一种基于变分推断的雷达多目标跟踪JPDA算法

针对雷达邻近多目标跟踪问题,提出了一种基于变分推断的联合概率数据关联算法（Joint Probability Data Association,JPDA）。通过建立关于目标状态和两个关联指示的概率图模型,并根据不同变量之间的信息传递构造对应的自由能目标函数,迭代该目标函数求解出目标和当前检测量测之间的最佳边缘关联概率。将所提算法与经典JPDA和k 近邻联合概率数据关联(k Nearest Neighbor-Joint Probability Data Association,kNN－JPDA) 算法进行对比,结果表明新算法具备更高的跟踪位置精度,并且能够有效地避免因邻近目标数量增多而引起的计算上的组合爆炸问题。     

密集杂波环境下的简化JPDA多目标跟踪算法

为简化联合概率数据关联算法(Joint Probabilistic Data Association, JPDA)的计算复杂度,增强JPDA算法的实时性,设计了一种新的JPDA简化算法。首先根据目标航迹与量测之间的关联规则,定义了一种新的计算关联概率的方法,之后分析公共量测对目标的影响,引入公共量测影响因子修正关联概率。该算法不用进行确认矩阵拆分,有效解决了在密集杂波环境下因回波密度增加而造成的计算上的组合爆炸问题。仿真结果表明,简化的JPDA算法能够在保持对目标有效跟踪的情况下,大大缩短计算时间,提高算法的实时性。      

两种多目标数据关联算法的性能研究

数据关联是多目标跟踪的一项关键技术。JPDA是大家公认的多目标跟踪中性能较好的数据关联算法，它认为量测和目标是一一对应的关联关系，但在许多实际情况中，量测和目标是多-多对应的关系。针对上述情况，该文提出了广义概率数据关联算法（Generalized Probability Data Association，GPDA）。文中从理论上对这两种算法的性能进行了详细分析，并利用Monte Carlo技术对其性能进行了仿真比较。     

一种HRRP特征辅助的多目标JPDA算法

针对强杂波环境下,联合概率数据关联（Joint Probabilistic Data Association, JPDA）算法的计算复杂度不能满足复杂电磁环境下数据关联的实时性要求,本文提出了一种基于高分辨一维距离像（High Resolution one-dimensional Range Profile, HRRP）特征辅助的JPDA算法。首先,计算量测与目标的HRRP特征相似度;然后利用特征相似度辅助JPDA算法完成波门搜索,减少可行事件的数量;最后使用特征相似度对可行事件的发生概率进行修正,进而修正量测与目标的关联概率。实验结果表明,本文算法提高了关联性能,同时还极大地提高了算法的实时性。      

广义概率数据关联算法

随着跟踪环境、跟踪对象和跟踪系统的不断变化、发展,目标与量测已很难仅仅以一一对应的关联关系来描述,这使得多目标跟踪中数据关联这一核心问题更具挑战.Jesus Garrcia、T.Kirubarajan和Bar-Shalom等学者从智能方法或重复使用一对一分配JPDA等方面进行了研究,取得一定成效,但计算量和性能均未达到理想效果.本文首先提出更符合实际情况的新的目标与量测相关联的可行性规则,给出广义联合事件的一种分割与组合方法,利用贝叶斯法则推导出了一种全局次优的广义概率数据关联算法(Generalized Probability Data Association,GPDA).通过本文设计的各种典型环境的仿真计算表明,GPDA算法的性能在目标与量测无论是否在一一对应的情况下,全面优于JPDA算法,且由于新算法的设计技巧,使计算量和存储量也大大小于JPDA算法,为发展同时具有良好实时和关联性能的多目标跟踪算法给出了新的尝试.     

航向角辅助的模糊数据关联算法

为了在不增加运算复杂度的条件下有效提高多目标跟踪的跟踪精度和关联正确率,本文提出了一种采用航向角进行辅助的多目标模糊数据关联新方法。算法首先分析航向和距离信息是区分不同航路的有效参数,然后介绍了航向角的定义及求解方法,即利用当前时刻的雷达测量和前一时刻的滤波状态向量计算目标的测量航向角,并通过容积卡尔曼滤波器（Cubature Kalman Filter, CKF）对包括目标航向在内的状态向量进行更新,利用模糊逻辑推理进行多目标数据关联。实验结果表明,提出算法与传统的最近邻方法（Nearest Neighbor, NN）相比具有较高的关联正确率,与联合概率数据关联方法（Joint Probability Data Association, JPDA）相比,在保证关联正确率的前提下跟踪精度和运算效率均得到了较大提高,更适合工程应用。      

杂波背景下自适应IMM机动目标跟踪算法

针对杂波背景下多机动目标跟踪问题,提出一种基于时变转移概率交互式多模型(IMM)的模糊数据关联跟踪算法。首先,针对传统IMM算法模型转移概率假设为常数导致模型间过度竞争的问题,基于贝叶斯理论,推导出一种时变模型转移概率IMM算法,增强了优势模型的利用率;其次,针对传统JPDA算法由于聚矩阵拆分而导致的计算组合爆炸问题,利用模糊聚类的方法,直接计算相关波门内候选量测与目标间的关联概率,用概率加权对目标进行状态和协方差的更新。仿真实验表明:算法对不同机动目标的跟踪适应性得到增强,相比传统的JPDA算法,在保证跟踪精度的基础上其时间性能比较优越,是一种较为实用的工程应用算法。     

一种目标密集环境下的雷达目标与IFF点迹相关算法

提出了一种基于联合概率数据关联（Joint Probability Data Association，JPDA）思想的雷达目标与敌我识别（Identification Friend or Foe，IFF）点迹相关方法，利用雷达目标历史IFF属性及关联概率作为先验信息，结合当前雷达目标航迹和IFF点迹的分布情况，通过基于JPDA的方法计算各雷达目标与IFF点迹的关联概率，最后利用目标识别规则库对目标属性进行判定。几种典型场景下的仿真结果表明，通过对目标的多次询问和相关概率的迭代，所提方法可有效提高目标密集环境下对我方合作目标的正确识别率，同时降低对非合作目标的误识别率。     

多传感器多目标联合概率数据关联研究

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,但对于多传感器密集多目标跟踪,则计算量剧增,数据关联成功率下降。因此,改进联合概率数据关联(AJPDA)算法对多传感器多目标量测进行同源划分及单一传感器测量数据转换,然后采用JPDA算法求解空间目标轨迹交叉时的数据关联。仿真结果表明,AJPDA算法提高了成功关联概率,降低了求解数据关联概率的难度,可以解决密集目标的正确跟踪问题。     

杂波环境下基于全邻模糊聚类的联合概率数据互联算法

针对杂波环境下的多目标跟踪数据互联问题,该文提出基于全邻模糊聚类的联合概率数据互联算法(Joint Probabilistic Data Association algorithm based on All-Neighbor Fuzzy Clustering, ANFCJPDA)。该算法根据确认区域中量测的分布和点迹-航迹关联规则构造统计距离,以各目标的预测位置为聚类中心,利用模糊聚类方法,计算相关波门内候选量测与不同目标互联的概率,通过概率加权融合对各目标状态与协方差进行更新。仿真分析表明,与经典的联合概率数据互联算法(Joint Probabilistic Data Association algorithm, JPDA)相比,ANFCJPDA较大程度地改善了算法的实时性,并且跟踪精度与JPDA相当。     

基于JPDA的多目标跟踪算法及其应用

在多目标和杂波环境下,量测与对应目标源的关联将变得复杂,当邻近目标运动时,采用滤波算法跟踪目标时,源于目标的量测会相互干扰,导致误跟现象的发生。针对此问题,本文采用基于联合概率数据关联JPDA的方法进行处理,通过引入两个基本假设条件,即每个量测只有一个源和每个量测至多源于一个目标,计算各量测与各目标源的关联概率,进而估计出各目标的状态信息。仿真结果表明在采用本文的算法处理多目标问题时,目标的位置和速度信息能够得到较好的估计,避免误跟现象的发生。     

相控阵雷达多目标跟踪原理及数据关联算法研究

介绍了目标跟踪原理,并以多功能相控阵雷达为背景,研究了多目标跟踪数据关联过程.针对数据关联过程中量测起源的不确定性问题及概率数据关联算法(PDA)和联合概率数据关联算法(JPDA)的不足,给出了一种改进的概率数据关联算法(MPDA),该算法既不像PDA算法那样不考虑公共测量值对航迹的影响,也不像JPDA算法对所用的关联解进行搜索,而是重点分析了跟踪门交叠区域中的公共测量值对航迹更新的影响.蒙特卡罗仿真结果表明,该算法具有较小计算量及较好的实时跟踪性能,适于相控阵雷达的数据处理.     

非线性高斯系统边缘分布多目标贝叶斯滤波器

为解决存在数据关联不确定、检测不确定和杂波情况下的多目标跟踪问题,提出了一种新的多目标贝叶斯滤波器.代替维持多目标状态的联合后验密度,所提出的贝叶斯滤波器联合传递各个目标状态的边缘分布和它们的存在概率.为了处理目标运动和传感器测量模型中的非线性,利用无迹变换技术提出了一种非线性高斯条件下边缘分布贝叶斯滤波器的近似实现算法.仿真实验结果表明,与PHD(Probability Hypothesis Density)滤波器相比,所提出的滤波器具有更好的多目标跟踪能力.     

天波超视距雷达多路径Viterbi数据关联跟踪算法

天波超视距雷达目标跟踪面临多传播路径、低探测概率、低探测精度和低数据率的困难.本文在地理坐标系对运动目标建模而在雷达坐标系进行数据关联,将各传播模式的回波作为备选的竞争量测,运用动态规划的优化方式,在最大似然的意义下将VDA的回波与航迹的两维数据关联推广到回波、传播模式和航迹的三维数据关联,提出了多路径Viterbi(MVDA)数据关联算法.天波超视距雷达目标跟踪仿真表明:MVDA跟踪能力明显优于VDA和MPDA.     

多传感器多目标跟踪中的概率数据互联

通过在两维雷达和红外搜索跟踪两种不同传感器观测空间上建立多目标运动状态的投影，单传感器的ＪＰＤＡ算法被推广到此种多传感器数据融合系统之中，实现了其中的多目标数据互联和多传感器数据融合，从而提高了跟踪性能。     

基于杂波密度估计的联合概率数据互联算法

联合概率数据互联(JPDA)算法能很好地解决密集环境下的多目标跟踪问题。在该算法基础上,人们又提出了多传感器联合概率数据互联(MSJPDA)算法和一些基于JPDA的修正算法。在联合概率数据互联算法中,有一个很重要的参数就是杂波数密度(或波门内虚假量测期望数),然而在许多实际情况中,这个参数是很难获取的。针对这一问题,提出了一种修正的联合概率数据互联算法,该算法通过实时地调整这一参数来获得对目标较为准确的估计结果。最后,给出了算法的仿真分析。     

一种基于模糊推理的JPDAF新方法

多目标跟踪中的数据关联一直是信息融合领域的难点和热点问题,针对杂波环境下多目标跟踪中的数据关联问题,提出了一种基于模糊推理的JPDAF新方法。该方法中,首先详细分析了杂波环境多目标观测数据的特点,定义了多目标环境下的标准化新息变量及新息的一阶微分变量;然后将其作为模糊推理的两个输入变量,通过设计合适的模糊隶属度函数和模糊推理规则,自适应计算目标观测的关联概率来代替传统联合概率数据关联滤波器（JPDAF）中的关联概率,实现对多个目标的有效跟踪。实验结果表明,提出方法的目标跟踪性能要好于传统的JPDAF和Fitzgerald’s方法,在实时性方面,提出方法也要远好于传统的JPDAF方法,接近Fitzgerald’s方法,能够有效对多目标进行关联跟踪。