基于机动检测的自适应实时时间配准算法

多传感器航迹数据的时间配准是分布式融合处理的前提之一。在几种常用时间配准算法的对比分析中发现,不同算法仅在某种目标运动模型条件下是最优的,而目前的研究大多采用固定某一种配准方法,难以保证目标复杂机动情况下的配准精度。因此提出基于机动检测的自适应实时时间配准算法。融合中心根据传感器航迹数据估计目标加速度以检测目标运动模型的变化,然后采用当前模型对应最优的时间配准算法。仿真结果表明,该算法能够有效降低整体的时间配准误差,性能优于各单一固定的算法。     

机载ESM与雷达航迹融合仿真系统研究

机载电子对抗侦察（ESM）和雷达已成为机载平台上获取目标信息的重要传感器。针对机载平台的特点模拟工程实践,从航迹配准、航迹关联和航迹融合三个阶段给出了一套仿真计算过程,构建了一个多参数航迹融合仿真模型。在航迹配准中主要考虑ESM传感器和雷达航迹数据之间的时空对齐问题,航迹关联中分析了基于统计理论的、基于模糊分析的和基于快速判别的三种航迹关联算法,在航迹融合中采用一种快速的加权融合的方法。仿真实验中给出了一种衡量不同航迹关联算法性能的评估计算方法,比较了在不同参数环境下三种航迹关联算法的性能及航迹融合的效果。最后给出了一些实验结论和工程实践性的建议,具有一定的工程参考意义。     

基于TI-UKF的短航迹在线空间配准方法

为了提高多传感器系统的综合性能,对时空配准的理论和方法进行探索具有重大的现实意义。近程跟踪定位系统中,由于目标距离近且速度快,导致可用于配准的数据量很小,航迹短,在配准算法尚未收敛时观测数据已结束,从而为多传感器的时空配准带来困难。本文针对近程跟踪定位系统中的这些特征,将航迹迭代的思想结合近程系统航迹较短的特点,提出一种基于航迹迭代的无迹卡尔曼滤波(TI-UKF)的空间配准方法,对以雷达和红外传感器为探测手段获取的目标数据实现空间配准。实验采用曲线运动模型,模拟4条航迹,对雷达和红外传感器的空间配准进行实验,验证本文所提算法的有效性和系统偏差的收敛速度。实验结果表明,所提算法是有效的,且具有较强的应用价值。      

基于互信息的航迹对准关联算法

针对系统误差对目标航迹的影响,研究了在组网雷达存在系统误差情况下的航迹对准关联问题,并将该影响表示为目标航迹的旋转量和平移量;提出一种基于互信息的系统误差配准前航迹对准关联算法,该算法采用最大互信息理论来估计目标航迹数据的相对旋转量和平移量,将雷达组网中雷达上报的目标航迹数据对准到融合中心,从而避开了估计雷达组网系统误差,实现了误差配准前的航迹对准关联,能够为后端的系统误差配准提供可靠的关联航迹数据。     

基于EM-EKF的异类传感器系统误差配准算法

期望最大算法(EM算法)是参数估计中一种很重要的方法,在处理不完全数据中有重要应用。针对异类传感器误差配准过程中的未知参数,采用EM与EKF相结合的算法进行多传感器误差配准与航迹融合。该算法通过使似然函数的期望最大化,简化了似然函数的优化估计,EKF滤波和平滑过程实现了更加准确的期望估计,迭代算法可以有效地实现异类传感器的误差配准,使估计的系统误差收敛到似然函数的局部最优解,仿真结果显示了该算法的有效性。。     

基于多特征融合的高机动多目标低截获概率跟踪技术

在多目标跟踪过程中,目标的高机动特性使得传统采用固定运动模型或交互式多模型的目标跟踪算法很难实时精确匹配目标运动模型,从而引起高机动目标的低跟踪精度问题。针对这一问题,本文提出一种基于目标运动状态模型自适应更新的高机动多目标跟踪算法。在多目标跟踪过程中,该算法采用多特征聚类融合算法进行目标运动模型估计,并根据各目标跟踪波动参数进行状态转移矩阵决策更新,同时利用联合概率数据关联实现多机动目标状态转移矩阵自适应更新的关联跟踪,从而解决了传统多目标跟踪算法因目标运动模型失配引起的低跟踪精度问题。在目标跟踪算法的传感器选择上,无源传感器不对外辐射能量,具有较好的低截获概率性能,但其跟踪精度有限,常不能满足多目标高跟踪精度的要求。雷达作为有源传感器,具有较高的跟踪精度。但由于雷达对外辐射信号,容易被防御方截获。针对这一问题,本文提出了一种无源传感器目标跟踪为主,有源雷达间歇跟踪为辅的多传感器协同管理目标跟踪算法。该算法通过对目标跟踪本征堆积误差的判断进行传感器的最优分配,并根据波动参数的大小进行状态转移矩阵决策更新。仿真结果验证了本文所提出的多传感器协同的高机动目标跟踪算法在满足高机动目标跟踪精...     

基于地面传感器的数据融合技术应用研究

研究了多传感器优化布设,提出了几种典型拓扑结构。比较了Bayes方法和Dempster-Shafer证据理论,采用证据理论对目标进行身份识别。研究了地面运动目标融合算法、模型,能够对各种传感器的报警数据进行处理,得到目标的属性信息和运动轨迹。进行了低空飞行目标航迹融合研究,对传感器上报的低空目标方位角数据进行综合处理,得到目标航迹信息。实际运行结果表明,这些算法是有效的。     

基于交互式联邦多模型的多传感器融合算法

针对多传感器机动目标跟踪过程中的航迹滤波发散问题,提出了一种将联邦滤波器与交互式多模型滤波算法（IMM）相结合的交互式联邦多模型融合算法IFMM.在IFMM算法中各传感器均具有相同的滤波模型集合,各传感器在同一模型下所产生的滤波结果先采用联邦滤波算法进行融合,然后采用IMM算法对各模型融合结果进行综合,产生目标状态的全局估计.仿真结果表明,IFMM有效提高了机动目标运动状态估计的精确度和稳定性.     

基于距离检测的自动识别系统和对海雷达航迹抗差关联算法

现有的多传感器航迹抗差关联算法,如基于图像配准技术、基于参照拓扑关系的关联算法,计算流程复杂,难以在工程实践中实时应用。该文结合海面舰船目标航迹分布特点,基于单元平均恒虚警检测原理,提出了适用于自动识别系统(AIS)和雷达航迹数据的可信关联算法,为对海雷达系统误差配准和海战场多传感器信息融合的快速有效实现提供保证。蒙特卡洛仿真结果表明,可信关联算法在海面目标环境下具有较高的关联准确性;算法的平均耗时与现有抗差关联算法相比显著降低;基于航迹可信关联结果完成对雷达的自动标校,将雷达量测数据的平均误差降低了近90%。     

实时时间配准仿真研究

针对多传感器数据融合系统中观测数据时间不同步的问题,采用常系数滤波算法与Lagrange插值法结合进行时间配准,并用仿真的方法验证了此配准方法有效。与现有算法比较,此方法可与目标跟踪同步进行,配准实时性强,且简单,可提高融合效率。     

球坐标系中的战术导弹跟踪

本文就球坐标中的机动目标跟踪,特别是用舰上跟踪雷达对来袭的飞航式反舰导弹进行跟踪的问题提出了一套新的模型和算法.这个新的模型着重于对球坐标系中目标运动模式和加速度非线性关系的深入分析.同时本文提出了一种称为二级自适应滤波器组(TSAFG)的自适应跟踪滤波器结构.对于满足一定条件的机动目标,这一方法具有简单、灵活、有效的优越性.它还可推广到在球坐标系中对多种类型的机动目标进行精确跟踪.     

基于增量学习神经模糊网络的机动目标跟踪

本文提出了基于增量学习神经模糊网络机动目标跟踪模型.当被跟踪目标发生机动时,该模型立刻检测到机动并对卡尔曼滤波器的自适应系统协方差进行精确估计,系统得到及时、正确的补偿.增量学习神经模糊网络能够随着环境变化,自动调整、找到最优的网络结构及参数,当发生机动时,总是能产生接近真实机动值的估计输出,从而提高跟踪性能及避免错误跟踪.仿真结果表明,该模型比传统的机动目标跟踪模型有更好的跟踪性能,并且该模型能动态的适应环境的变化,使系统更加实时,精确的跟踪机动目标.     

基于遗传算法的雷达组网误差配准算法

系统误差校正是雷达组网的关键问题,传统的误差校正方法采用最小均方估计法或极大似然法,这些方法受随机误差影响,计算量大,难以在工程中应用。本文在实时精度控制法（RTOC）的基础上,通过构造误差配准的目标函数,将误差配准转换为非线性优化问题,并采用遗传算法进行寻优。该方法采用非参数化的方法进行误差配准,克服了RTOC和最小二乘算法中线性化带来的误差,提高了误差估计的精度。仿真和实际数据测试表明,本文提供的方法能有效地进行组网雷达误差配准。     

基于自适应卡尔曼滤波的机动目标跟踪算法

针对一般卡尔曼滤波融合跟踪方法无法实现对机动目标的有效跟踪问题,提出一种自适应卡尔曼滤波融合方法,设计一种能够提供目标开始机动瞬时估计的目标机动探测器,反复对目标的加速机动进行估计,当确定目标开始机动时,卡尔曼滤波模型将自适应地调整为目标机动状态模型。最后,通过仿真实验对比分析,证明文中所提方法优于一般卡尔曼滤波融合方法。     

基于孪生神经网络的航迹关联方法

日益复杂的电磁环境对战场目标探测提出了很高的要求。由于多雷达融合系统的不断发展,如何准确快速地完成多雷达的航迹关联成为一个亟待解决的问题。现有的关于航迹关联算法的研究大多只考虑雷达上报的最新目标航迹点,而没有考虑先前的航迹信息。除此之外,大多数航迹关联算法对于航迹异步问题的解决方法是进行时间配准,这不仅增加了算法本身的计算开销,还放大了航迹信息中包含的误差,因此难以应用于目前复杂的电磁环境中。本文提出一种适用于对异步航迹进行关联的、且无需进行时间配准工作的基于孪生神经网络的航迹关联算法(TTCSN)。该算法首先将待关联航迹两两组成一对,将其成对地送入特征提取网络中,再利用共享权重的双向LSTM网络提取输入航迹的隐含特征,之后对两条航迹的特征向量进行相似度计算,得到相似度向量,最终送入分类器完成关联航迹与非关联航迹的判别。实验表明,TTCSN算法能够有效地解决异步航迹关联问题。     

基于残差三阶累积量的机动检测新方法

针对在有高斯量测噪声情况下目标机动检测问题,提出了一种基于残差三阶累积量的 机动检测算法,通过利用Kalman滤波实时产生残差数据而进行的三阶累积量的计算,抑制了 高斯噪声对目标机动的影响,且实现了机动检测的实时性。仿真实验结果验证了该算法的有 效性和稳健性。     

基于高阶累积量的目标机动检测新方法

机动检测是多模型目标跟踪中的一个关键问题.在卡尔曼滤波中,当目标机动被噪声淹没时,传统的机动检测算法将失效,多分辨方法虽然能够有效地抑制噪声,可靠检测机动,但由于计算复杂导致严重的检测延迟,从而限制了它的应用.本文提出一种基于三阶累积量的机动检测新算法,它有效地克服了上述二者的缺陷.由于高阶累积量能够抑制高斯噪声,因此在三阶累积量域易于检测机动.同时通过采用逐点更新法,可实时进行机动检测.仿真结果表明,该算法优于传统算法和多分辨方法,特别是在低信噪比的情况下.     

基于数据链和光电传感器的融合跟踪

数据链是战争中信息互通、资源共享的生命线,研究了基于数据链和光电传感器的融合跟踪方法。根据数据链和光电传感器数据的不同特点,对数据链数据应用改进的交互式当前统计模型滤波外推算法进行时间配准,并根据光电传感器测量角度信息的非线性应用交互式卷积粒子(IMM-CPF)滤波算法进行融合跟踪。使用IMM-CPF和IMM-EKF算法对融合跟踪进行对比仿真,仿真结果表明,使用IMM-CPF算法的数据链和光电传感器的信息融合对目标的跟踪达到了很好的效果。