密集杂波环境下的数据关联算法研究

提出了一种基于马尔可夫链蒙特卡洛(MCMC)方法的数据关联算法-MCMCDA.该算法通过在相应的关联事件空间中采样,能有效地估计数据的边际关联概率,且算法的估计精度可根据需要进行调节.仿真结果表明,在跟踪的目标数目较多,杂波密度较高的情况下,JPDA算法因出现"组合爆炸"问题而难以满足实时性要求;Cheap JPDA算法虽然简便易行,但在目标出现交叉时性能大大下降.MCMCDA算法则能在各种情况下以较低的计算负荷保持数据关联的精度,且算法性能稳定,从而能够较好的满足实际工程的需要.     

UPF算法及其在目标跟踪问题中的应用

针对传统粒子滤波(PF)算法的缺陷,提出了一种改进的粒子滤波(UPF)算法。该算法以UKF方法生成替代分布并从中采样,解决了传统PF算法中以转换先验密度函数作为替代分布所引发的各种问题。对UPF算法进行了深入的分析研究,并给出了一个纯方位目标跟踪问题的仿真算例。理论分析与仿真结果均表明,改进算法提高了滤波的稳定性和精确性,具有较高的实用价值和广泛的应用前景。     

未知转换概率矩阵下的机动目标跟踪算法

机动目标跟踪过程中的转换概率矩阵往往是未知的,系统状态也将呈现非线性、非高斯、不完全观测的特点。传统的方法如交互多模型、广义伪贝叶斯算法等解决该类型问题的效果并不理想。将准贝叶斯法则和辅助粒子滤波算法相结合,提出了一种新的未知转换概率矩阵条件下的机动目标跟踪算法(QB-APF)。仿真结果表明,该算法与其他方法相比具有更高的滤波精度和较好的数值稳定性。