一种新的联合概率数据互联算法

点迹与航迹数据互联是多目标跟踪问题中迫切需要解决的问题。分析了目前解决数据互联问题的方法与最新研究成果，建立了一个多目标数据互联模型，提出了一种新的联合概率数据互联算法，实现了微机仿真并给出了仿真结果。     

一种近似的联合概率数据互联算法

提出了一种新的联合概率数据互联的算法。该算法针对传统的联合概率数据互联算法在产生互联假设事件时计算代价大的问题,提出了一种绕过互联假设事件的生成而直接计算量测和目标的联合概率的方法,通过仿真实验证明,该法在目标密集程度中等的杂波环境下,计算代价得到了大幅的降低,而关联精度仅有少许降低,能够适应工程的要求。     

一种新的基于概率理论的概率数据互联滤波器

该文从理论上分析了用于目标跟踪的概率数据互联滤波器(PDAF)和联合概率数据互联滤波器(JPDAF)存在的不足,提出了一种新的概率数据互联滤波器(NPDAF)。NPDAF在数据关联时基于概率理论：一个测量可能源于目标,也可能源于杂波,但其源于目标的概率与其源于杂波的概率之和应为1。同时,给出了跟踪过程中NPDAF的数据互联模型及滤波器的实现方法。该实现方法首先计算测量与各目标的关联概率,然后用概率对跟踪滤波器的增益加以修正。仿真实验表明,在对多目标进行跟踪时NPDAF的性能优于JPDAF。     

三种引入Doppler量测的数据互联算法性能分析

针对多频连续波雷达系统中多目标跟踪问题,提出了三种引入目标径向速度量测的贝叶斯类多目标数据互联改进算法。为了清楚地对比三种改进算法与传统算法以及改进算法之间在跟踪精度、实时性等跟踪性能上的差异,对上述算法在相同环境下进行了详细的性能分析。首先,简述了各算法的互联方法;然后,建立了跟踪模型;最后,选取典型的多目标运动情况对这些算法进行了仿真实验,并根据仿真结果综合分析了它们各方面的跟踪性能。     

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。     

多传感器联合概率数据互联法的探讨

在研究联合概率数据瓦联(JPDA)法的基础上,探讨了一种近似的JPDA方法,该方法引入"近似聚"的概念,用近似聚矩阵代替确认矩阵,把一个比较大的确认矩阵分成若干个互不相交的小的确认矩阵来进行瓦联矩阵的拆分,以此来减小确认矩阵的观测量数和回波数,从而降低了算法的复杂度和计算量,使JPDA算法适应密集目标实时跟踪的需要.此外,还分析了并行和串行2种多传感器联合概率数据互联法,并就算法的复杂度进行了分析比较.     

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.     

一种新的避免航迹合并的联合综合概率数据关联滤波器

针对联合综合概率数据关联算法(JIPDA)存在的航迹合并问题,将目标建模为随机有限集(RFS)提出改进的JIPDA算法。传统JIPDA首先产生初始概率密度函数(PDF),之后对该PDF进行近似来估计目标状态。为了使目标状态估计PDF与初始PDF之间的相似性最大化,当目标标签无意义时,提出对JIPDA的初始PDF进行优化。将KL散度作为相似性的衡量标准,建立起优化过程的代价函数。仿真实验表明,所提方法可有效地抑制传统JIPDA引起的航迹合并。     

集中交互式多传感器模糊联合概率数据互联算法

 为了解决杂波环境下多传感器多机动目标跟踪问题,本文提出了一种集中交互式多传感器模糊联合概率数据互联算法.该算法首先设定多个跟踪模型并计算每个模型中测量点迹与航迹测量预测之间的模糊综合相似度;然后基于阈值判别及经验概率法则计算模糊联合互联概率,并基于此概率对各航迹进行状态估计及状态估计协方差的更新;最后计算各模型概率,并据此概率对各模型所获得状态估计进行加权得出各航迹在融合中心最终的状态估计.对该算法与集中交互式多传感器联合概率数据互联算法进行仿真比较,仿真结果显示该算法的跟踪精度较后者有显著提高,同时有效地降低了周期耗时,综合性能更优越.     

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。     

次优联合概率数据关联算法的研究

数据关联算法的研究是多目标跟踪中的核心问题,多目标跟踪的精度和计算过程的复杂度均取决于所采取的数据关联算法的优劣。文中对2种典型的次优联合概率数据关联算法进行了研究,结合仿真结果指出了上述2种次优算法间的本质差异,同时还提出了一种改进的次优联合概率数据关联算法。计算机仿真表明,改进的算法较原算法具有更好的跟踪性能。     

基于网格连通的联合概率数据关联算法

联合概率数据关联算法具有良好的多目标跟踪性能,但其计算量会随着跟踪目标数和有效量测数的增多而呈指数增长,因此实时性差,难以在工程中应用。在保证准确率和精度的前提下减小确认矩阵的维数,提出了一种关联区域预处理的方法。对目标空间进行网格划分,通过网格的选取形成连通域,再对每个连通域中的目标采用联合概率数据关联算法,从而大量减少关联时间。仿真实验表明,基于网格连通的联合概率数据关联算法具有较强的实时性。     

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。     

基于多传感器的多目标联合概率数据关联被动跟踪算法

文章根据多传感器被动跟踪的特征,对传统的联合概率数据关联算法进行了修改,给出了求解联合事件概率的方法.利用同类数据的特点,采用了位置量测合并的方法,避免了计算量的增加.还开发了适用的生成可行矩阵的Matlab程序.最后,进行了MonteCarlo仿真实验,验证了文中算法能够很好地对多个目标进行精确跟踪.