基于目标状态估计协方差控制的目标分配方法

针对多传感器多目标跟踪环境中目标跟踪性能与系统资源不足之间的矛盾,提出了一种基于目标状态估计协方差控制的目标分配方法.该方法根据系统对不同目标的跟踪精度要求设定各目标的期望协方差,通过期望协方差与预测协方差的差来确定目标所需的传感器组合,在此基础上实现目标对传感器的有效分配.仿真结果表明了该算法的有效性.     

面向机动目标跟踪的多传感器长时调度策略

为解决杂波环境下机动目标跟踪以及系统辐射风险控制的问题,提出了一种面向机动目标跟踪的多传感器长时调度策略.该方法首先以交互式多模型和概率数据关联算法为基础,估计杂波环境下机动目标跟踪精度.然后以辐射度影响量化辐射代价、推导有限时域内辐射代价,以后验克拉美-罗下界衡量目标跟踪性能、预测机动目标有限时域内后验克拉美-罗下界.最后,引入传感器切换代价,考虑跟踪精度约束,建立基于代价函数和后验克拉美-罗下界的多传感器长时调度策略,并将该约束调度问题转化为决策树优化问题,采用阈值剪枝搜索技术求解最优策略.仿真结果表明:该方法验证了所提策略的有效性,与标准代价搜索相比,所提搜索算法能够以辐射风险略上升为代价,显著降低节点打开数、加快搜索空间;与随机调度、最近调度和贪婪调度相比,所提调度策略能够在满足跟踪任务需求下获得更低的辐射代价;与随机调度和贪婪调度相比,所提调度策略切换代价更低,有效克服了传感器频繁调度问题,更利于实际实现.     

主/被动传感器辐射控制的调度方法

为了降低目标跟踪时传感器系统的辐射风险,研究了主/被动传感器的调度问题。通过建立基于部分可观马尔可夫决策过程的传感器调度模型,给出了目标跟踪精度和系统辐射代价的预测公式,并以满足跟踪精度约束的同时系统辐射代价达到最小为优化目标建立了目标函数,设计了一种改进分布式拍卖算法以求解该问题。仿真实验表明,该方法能够通过合理切换各平台上的主/被动传感器,使系统在不牺牲跟踪精度的同时,降低辐射代价。     

基于改进粒子滤波的传感器网络目标跟踪研究

在分析粒子滤波算法(PF)的基础上研究了一种改进的粒子滤波算法-无迹粒子滤波算法(UPF).UPF算法使用无迹卡尔曼滤波(UKF)算法产生重要密度函数.动态组织传感器网络节点成簇,将UPF算法和PF算法应用于无线传感器网络(WSNs)的目标跟踪,实现了对网络中做匀速直线运动的单个目标的跟踪.最后将UPF算法与PF算法进行比较.仿真结果表明,改进算法UPF滤波提高了粒子利用效率,精度更高,跟踪性能更好.     

机动目标跟踪的分布式MIMO雷达资源分配算法

在分布式多输入多输出雷达平台下,将发射功率和信号带宽联合优化分配,目的是在资源有限的情况下提高机动目标的跟踪精度.该方法首先推导了机动目标跟踪误差的贝叶斯克拉美罗下界,然后以最小化贝叶斯克拉美罗下界为目标,建立了包含发射功率和带宽两个优化变量的代价函数,并用循环最小化算法结合凸松弛和凸优化进行求解.仿真结果表明,该算法能明显提高机动目标的跟踪精度.     

一种适用于机动目标跟踪的改进卡尔曼滤波算法

针对卡尔曼滤波跟踪强机动目标时性能下降的问题,提出了一种适用于机动目标跟踪的改进卡尔曼滤波算法.该算法在卡尔曼滤波算法的基础上,根据当前量测目标航向与前一目标航向之间的航向角度差,判断机动强弱并计算出加权函数值,然后用加权函数值根据量测数据依次修正机动目标加速度预测值和目标预测状态,最终改进目标的状态估计.仿真结果表明,目标强机动时该算法具有较高的跟踪精度.     

粒子群算法在多传感器多目标跟踪的应用

多传感器多目标跟踪系统中,数据关联是其中的关键问题之一.它可以表述为多维分配问题,提出了基于粒子群优化算法的多维分配算法,它将多维分配问题中的目标代价函数极小化问题作为组合优化问题求解.通过在粒子群初始化步骤以及交叉和变异时充分考虑确认备选量测,缩小优化搜索范围,能较快找到最优解实现关联.在虚警和漏检、密集目标环境下,该算法应用于多传感器多目标融合系统仿真,结果表明所述算法在多目标数据关联中有较好的可行性和优越性.     

一种TOA联合同步与定位的CWLS算法

在基于到达时间定位中,针对目标节点与传感器锚节点之间存在时钟偏差而导致定位性能下降的问题,提出了一种时钟同步与目标定位联合估计算法。该算法通过引入辅助变量将非线性量测方程伪线性化,并建立代价函数;然后利用变量之间的关系构造约束条件,将原定位问题转换为约束加权最小二乘问题;最后利用拉格朗日乘子法得到目标位置和时钟偏差的闭式解。理论分析和仿真实验表明,所提算法的定位性能逼近克拉美罗界,优于现有算法。     

基于选优估计函数的盲信号分离

基于独立分量分析的盲信号分离问题，提出了一种选优估计函数的新方法，即在信号分离的初始阶段选择具有良好暂态特性的估计函数，而在跟踪阶段使用具有良好稳态性能的渐进最优估计函数．该方法克服了已有算法收敛速度和稳态性能之间的矛盾．仿真结果证明了算法的有效性．     

采用拟蒙特卡罗法的被动多传感器目标跟踪

使用拟蒙特卡罗采样方法替代传统的蒙特卡罗采样方法,改善了高斯粒子滤波器的性能,结合多传感器集中式融合策略,提出了一种基于拟蒙特卡罗-高斯粒子滤波器的被动多传感器目标跟踪算法,较好地解决了被动跟踪中的强非线性和弱可观测性问题．该算法在降低计算复杂度的同时提高了跟踪的精度和稳定性,使算法快速收敛,并且具有并行结构,有利于用超大规模集成电路来实现．