基于航迹矢量分级聚类的雷达与电子支援措施抗差关联算法

针对同平台雷达与电子支援措施(ESM)存在系统误差、上报目标不完全一致等复杂场景下航迹关联鲁棒性和有效性问题,该文提出一种基于航迹矢量分级聚类的雷达与ESM航迹抗差关联算法。首先推导修正极坐标系(MPC)下目标等价测量方程,基于等价测量的近似展开得到目标状态估计分解方程,利用真实状态对消的方法得到航迹矢量,基于高斯随机矢量的统计特性,采用航迹矢量分级聚类的方法提取同源航迹。最后通过实验仿真验证,所提算法在不同系统误差、目标分布密度、检测概率等环境下具有较好的关联效果和鲁棒性。     

基于拓扑统计距离的航迹抗差关联算法

传感器观测目标的拓扑信息可用于解决系统误差下的航迹关联问题,但传统方法对航迹信息利用不足且难以适应传感器虚警和漏报的情形。论文提出一种基于拓扑统计距离的航迹抗差关联算法,首先转换目标状态估计及其协方差以得到目标参照系下的拓扑描述;然后在推导拓扑统计距离的基础上,进行全局最优关联;最后以目标参照系下邻居目标关联对的平均统计距离作为参照目标间的关联度,根据双门限准则完成参照目标的关联判决。仿真结果表明,在密集编队目标、随机分布目标和传感器存在虚警漏报条件下,该算法的性能明显优于传统方法。     

基于航迹矢量检测的雷达与电子支援设施抗差关联算法

针对雷达与电子支援设施(ESM)存在系统误差、上报目标不完全一致等复杂场景下目标航迹关联问题,该文基于高斯随机矢量统计特性,提出一种基于航迹矢量检测的雷达与ESM航迹抗差关联算法。首先在修正极坐标系(MPC)下推导目标状态估计分解方程,采用真实状态对消的方法得到航迹矢量,为剔除大部分非同源目标航迹,构建方位角变化率-距离变化率与距离比(ITG)统计量进行粗关联,然后采用基于航迹矢量\begin{document}${\chi ^2}$\end{document}检验的方法实现雷达与ESM的航迹关联。最后通过实验仿真验证了该文算法在不同系统误差、目标密度、检测概率等环境下的有效性。     

基于航向参照匹配的航迹抗差关联算法

探讨了系统误差影响下的多传感器航迹关联问题。由于传感器观测存在虚警和漏报,利用目标拓扑信息进行航迹关联的算法可靠性会降低。提出一种基于航向参照匹配的航迹抗差关联算法,该算法首先建立以传感器观测目标为原点、航向为参照的运动坐标系,对邻居目标数据进行旋转和平移转换;然后对各目标参照系下的邻居目标以目标距离为统计量进行全局最优关联;最后以各目标参照系下确认关联对的平均距离为匹配度量,以使匹配度量最小的参照目标对为关联匹配目标。仿真结果从目标共同观测率、系统误差范围和目标密集程度等方面验证了算法的有效性和健壮性。     

应用K-means聚类的分布式多传感器航迹关联算法

针对分布式多传感器航迹关联的特点,考虑采用K-means聚类的航迹关联算法。将来自各传感器的局部航迹与系统航迹进行关联,并将系统航迹作为初始聚类中心,避免了K-means算法本身依赖初始值的缺陷;提出将系统航迹与局部航迹的欧式距离以及其状态向量在1范数下的距离之和作为相似度测度;设定距离门限值,减少了极端数据对聚类结果的影响,并增加多义性处理。蒙特卡洛仿真实验表明,该算法在目标密集并且目标有交叉的情况下能以较小的代价得到较高的平均正确关联率。同时,该算法克服了最近邻域法的局部最优特性和关联正确率高度依赖特征阈值等局限性。     

雷达与电子支援措施异步抗差航迹关联算法

针对雷达与电子支援措施(ESM)存在系统误差、航迹异步等复杂条件下的航迹关联问题,该文提出一种基于区间序列离散度的异步抗差航迹关联算法.定义混合区间序列的离散信息度量,给出系统误差的区间化方法,通过计算区间离散度并利用经典分配法进行关联判定.与传统算法相比,可在系统误差存在的前提下无需时域配准对异步航迹直接关联,且对噪...     

雷达与电子支援措施异步抗差航迹关联算法

针对雷达与电子支援措施(ESM)存在系统误差、航迹异步等复杂条件下的航迹关联问题,该文提出一种基于区间序列离散度的异步抗差航迹关联算法.定义混合区间序列的离散信息度量,给出系统误差的区间化方法,通过计算区间离散度并利用经典分配法进行关联判定.与传统算法相比,可在系统误差存在的前提下无需时域配准对异步航迹直接关联,且对噪声分布不敏感.仿真结果表明,所提算法具有良好的抗差性且不受目标运动位置的影响,适用于传感器同地或异地配置等多种情况.     

传感器网络中航迹关联的加权模糊聚类算法

提出一种基于特征加权的模糊聚类算法用于传感器网络中的航迹关联.该方法首先将分布式多传感器获得的航迹进行数据同化,然后通过同步采样将所有航迹映射为高维空间中的一组点集,最后通过特征加权的模糊c均值(FCM)聚类算法实现航迹的分类关联和信息融合.在聚类算法中通过ReliefF算法实现了特征权值的自动确定,自适应地考虑了不同时刻航迹位置对数据关联的不同影响.实验结果表明本文提出的航迹关联算法不仅具有良好的关联效果,而且通过特征的自适应加权提高了信息融合质量.     

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。     

一种基于模糊聚类的PHD航迹维持算法

针对杂波环境下数量变化的多目标航迹关联问题,提出一种基于模糊聚类的PHD航迹维持算法.该算法充分利用多帧信息,对当前时刻状态进行多步预测,并根据惯性进行加权,然后利用模糊聚类求得当前估计属于每条航迹的隶属度,从而得到最终的航迹.与传统的估计与航迹关联算法不同,该算法在更新每条航迹信息时,不仅仅是简单地对相邻帧之间的对数似然比进行求和,而是通过加权聚类等操作综合考虑了多帧信息.实验结果表明,所提算法能够更好地保持目标航迹,即使在目标出现交叉的地方也能达到很好的跟踪精度,具有较强的鲁棒性和优良的航迹维持性能.     

基于t分布混合模型的抗差关联算法

针对传感器系统误差和观测目标不完全一致的情况下目标航迹关联中鲁棒性问题,该文提出一种基于t分布混合模型的抗差关联算法。将航迹关联问题转化为图像匹配中的非刚性点集匹配问题,针对非共同观测目标影响关联性能的问题,将非共同观测目标的航迹视为图像匹配中的异常点,建立了对异常点具有更好鲁棒性的重拖尾t分布混合模型,利用期望最大化(EM)算法求解t分布混合模型的闭合解,在求解中为了确保航迹点间的运动一致性(CPD),加入Tikhonov正则项。最后通过实验仿真验证,所提算法在系统误差和观测目标不完全一致情况下的鲁棒性和有效性。     

一种模糊加权的改进层次聚类算法研究

传统层次聚类算法中经常会遇到合并点和分裂点选择的问题,一旦一组对象被合并或者分裂,下一步的处理将在新生成类上进行,已做处理不能撤销,这样有可能导致低质量的聚类结果.针对这个问题,文中提出了一种模糊加权层次聚类改进算法,每次分层聚类时先计算对象属于这个类可靠度,然后和阀值进行比较,当可靠度小于阀值时重新确定对象的归属类,这样就解决了上述问题.最后通过实验验证,该算法确实可行有效.     

基于合并分层聚类的网络拓扑推断算法

针对HTE（Hierarchical Topology Estimation）算法计算复杂度较高的问题及其在节点相关性估计方差较大条件下性能下降的问题，提出基于合并分层聚类的网络拓扑推断算法.该算法采用自底向上的合并分层聚类，每次聚类仅使用与最大相关节点对有关的数据，相对HTE算法降低了运算复杂度；建立了改进的有限混合模型，增加了参数推断的有效数据，提高了算法的参数估计精度.仿真结果表明相对HTE算法，本文方法可以更快地推断出网络拓扑，且在节点相关性估计方差较大条件下，有更高的拓扑推断精度.     

一种基于类中心矫正的层次聚类算法

为了克服传统层次聚类算法由于两类合并造成的中心点偏移的严重缺陷,提出了一种基于类中心矫正的层次聚类算法,从而提高了算法的精确度;同时继承了传统层次聚类对初始中心点的无依赖性;经分析,算法对于已知聚类数和未知聚类数两种情况均有着良好的聚类效果.通过标准数据测试,结果表明新算法的聚类性能与层次聚类算法相比有更高的精确度;并且让新算法用于指导图像分割实验,证明了算法的有效性.     

基于流形距离的量子进化聚类算法

基于量子计算的机理和特性,并结合进化计算,本文提出了一种新颖的量子进化聚类算法(QEAM),在该聚类算法中引入了一种新的距离测度函数——流形距离.新方法将聚类归属为优化问题,通过运用量子进化的机理更快地搜索到最优聚类中心,从而得到最优隶属度矩阵划分;同时,通过基于流形距离的相似性度量,有效利用样本所具有的全局一致性信息...     

基于灰关联度和距离的特征关联算法研究

特征关联是无源多传感器多目标跟踪中一个关键环节。针对多传感器系统对多个辐射源进行量测过程中存在的测量误差,导致的量测值和它源于的辐射源之间出现的对应模糊问题,提出了基于灰关联度和距离度量的特征关联算法。该算法通过计算特征向量之间的灰关联度和距离,把相似度较高的特征向量划分为一类,成功地消除了对应模糊问题。模拟产生了辐射源数据库,并比较了不同相似性度量性能优劣,不同噪声环境下的关联正确率,进行了关联效果检验,仿真结果表明用灰关联度作为相似性度量关联正确率高于距离度量,但所用时间较长。     

基于分层聚类的并行数据预处理算法

分层聚类技术在图像处理、入侵检测和生物信息学等方面有着极为重要的应用,是数据挖掘领域的研究热点之一。针对目前并行分层聚类算法处理大数据集时速度较慢的特点,提出一种并行数据预处理算法,该算法可使原始输入数据的规模最多减少为原来的1/10,从而可减少总的并行分层聚类时间。在测试数据集上的实验结果表明使用本算法进行预处理后,能显著减少分层聚类的运行时间。     

一种基于数据场的层次聚类方法

聚类分析是统计、模式识别和数据挖掘等领域中一个非常重要的研究课题,具有广泛的应用前景.受物理学中场论思想的启发,提出一种基于数据场的层次聚类方法.该方法将物质粒子间的相互作用及其场描述方法引入抽象的数域空间,通过模拟对象在虚拟数据场中的相互作用和运动实现数据对象的自组织层次聚集.实验显示,该方法不依赖于用户输入参数的仔细选择,能够发现任意大小和密度的非球形聚类,对噪声数据不敏感,且具有近似线性的收敛速度.