器和目标所成的夹角可以大大地提高对目标的跟踪精度.这对多传感器融合目标跟踪具有理论指导意义.     

密集杂波环境下的机动目标跟踪算法

针对密集杂波环境下的机动目标跟踪问题提出了一种新的算法,即交互式多模型数据关联算法。基本思路是利用概率数据关联处理多余回波,同时利用交互式多模型算法处理目标的机动问题,而且将机动目标“当前”统计模型引入其中,将它们结合起来处理密集杂波环境下的单机动目标跟踪问题。仿真结果证明该算法是解决此种问题的一种非常有效的方法。     

雷达最优组网及目标跟踪算法分析

针对防空导弹武器系统所面临的各种复杂环境，提出了一种最优的正六边形雷达组网方案，建立了目标的数学模型并探讨了多传感器自适应数据融合算法，给出了计算流程图，得到了目标状态的实时估计，实现了目标跟踪的目的。     

基于转换瑞利滤波器的红外目标跟踪算法

利用转换瑞利滤波器(SRF),研究了仅有角度量测的单站红外目标跟踪问题,推导了基于SRF的红外目标跟踪算法,并给出了具体步骤.该算法利用量测方程本身的非线性结构,仅在每次迭代时用\     

空中多运动平台多传感器目标跟踪

为提高空中多运动平台的协同探测能力,构建了一种多运动平台多传感器系统,提出了一种相应的目标跟踪方法.该方法将不同运动平台上的传感器对目标的观测转换到地心直角坐标系中进行融合跟踪,针对平台的运动和传感器的视域有限的特点,设计了序贯融合滤波算法.理论分析和仿真结果表明该方法既可以提高目标的跟踪精度,也可以扩大平台的感知范围,从而提升平台的探测能力.     

多传感器机动目标跟踪

本文提出了一种用于跟踪机动目标的被动多传感器航迹融合方法，它与点迹融合相比性能虽略有下降，但却大大降低了融合中心的计算负但及网间通信需求，在高密度杂波环境中尤其如此。这种航迹融合的方法考虑到不同传感器间共同的系统扰动所造成的估计误差的相关，从而得到最优的融合算法。     

基于Wi-Fi多维参数特征的无源目标跟踪技术

针对Wi-Fi无源目标跟踪技术中,由于直射路径信号以及噪声等影响造成提取目标反射路径信号困难等难点,本文提出了基于Wi-Fi多维参数特征的无源目标跟踪技术.该技术采用串行干扰消除代替全零初始化来完成某时刻多条路径到达角（Arrival of Angle,AoA）、飞行时间（Time of Flight,ToF）以及多普勒频移（Doppler Frequency Shifts,DFS）的初始化,并且对传统频域空间交替广义期望最大化（Frequency Domain Space Alternating Generalized Expectation-maximization,FD-SAGE）算法进行改进,弥补了传统算法收敛速度慢以及噪声影响等缺陷.除此之外,本文采用基于最小代价多路径网络的混合数据关联方法解决了在不同时刻具有不同路径数目时无法进行路径有效关联的问题,同时该方法将固定时间窗中的最优匹配作为某时刻的关联数据,避免了某次关联错误导致后续关联失败所造成的不可逆错误.实验结果表明,本文在复杂室内环境下能够达到1.3m的平均跟踪定位精度.     

一个快速的被动式传感器数据关联算法

本文针对仅能获得关于目标角度信息的被动式传感器、且允许传感器漏检、虚警、以及监视空域目标位置和数量未知的静态数据关联问题,提出了一个基于空间交点属性强度的快速数据关联算法.与现有算法相比,本方法较好地改进了数据关联算法的精度和运算速度.最后,通过仿真实验给以验证.     

卡尔曼滤波在被动目标跟踪系统中的应用

针对卡尔曼滤波方法在双观测站被动目标跟踪系统中的应用进行了研究。建立了双观测站被动跟踪系统的非线性滤波模型,通过扩展卡尔曼滤波方法在该非线性模型下的具体实现步骤。分析了目标通过不同角度向观测站袭来时,卡尔曼滤波算法对目标参数估计的精度,验证了扩展卡尔曼滤波方法在被动目标跟踪中的有效性。仿真结果表明,目标参数估计的精度与观测的目标方位角变化率有关,变化率越大,估计误差越小。     

基于多目标多特征信息融合数据关联的无源跟踪方法

在多目标无源跟踪中,传统的数据关联方法只利用那些与目标状态向量计算直接相关的信息(如DOA、TOA信息等).本文提出了一种新的数据关联算法——基于多目标多特征信息融合的数据关联算法,该算法同时利用了更多的目标特征信息(如频率、PRI等),应用D-S证据理论进行单目标多特征信息融合,在此基础上,再进行多目标综合数据关联.它是一种基于多特征信息的全局最优的算法.计算机仿真表明,基于该算法的无源跟踪性能要优于传统的NN方法和扩展的NN方法.     

一种实现机动目标跟踪的STF动态模型PDA算法

本文提出了一种基于强跟踪滤波器(STF)的模型结构动态调整的概率数据关联算法(STF-PDA).该算法提高了概率数据关联(PDA)算法的性能.在跟踪目标,尤其是在跟踪机动目标的性能上,理论分析表明该算法比基于KF或EKF的PDA方法优越.且与基于KF和EKF的PDA算法进行了实验结果比较,结果表明,本文提出的算法更为有效.     

基于信息融合的多目标单站无源跟踪新技术研究

跟踪起始与数据关联是多目标无源单站跟踪的关键技术.本文提出了一种基于目标多特征信息融合的自适应跟踪起始算法,通过构造多维动态可变的跟踪门,进行自适应跟踪起始检测,然后根据序列概率比检验准则进行轨迹确认.同时提出了一种基于多目标多特征信息融合的数据关联算法,首先通过定义多个特征数据关联度,将单个有效观测的多特征信息进行融合,再对多目标进行综合数据关联.计算机仿真表明,该跟踪起始算法能够快速有效地启动航迹,数据关联算法的性能要优于传统的NN方法和扩展的NN方法.     

模糊观测数据的关联和目标跟踪

本文针对侦察预警网中观测数据具有不确定性和模糊性的特点,提出了一种数据关联和目标跟踪的方法。该方法采用模糊逻辑推理进行数据关联,加权最小二乘滤波器进行目标跟踪。文中给出了观测数据的模糊集合定义,推导出关联判断隶属度。仿真实验表明,对于模糊观测数据,本文的方法仍能有效地进行数据关联和目标跟踪。     

一种基于水下无人航行器的多目标被动跟踪算法

被动声呐信号处理中,致力于实现连续且稳定的目标方位跟踪。在复杂的水下环境中,由于干扰和噪声的存在,以及阵列孔径的限制,方位检测结果中不可避免地存在很多轨迹中断、野值、干扰与目标间的方位交叉。该文提出了一种基于水下无人航行器的多目标被动跟踪算法,使用基于航行器运动信息的粒子采样预测方法进行轨迹中断预测补齐,使用基于航行器运动信息的观测门限设置方法自适应设置跟踪门限,使用块关联跟踪方法进行轨迹中断关联和方位交叉关联。仿真和实验结果表明,该算法能够实现正确的多目标跟踪。

     

多站无源定位系统中的机动目标跟踪算法

针对多站测向无源定位系统提出了一种杂波环境下机动目标的被动跟踪算法———ＣＭＩＭＭＰＤＦ算法。该算法首先用转换测量的卡尔曼滤波（ＣＭＫＦ）替代了传统的扩展卡尔曼滤波,克服了后者精度不高易发散的缺点,并将其结合交互多模型（ＩＭＭ）算法及概率数据关联（ＰＤＦ）算法,有效地完成了多站无源定位系统对杂波环境下机动目标的跟踪。仿真结果证明了该算法的有效性。     

基于两点式数据关联算法的多机动目标跟踪

本文首先分析了两点式概率数据关联算法,在此基础上将其与交互式多模型算法结合起来提出了一种用于跟踪多机动目标的新算法.由于充分利用了两点式数据关联算法在关联精度和计算量上的优越性,所提出的新算法无论在跟踪精度方面,还是计算量上都有很大的改善.理论分析与仿真结果验证了该算法优于传统的交互式多模型联合数据关联算法.