自由空间激光通信中APT粗跟踪研究

自由空间激光通信APT(Acquisition,Pointing and Tracking)系统主要由粗跟踪系统和精跟踪系统组成,粗跟踪系统主要是完成对目标信号的捕获,以确保入射的信标光在精跟踪控制系统的动态范围内.介绍了粒子滤波在APT粗跟踪系统中的应用,针对粒子滤波在跟踪算法中存在的问题进行了改进,设计了颜色和轮廓双重信息融合的似然模型;为提高目标跟踪算法在异常情况下的有效性,采用了异常检测和恢复策略,并设计了跟踪光斑目标的模拟系统.实验表明:所提出的多信息融合的似然模型跟踪算法在目标尺度变化、背景干扰、姿态变化、部分遮档等环境下均能稳定地跟踪目标,提高了大气激光通信链路的可靠性.     

防空雷达网对多隐身目标的协同检测与跟踪

针对防空雷达网对多隐身目标检测与跟踪时雷达分配问题,该文将二值粒子群优化(BPSO)用于雷达分配,结合粒子滤波,提出了一种隐身目标的协同检测与跟踪算法。该算法将雷达分配问题转化成组合优化问题,根据目标的隐身特性设计雷达分配方案(RAS),借助随机分布的检测粒子计算不同RAS对新生目标的检测概率,同时根据RAS对已跟踪目标位置的后验克拉美罗界衡量跟踪精度,采用BPSO算法在RAS中进行全局搜索,选择最优分配方案进行粒子滤波与融合跟踪。与现有算法相比,该算法不仅能够及时检测新生目标,而且能够利用组网优势持续且优化跟踪隐身目标,使网络的整体跟踪精度得到显著提高,实现多目标协同跟踪。     

基于K-均值聚类的改进粒子滤波跟踪算法

针对粒子滤波算法因计算量过大带来的实时性问题,文中提出一种基于K-means聚类的粒子滤波目标跟踪算法。该算法利用K-means算法对重采样后的粒子进行聚类以达到进一步寻优的目的,这样可以得到更为有效的粒子集,从而大大减小计算的复杂度。通过与基于传统粒子滤波算法的实验数据的分析表明提出的算法可以有效地减小计算量,改善粒子滤波算法的实时性问题。同时,相比于传统粒子滤波目标跟踪算法,改进算法的鲁棒性也有所提高。     

非线性非高斯模型的改进粒子滤波算法

针对被动定位跟踪系统非线性强、传统跟踪滤波方法收敛速度慢且容易发散的问题,给出了一种用于纯方位目标跟踪的改进粒子滤波算法。该算法首先用有限的高斯混合模型来近似后验状态密度;其次针对随机噪声对粒子权值准确性的影响,给出了改进的变权平均似然函数。根据χ2检验,对每个粒子权值的更新,采取由多次观测值计算粒子似然函数并对其求变权平均和单一观测值求似然函数相结合的方式进行,既减小随机观测噪声对权值的影响也提高了算法实时性;最后利用基于退火机制的Aitken加速EM算法（A-DAEM）取代传统粒子滤波的再采样过程,克服了EM算法容易陷入局部最值的缺点,改善了粒子枯竭的问题。仿真实验结果表明该算法与变权平均似然函数粒子滤波（PF-ALDP）和基于EM的高斯混合粒子滤波(EM-GMPF)相比,具有高精度估计能力和较强的鲁棒性,是解决非线性系统状态估计问题的一种有效方法。      

一种基于粒子滤波的双极化雷达检测前跟踪算法

针对雷达在低信噪比（signal to noise ratio,SNR）条件下对运动目标的检测和跟踪难题,提出了一种基于粒子滤波（particle filter,PF）的双极化雷达运动目标检测前跟踪（track before detect,TBD）算法,又称联合粒子滤波检测前跟踪（joint particle filter-track before detect,JPF-TBD）方法.该算法借鉴传统的TBD算法处理框架,以经典PF算法为基础,使用双通道幅度相位似然比函数计算粒子权值,并实现了完整的PF过程.与同类研究相比,所提算法能够充分利用双极化雷达各通道幅度和相位信息,进一步扩展了PF算法的应用范围.仿真实验表明:在SNR>10 dB,虚警概率为10-6的情况下所提算法对目标的检测概率大于0.8.     

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PHD的粒子滤波检测前跟踪改进算法

针对在低信噪比目标检测问题中,基于PHD的粒子滤波检测前跟踪算法（PHD-TBD）存在目标位置估计误差较大的缺陷,提出一种结合粒子群优化算法的基于PHD的粒子滤波检测前跟踪方法(PSO-PHD-TBD)。该算法在滤波预测和更新步骤之间加入基于NSGA-Ⅱ的多目标粒子群优化算法,结合量测信息将预测完成的粒子集的分布进行优化,将所有粒子转移到后验概率密度较大的区域,进而改善了多目标位置估计的性能;然后使用基于密度聚类的DBSCAN算法对粒子聚类,提取目标状态。仿真实验表明,在不同信噪比条件下,PSO-PHD-TBD在多目标数目估计情况与PHD-TBD算法一致,而位置估计精度明显优于PHD-TBD算法。     

改进的IMMPF算法在目标跟踪中的应用研究

改进的交互多模型粒子滤波(IMMPF)算法通过利用最新观测量得到的残差值设置一个自适应系数来调整滤波器的似然函数分布,使得采样点向高似然区域移动,增加了采样区域和似然函数的重叠部分,在一定程度上保持了粒子的有效性和多样性,克服了粒子样本的贫化问题,从而改善了传统的IMMPF算法在滤波采样过程中没有考虑到当前最新的观测信息而导致使滤波性能下降的问题。经过仿真实验验证,该改进方法应用在机动目标跟踪中,可以有效地提高了跟踪性能的稳定性。     

基于能量有效的水下分布式粒子滤波跟踪算法

为降低水下无线传感器网络目标跟踪算法能耗并提高定位精度,提出基于能量有效的分布式粒子滤波跟踪算法(EEPF算法)。EEPF算法通过能量有效的最优分布式动态成簇机制和启发式能量有效的调度算法来平衡水下节点间的能耗,延长网络生存期,并在预测、滤波、重采样阶段对粒子滤波算法进行改进,在保障期望目标跟踪精度的同时降低了运算能耗。仿真结果表明,EEPF算法是一种轻量级的能量有效的目标跟踪算法,该算法能耗低,网络存活时间长,且跟踪精度较传统粒子滤波算法有了较大提高。     

基于粒子滤波理论的雷达多目标TBD检测

粒子滤波理论适用于在非线性和非高斯环境下的目标跟踪与检测。文中基于序列重要性采样定理,提出了模型环境和多雷达目标检测的递归贝叶斯TBD算法。此算法在基本粒子滤波算法SIR的基础上,采用多模型粒子滤波器实现了多雷达目标的检测。仿真结果表明,算法能够有效地进行目标跟踪与检测。