基于改进CS模型的自适应概率数据关联算法

针对密集杂波环境下传统概率数据关联算法对突发机动目标跟踪性能下降问题,提出了一种基于采用渐消因子的改进"当前"统计模型的自适应概率数据关联算法。该算法改进了传统的"当前"统计模型中加速度方差的计算方式,并在滤波算法中采用了渐消因子,克服了传统卡尔曼滤波的3大缺陷,通过改变预测协方差来修正滤波增益,在保持跟踪精度的前提下,能自适应调整滤波器带宽,增强了系统对突发机动的跟踪能力。理论分析和仿真结果表明,该算法比采用强跟踪滤波器的概率数据关联算法更有效。     

一种实现多机动目标跟踪的JPDA-STF算法

联合概率数据关联(JPDA)算法在解决多目标跟踪时需要目标准确的动力学模型,动力学模型失配在多机动目标跟踪中时常发生,而作为有效的解决方法之一——强跟踪滤波(STF)是针对无杂波环境下的单机动目标设计的.为了提高杂波环境下多机动目标跟踪精度,提出一种联合概率数据关联强跟踪滤波(JPDA-STF)算法.该算法为了能够实现各个目标的渐消因子计算,采用对与目标关联的量测进行加权融合的方式获取目标新息协方差,其中,量测权重的计算则是通过JPDA的方式获取.通过各目标渐消因子获取状态预测协方差,随后在卡尔曼滤波框架下即可实现目标状态的更新.实验结果表明,该算法相比于传统的JPDA算法能够更有效地降低跟踪误差.     

基于高斯混合带势概率假设密度滤波器的未知杂波下多机动目标跟踪算法

多模型的随机有限集(RFS)类方法是一类有效的多机动目标跟踪算法,但是现有算法都假定杂波统计特性先验已知,不适用于未知杂波背景。该文以高斯混合带势概率假设密度滤波器(GMCPHDF)为基础,提出一种未知杂波下的多机动目标跟踪算法。该算法对目标和杂波分别独立建模,通过最优高斯(BFG)估计方法对真实目标的强度函数进行预测,从而使多目标强度函数独立于机动目标的运动模型,实现各时刻真实目标的强度函数、杂波源期望个数以及真实目标和杂波源的混合势分布的迭代。仿真结果表明,该算法能够有效地联合估计多机动目标状态以及杂波期望个数。     

基于雷达点迹处理的抗RGPO干扰的机动目标跟踪

针对距离波门拖引(Range Gate Pull Off,RGPO)干扰下机动目标跟踪性能恶化的问题,提出一种基于雷达点迹处理的机动目标跟踪算法。该算法首先使用RGPO干扰鉴别技术将跟踪波门内的雷达点迹数据分为正常点迹集与RGPO干扰点迹集,针对不同的点迹集采取了不同的状态更新策略,最后融合两类状态信息后输出目标位置。仿真结果表明,该算法的跟踪精度明显优于传统的交互多模型－概率数据关联(Interacting Multiple Model Probabilistic Data Association,IMM-PDA)算法及现有抗RGPO干扰机动目标跟踪算法。     

灰色预测-概率数据关联滤波方法

针对红外弱小目标跟踪精度不高,实时性不好等问题,提出了一种基于灰色预测-概率数据关联滤波(GPPDAF)的弱小目标跟踪方法。该方法采用实时性较好的灰色模型对目标轨迹进行预测,并以预测位置为中心构建跟踪波门,然后通过改进的极大似然概率数据关联(MLPDA)算法计算波门内各量测点的概率权重,最后用各量测点的概率加权和作为跟踪结果。实验结果表明,该方法实时性能较好,较大地改进了红外弱小目标的跟踪精度。     

RGPO 干扰下基于改进的IMM-PDAF 的机动目标跟踪技术

研究了距离波门拖引(RGPO)干扰下杂波环境中机动单目标的跟踪问题,在建立RGPO 干扰条件下雷达量测模型的基础上,提出了一种RGPO 干扰下基于改进的交互多模型-概率数据关联算法(IMM-PDAF)的目标跟踪技术。该技术联合RGPO 鉴别与跟踪一体化。在干扰鉴别上,采用信号似然比预处理、角度研究了距离波门拖引(RGPO)干扰下杂波环境中机动单目标的跟踪问题,在建立RGPO 干扰条件下雷达量测模型的基础上,提出了一种RGPO 干扰下基于改进的交互多模型-概率数据关联算法(IMM-PDAF)的目标跟踪技术。该技术联合RGPO 鉴别与跟踪一体化。在干扰鉴别上,采用信号似然比预处理、角度 检验以及m / n 逻辑检验方法。在跟踪算法方面,采用提出的基于量测功率特征的IMM-PDAF 算法,同时目标状态更新依据是否存在干扰采用不同的方法。若存在RGPO 干扰,则根据RGPO 假目标与真目标量测对的特点,采用提出的距离最近选择、角度数据压缩方法合成新量测对目标状态进行更新,若无RGPO 干扰,则综合功率和位置特征对所有量测进行加权更新目标状态。仿真结果表明,该技术不仅能有效剔除RGPO 干扰对跟踪算法带来的不良影响,而且具有良好的机动目标跟踪性能。 检验以及m / n 逻辑检验方法。在跟踪算法方面,采用提出的基于量测功率特征的IMM-PDAF 算法,同时目标状态更新依据是否存在干扰采用不同的方法。若存在RGPO 干扰,则根据RGPO 假目标与真目标量测对的特点,采用提出的距离最近选择、角度数据压缩方法合成新量测对目标状态进行更新,若无RGPO 干扰,则综合功率和位置特征对所有量测进行加权更新目标状态。仿真结果表明,该技术不仅能有效剔除RGPO 干扰对跟踪算法带来的不良影响,而且具有良好的机动目标跟踪性能。     

基于红外和雷达数据融合的机动目标跟踪方法

文章基于并行多传感器联合概率数据关联算法,提出了一种杂波环境下的多传感器多机动目标跟踪算法,首先使用融合算法将红外和雷达的量测进行异步和同步融合,然后应用融合后的量测,采用IMM算法实现对机动目标的跟踪.在仿真实验中分别跟踪单个和多个目标,结果表明该算法可以解决两种传感器的量测不同步问题,同时可以消除漏检现象对目标跟踪的影响,并能保证一定的跟踪精度.     

一种高数据率雷达跟踪慢速目标的数据互联算法

杂波环境下, 现有的最近邻数据互联算法在高采样率雷达跟踪慢速目标时, 由于量测误差远远大于目标实际运动的距离, 量测值往往难以落入预测波门之内, 从而造成数据互联失败。针对这一问题, 提出了一种自适应距离最近邻数据互联算法。该算法用状态估计向量中的位置信息计算与下一时刻量测值的实际距离来代替预测中心与量测值的统计距离, 降低了预测中心不确定性造成的漏互联概率, 从而提高了跟踪精度。实际距离波门的大小与雷达和目标距离、雷达测距精度、雷达测角精度有关, 并且随着时间实时变化。通过在地心坐标系下的跟踪滤波仿真证明, 该算法能够有效地实现高数据率雷达对慢速目标的跟踪, 且跟踪精度较高, 具有一定的工程实用价值。     

改进的最适高斯近似概率假设密度滤波

最适高斯近似概率假设密度滤波是一种新颖的多机动目标跟踪算法。然而,该算法存在模型概率先验固化问题,即在计算模型概率的过程中量测信息不起作用。针对以上问题,该文提出一种改进算法,通过引入模型概率更新过程,将后验量测信息加入模型概率的计算式中,根据似然函数在多个运动模型之间进行软切换,进而实现对多个机动目标的有效跟踪。实验结果表明,改进算法能够有效解决模型概率先验固化问题,在目标数估计和滤波精度方面均优于传统算法,具有良好的工程应用前景。      

基于量测转换的交互多模型概率数据互联算法

针对雷达跟踪机动目标时,目标运动模型通常线性地建模在直角坐标系内,而量测数据由传感器获得的实际情况,提出了基于量测转换的交互多模型概率数据互联算法.推导了该算法中相关的滤波估计、滤波误差协方差和数据关联概率,并且提出了跟踪门的确定方法.仿真结果表明了新算法的可行性和有效性.     

一种基于搜索式扩大关联门的IMM-PDA算法

针对目标机动时IMM-PDA算法容易发生失跟的问题,提出一种基于搜索式扩大关联门的IMM-PDA算法。该算法以传统IMM-PDA算法为基础。当IMM-PDA的关联门内没有检测到有效量测时,采用逐步搜索的方式扩大原关联门,重新检测有效量测。仿真结果表明,与传统IMM-PDA算法相比,文中算法能有效减少目标失跟,并提供更好...     

机动目标跟踪中数据互联新方法

为解决机动目标跟踪过程中的数据互联问题,该文提出了一种数据互联新方法。与概率数据互联滤波器不同,在进行数据互联时,该方法假定目标当前转弯率在某一范围内取值,这样其预测中心不再是一个点,而是一线段。在计算测量的权重系数时,采用的是测量距该线段的距离。仿真实验表明,杂波环境下对机动目标跟踪时,该方法降低了航迹丢失率,提高了状态估计的精度。     

改进的交互式当前统计模型算法

交互式多模型(IMM)算法是一种有效的机动目标跟踪算法,但其性能与模型的选择、个数以及参数有关,而当前统计模型(CSM)是一种模型自适应的方法.因此,利用CSM为IMM提供模型,提出一种改进的交互式当前统计模型算法.仿真结果表明,该算法能有效地提高机动目标跟踪精度.     

基于量测转换IMM的多普勒雷达机动目标跟踪

多普勒雷达目标跟踪中,如何有效解决系统量测与目标状态之间的非线性并实现机动目标跟踪,是亟待解决的问题.本文提出一种基于量测转换交互多模型（Interactive Multiple Model,IMM）的目标跟踪算法,其以IMM为框架,并结合静态融合滤波器处理多普勒量测的结构,解决多普勒雷达机动目标跟踪问题.仿真结果表明了所提出算法的有效性.     

一种用于三维空间杂波环境机动目标跟踪的数据互联方法

目标跟踪过程中运动模型不准会导致预测中心不准,而预测中心不准会导致错误关联。为解决三维空间杂波环境下机动目标跟踪过程中数据互联问题,在数据关联时假定目标转弯率在一定范围内变化并且转弯方向是任意的,这样,预测中心为三维空间中的一曲面。在计算测量与目标间的关联度时,依据的是测量点距该曲面的距离。为了减少数据互联的计算量,该文提出了与特定测量相匹配的转弯率和转弯方向的计算方法。仿真实验表明,杂波环境下对机动目标跟踪时,采用该文方法提高了数据正确关联率,降低了航迹丢失率,同时提高了状态估计的精度。     

基于LGJMS-GMPHDF的多机动目标联合检测、跟踪与分类算法

线性高斯跳变马尔可夫系统模型下的高斯混合概率假设密度滤波器(LGJMS-GMPHDF)为杂波背景下多机动目标跟踪提供了一种有效方法。该文将类别辅助信息引入LGJMS-GMPHDF,提出了一种密集杂波背景下多机动目标联合检测、跟踪与分类算法。该算法在LGJMS-GMPHDF中用属性向量扩展单目标状态向量,用位置和属性的组合测量似然函数代替单目标位置及杂波位置测量似然函数,提高了不同类目标与杂波测量间的鉴别能力,进而改善了目标数目及状态的估计精度;在更新目标状态的同时,对目标属性信息进行更新。该算法实现了时变数目的目标状态和类别估计。杂波背景下交叉和临近并行机动目标的跟踪实验验证了该文算法的联合检测、跟踪与分类性能。     

基于高斯-艾肯特滤波的机动目标跟踪算法

针对交互式多模型(IMM)算法切换滤波模型缓慢、跟踪精度低甚至发散的问题,提出了在机动目标跟踪中使用的高斯-艾肯特滤波算法。首先,该算法确定观测模型和滤波模型集,分别构造量测方程组和滤波方程组,形成总体观测矩阵;然后,针对跟踪目标的非合作机动,提出使用卡方检验来检验滤波效果,并通过滤波控制算法实时调整滤波内存长度,使用高斯-艾肯特滤波对机动目标跟踪具有很强的灵活性,实现自适应跟踪;最后,在目标跟踪仿真中与三种改进模型集的卡尔曼滤波IMM算法进行对比验证,对两类算法进行了复杂度分析。仿真结果证明了高斯-艾肯特滤波算法的有效性,在无先验信息条件下拥有更高的跟踪精度。     

Bearings-only maneuvering target tracking based on fuzzy clustering in a cluttered environment

This paper proposes a novel bearings-only maneuvering target tracking algorithm based on maximum entropy fuzzy clustering in a cluttered environment. In the proposed algorithm, the interacting multiple model (IMM) approach is used to solve the maneuvering problem of target, and the false alarms generated by clutter are accommodated through a probabilistic data association filter (PDAF). To reduce the computational load, the association probability is substituted by fuzzy membership degree provided by a modified version of fuzzy clustering algorithm based on maximum entropy principle, and the “maximum validation distance” is also defined based on the discrimination factor, which enables the algorithm eliminate invalid measurements. Moreover, to avoid the unobservability problem of passive target tracking, a nonlinear measurement model of multiple passive sensors is formulated. Finally, simulation results show that the proposed algorithm has advantages over the conventional IMM-PDAF algorithm in terms of simplicity and efficiency.