基于DP-TBD的分布式异步粒子滤波融合算法

主要利用检测前跟踪动态规划(DP-TBD)算法解决目标跟踪问题。动态规划(DP)是一种先通过对量测空间栅格化处理,然后对离散的量测空间中所有可能的物理路径进行遍历的算法。但是该算法提供的是一种未经滤波的点迹序列。此外,基于单雷达的DP-TBD算法在信噪比(SNR)较低时跟踪效果不佳,航迹丢失情况较严重,因此利用基于DP-TBD的多雷达协同探测势在必行。然而,由于DP-TBD算法没有状态误差协方差矩阵,导致无法将不同雷达的点迹序列进行基于各种融合准则的融合。另外,由于多个雷达不同的采样周期和通信时延,导致了各个雷达的数据是异步的。为了解决以上问题,文中提出了一种基于DP-TBD的分布式异步粒子滤波融合算法(DP-PFF)。该算法分为两步,第一步提出了一种适用于DP算法的粒子滤波方法;第二步是将不同雷达获得的异步状态估计转化为同步的并进行基于DCI准则的分布式融合。仿真结果说明,和单雷达相比,该算法显著提升了目标跟踪的性能。同时,该算法也减少了航迹丢失率并且可以显著提升系统的鲁棒性。     

基于DP-TBD 的不同分辨率传感器集中式异步融合算法

主要运用检测前跟踪动态规划(DP-TBD)算法解决不同分辨率的多传感器多目标融合问题,提出了一种基于DP-TBD的不同分辨率的传感器集中式异步融合算法。该算法分为两步:第一步将不同分辨率的传感器取得的回波数据统一对齐到相同单元格尺寸的量测空间;第二步将具有不同采样间隔的传感器得到的量测数据按照时间顺序传送至融合中心进行集中式融合。接着,用动态规划检测前跟踪算法来处理所得到的数据,并且进行航迹恢复。同时,为了提高异步融合的有效性,文中还提出了一种基于变转移状态数的算法。仿真结果说明基于DP-TBD的集中式异步融合算法的有效性,并且和单个传感器的性能比较,该算法大大改善了目标跟踪的性能。     

基于功率谱流形的信息几何DP-TBD算法

针对复杂杂波背景下目标信杂比起伏而导致的漏检问题,本文结合信息几何检测器的性能优势与动态规划检测前跟踪（Dynamic Programming Track Before Detect,DP-TBD）的多帧信息积累能力,提出了基于功率谱流形的信息几何DP-TBD算法.该算法利用功率谱流形与矩阵流形对偶关系,设计了功率谱信息几何检测器,将信息几何检测器的计算复杂度降低了近两个数量级.通过实测数据实验验证,功率谱DP-TBD算法可实现与矩阵DP-TBD算法相近的检测性能,并将运算时间降低为矩阵DP-TBD算法的3%～8%.此外,相较于信息几何检测器,功率谱DP-TBD可将检测信杂比（Signal-to-Clutter Ratio,SCR）提高2～3 dB.     

一种基于信息几何的矩阵DP-TBD算法

由于单帧相参积累在一些情况下存在较严重的信息损失,且这种损失会随着多帧非相参积累而进一步放大,使得传统动态规划检测前跟踪（DP-TBD）算法的性能下降.本文基于信息几何理论提出了一种矩阵DP-TBD算法,该方法直接利用每个分辨单元的协方差矩阵进行多帧积累,将单帧和多帧积累融为一体,避免了单帧积累存在的信息损失,具有更好的检测和跟踪性能.最后通过仿真实验验证了本文算法的有效性.     

基于自适应状态转移集合的多帧积累检测DP-TBD算法北大核心CSCD

针对机动目标在多帧积累检测算法中存在的问题展开讨论与研究,提出了基于自适应状态转移集合的多帧积累检测与跟踪算法,并设计了相应的仿真实验验证算法的有效性。针对目标机动性较强时算法性能严重下降的问题,详细介绍相应的改进策略,使用当前统计模型提高对机动目标的适应能力。利用值函数积累过程中的目标预测路径实时估计目标的转移加速度并进行加速度约束,有效地减小目标状态的搜索空间。通过转移加速度在时间维上的相关性结合当前统计模型,自适应地调整目标状态转移集合的范围,进而减少目标搜索空间内的干扰信息,提高算法的检测精度与计算效率。利用不同机动目标场景,仿真结果证明所提改进算法具有更好的检测与跟踪性能。     

基于DP-TBD的分布式异步迭代滤波融合算法研究

该文主要运用检测前跟踪动态规划(Dynamic Programming-Track Before Detect)算法解决目标跟踪问题。动态规划(Dynamic Programming, DP)是一种通过对量测空间栅格化处理,然后对离散的量测空间中所有可能的物理路径进行遍历的算法。然而,该算法提供的是一种未经滤波和平滑的点迹序列。随着实际战争环境日益复杂,基于单雷达的DP-TBD算法在信噪比(SNR)较低时跟踪效果不佳。此外,由于DP-TBD算法没有状态误差协方差矩阵,因此无法将不同雷达的点迹序列进行融合。而且由于通信时延和不同的采样周期,不同雷达的数据往往是异步的。为了解决以上问题,该文提出了一种基于DP-TBD的分布式异步迭代滤波融合算法(DynamicProgramming?Fuison, DPF)。该算法分为两步,第1步提出了一种迭代滤波方法对DP点迹进行处理;第2步将不同雷达获得的异步状态估计转化为同步的,接着利用几种分布式的融合方法来获取融合之后的状态估计。仿真结果说明,和单雷达相比,该融合算法可以有效提升目标跟踪的性能,同时,该算法也可以降低航迹丢失率和计算量。      

一种适用于非高斯杂波背景的DP-TBD算法

针对动态规划检测前跟踪(DP-TBD)算法在非高斯杂波背景、起伏目标条件下检测和跟踪性能差的问题,将粒子滤波引入动态规划的似然比阶段指标函数计算中,利用粒子权值的均值表征目标存在假设下的似然函数,导出似然比指标函数模型,进而给出了一种适用于非高斯杂波背景和起伏目标的最大似然DP-TBD算法。应用文中算法在对数-正态杂波、Swerling起伏模型条件下,对目标的检测跟踪性能进行了仿真,并与两种传统的DP-TBD算法进行比较,验证了该算法的有效性。     

基于区间二级划分动态量化宽间隔混沌跳频序列

文章基于对混沌映射区间的二级划分，提出了一种采用旋轮策略动态量化宽间隔混沌跳频序列生成方案。新方案可有效地增加混沌跳频序列的抗重构破译能力。通过对新方案及其它混沌宽间隔跳频序列生成方案比较，结果表明：该方法速度快，生成的跳频序列具有优良的多址性能。     

基于一种新的惩罚函数的动态规划算法的检测前跟踪

对基于动态规划算法（DPA）的检测前跟踪（TBD）的低信噪比小目标检测的原理进行了分析,同时通过仿真比较了各参数对算法性能的影响,并针对状态转移数对检测性能的影响,提出了一种基于新的惩罚函数的算法,改善了性能。     

基于动态规划的多目标检测前跟踪算法

本文针对低信杂比条件下的多目标检测与跟踪问题,提出了一种基于动态规划的多目标检测前跟踪算法.该算法能够比较准确地估计搜索空间中潜在的目标数量,并且最佳地分离出每个目标的航迹,从而较好地解决了以往检测前跟踪算法在目标数量未知的条件下容易出现漏警和虚警较多的问题.     

基于量子遗传算法的嵌入式系统软硬件划分算法

针对嵌入式系统软硬件协同设计中的软硬件划分问题，本文在改进了基于基本调度块图的软硬件划分模型的基础上，提出了一个基于量子遗传算法(QGA)的软硬件划分算法。通过采用自适应的适应度函数、惯性量子旋转角调整策略以及引入量子交叉操作，提高了算法的搜索效率，实验结果说明了该算法对解决软硬件划分问题的有效性。     

基于划分的力矢量布局算法

提出了一个全新的基于划分的力矢量布局算法.针对大规模集成电路的布局问题,采用基于并行结群技术的递归划分方法进行分解解决,并结合改进的力矢量算法对划分所得的子电路进行迭代布局优化.通过对MCNC标准单元测试电路的实验,与FengShui布局工具相比,该布局算法在花费稍长一点的时间内获得了平均减少12%布局总线长度的良好效果.     

一种基于LMS的分块并行数字波束形成算法

针对大阵列数字波束形成天线系统中计算量和数据传输的瓶颈问题,提出一种基于LMS算法的分块并行的算法.对算法的计算复杂度作了分析并给出计算机仿真结果.结果表明,该算法不仅适合分布式DSP硬件并行计算,计算实时性好,而且算法的自由度和最终形成的波束不受分块的影响.     

基于MrsP协议的任务划分优化算法

多处理器实时系统中,调度和资源共享是核心问题,与之相对应的调度算法和共享资源访问协议将直接影响系统的性能,这就要求调度算法和资源访问协议在保证实时性的基础上尽量发挥硬件平台的计算能力。然而,现有的调度算法多假设任务相互独立,没有考虑任务之间的资源共享,共享资源访问协议也多侧重于规则和最坏响应时间分析。对此,将P-RM算法和MrsP协议相结合,得出了多处理器实时系统的整体可调度性条件。文中根据MrsP协议的特性,提出了一种减小阻塞时间的任务划分算法,通过改进任务利用率的计算方式解决了关键区重复计算的问题,与之前的任务划分算法相比,也解决了关键区重复计算以及任务分类后拆分再分配的问题。实验表明,该算法所需要的处理器数目减少了15%~20%。     

基于划分的力矢量布局算法

提出了一个全新的基于划分的力矢量布局算法．针对大规模集成电路的布局问题，采用基于并行结群技术的递归划分方法进行分解解决，并结合改进的力矢量算法对划分所得的子电路进行迭代布局优化．通过对MCNC标准单元测试电路的实验，与FengShui布局工具相比，该布局算法在花费稍长一点的时间内获得了平均减少12%布局总线长度的良好效果．     

基于划分的K-均值初始聚类中心优化算法

提出了一种新的初始化K-means的聚类算法,该算法通过区域划分方法估算出K个中心点作为初始聚类中心,从初始聚类中心出发,应用K-means聚类算法,得到聚类结果,实验表明,该算法能产生高质量的聚类结果、较少的迭代次数,优于K-means算法中传统的聚类中心初始化算法.