多传感器数据关联与状态跟踪算法分析

本文针对给定区域内目标运动状态跟踪检测环节,多传感器跟踪系统获取测量数据与实际状态间存在较大偏差的问题,拟提出一种建立多目标数据关联、支持多传感器航迹融合的目标运动状态跟踪算法。将全局最近邻算法与改进后的全局最近邻算法进行组合,构建给定空间内不同目标间相对距离测量算法,建立目标测量结果与预测值间的相似度矩阵,保证数据关联结果的准确度;基于粒子滤波算法在利用单传感器检测目标时因干扰因素出现的偏差,引入FOA算法实现对融合系数的优化,获得目标状态的精准估计结果;在此基础上,利用粒子滤波优化算法建立分布式结构下多种电化学传感器的航迹融合算法,经均质化处理实现多个传感器航迹的融合与加权处理,最终仿真实验结果显示该算法可有效提升对融合航迹下目标的跟踪精度,为多传感器跟踪系统的开发设计提供重要参考。     

基于ADS-B的新型跟踪监视算法

考虑到ADS-B监视系统数据存在各种误差以及低空航空器飞行特点, 提出一种基于ADS-B数据的跟踪监视新方法。采用可设置判断门限实现飞行多模态间切换, 在平稳航段发挥卡尔曼算法的优势, 在机动航段保持RMIMM平滑稳定性能。该算法综合性能超越传统基于卡尔曼滤波的监视算法, 有效克服卡尔曼滤波对高频部分反应迟钝的不足, 又保留低频部分的良好跟踪特性。建立在多模态切换的基础上, 实现不同模式的快速预测, 为航迹预测提供基础。     

基于轨迹预报的空间目标断续航迹关联算法

空间目标跟踪过程中,航迹中断会严重干扰航迹融合及加重传感器负担,因此,空间目标断续航迹关联算法研究意义重大。针对传统断续航迹关联算法中直线外推得到的预测航迹具有较大误差,从而导致关联不准确的问题,提出基于轨迹预报的空间目标断续航迹关联算法。该算法基于动力学方程对空间目标进行跟踪,对中断前滤波更新值进行曲线拟合得到预报初值点,并结合目标动力学模型进行轨迹预报,将预测数据与中断后新起始航迹前几个时刻的状态更新值进行关联配对,实现空间目标中断前后航迹的关联融合。仿真实验结果验证了所提算法的有效性。     

相关噪声情况下航迹的关联及融合算法

本文研究了量测噪声与系统噪声相关情况下同步多传感跟踪系统的航迹关联及融合技术.考虑线性连续时间系统中过程噪声及量测噪声相互独立的情况,通过线性系统的离散化表明了在多传感跟踪系统中,由于公共噪声的影响而使离散化的量测噪声及过程噪声之间存在一定的相关性.根据假设检验的理论,本文推导了噪声相关情况下的多传感器跟踪系统航迹关联及融合的算法,Monte Carlo仿真结果表明了该算法的有效性.     

基于模糊综合函数的航迹关联算法

本主运用现代数学中的综合分析方法,提出了模糊综合航迹关联算法,文中详细讨论了状态零碎垧 量间模糊综合相信度的计算和评价方法,导出了三种典型模糊综合函数的递推式,研究了模糊综合航迹关联准则,并通过仿真将它与两种经典方法进行了比较,仿真结果表明,在密集目标环境下和／或交叉、分岔和机动航迹较多的场合,模糊航迹关联算法的性能明显优于传统方法,其正确关联率比传统方法提高了大约４０％     

基于D-S证据理论的无源航迹关联算法

目前分布式无源多目标跟踪系统的航迹关联算法基本照搬多传感器数据融合的理论,仅利用目标的状态信息。文中利用了目标的多特征信息（载频、脉宽、脉冲重复间隔（PRI）等）,应用Dempster-Shafer（D-S）证据理论,提出了一种基于分布式无源多目标跟踪系统的多特征信息融合航迹关联算法。算法具有以下优点：关联速度快,正确率高,而且能够适应密集目标的环境。仿真实验证明该算法的航迹关联效果明显优于加权航迹关联算法。     

基于灰关联无源多目标跟踪系统航迹关联算法

目前分布式无源多目标跟踪系统的航迹关联算法基本上照搬多传感器数据融合的理论,仅利用目标的状态信息.文中利用了目标的多特征信息(载频、脉宽、脉冲重复间隔等),应用灰关联理论,提出了一种基于灰关联的分布式无源多目标跟踪系统的航迹关联算法.由于利用了目标多特征信息,算法具有关联速度快、正确率高、而且能够适应密集目标环境的优点.仿真实验证明该算法的航迹关联效果明显优于加权航迹关联算法.     

一种改进的基于预测融合的跟踪航迹融合模型

针对基于预测融合的跟踪航迹融合模型(FP-TFM)在多传感器航迹融合时由于大量的矩阵运算导致的跟踪发散或失效问题提出了一种改进的基于预测融合的跟踪航迹融合模型(FP-ITFM),采用加权融合思想改进了FP-TFM的融合规则,使得改进后的FP-ITFM具有了较高的融合精度、较低的计算负载,同时增加了FP-ITFM的可扩展性、实时性以及稳定性。最后,Monte Carlo仿真结果验证了所提出模型的有效性。     

基于模糊综合函数的航迹关联算法

本文运用现代数学中的综合分析方法,提出了模糊综合航迹关联算法,文中详细讨论了状态估计向量间模糊综合相似度的计算和评价方法,导出了三种典型模糊综合函数的递推式,研究了模糊综合航迹关联准则,并通过仿真将它与两种经典方法进行了比较。仿真结果表明,在密集目标环境下和/或交叉、分岔和机动航迹较多的场合,模糊航迹关联算法的性能明显优于传统方法,其正确关联率比传统方法提高了大约40％。     

带有反馈的分布式结构下的无序航迹融合算法

随着无序量测算法研究的不断深入, 分布式系统中的无序航迹融合估计问题也已经引起了研究者的关注。针对带有反馈的分布式结构下的无序航迹问题, 提出了基于递推融合NALE判决机制的融合算法。算法采用递推融合NALE判决机制, 在融合中心递推处理周期内无序到达的局部估计。而后, 在系统融合周期结束时刻将全局估计反馈到局部处理器。通过理论分析和仿真实验说明算法可有效处理无序航迹问题, 同时提高了系统稳定性和实时性。     

一种多目标跟踪起始和数据关联的快速算法

包含有新目标跟踪起始的数据关联问题是多目标跟踪算法研究中的一个难点。本文首先描述了红外搜索跟踪（ＩＲＳＴ）系统进行多目标跟踪中的跟踪起始和跟踪终结问题;然后提出了采用可变跟踪门的方法,并且将ＩＲＳＴ系统接收到的目标红外辐射作为一个参考量。给出了多目标跟踪起始和数据关联的快速算法。最后给出了数值仿真结果,仿真表明了这种算法的快速性和有效性。     

多传感器融合多目标跟踪中的序贯航迹关联算法

对于分布式多传感器融合多目标跟踪系统,提出一种序贯处理的航迹关联融合算法。为实现杂波干扰环境中对密集多目标的精确跟踪,航迹关联采用了粗、精关联相结合的方法,最小均方误差法用于实现航迹融合。序贯处理的航迹关联融合算法在保证航迹关联正确的同时,大大降低了计算量。仿真实验结果说明了本文方法的有效性。     

一种自适应天波超视距雷达航迹融合算法

 针对天波超视距雷达在雷达坐标系下跟踪目标时,多路径传播效应下的各模式航迹起始与终结时刻不同而造成航迹缺失条件下的航迹融合问题,本文给出一种自适应天波超视距雷达航迹融合算法,通过应用当前时刻获得的新信息与历史时刻获得的信息联合确定最优关联假设,从而获得最优的目标状态估计.仿真表明,与多假设航迹融合算法相比,本文的算法大大降低了融合结果误差.     

分布式Zigbee多节点传感器数据融合轨迹关联

数据处理的速度不但取决于计算机本身,而且在一定程度上取决于的算法复杂程度,算法运算量的大小直接影响到设备运行的质量。文中通过对分布式Zigbee多节点传感器数据融合中的轨迹关联问题进行探讨,对节点状态估算进行推导,形成节点状态估算算法,提供了简单、方便、实用的轨迹关联算法。     

基于多目标多特征信息融合数据关联的无源跟踪方法

在多目标无源跟踪中,传统的数据关联方法只利用那些与目标状态向量计算直接相关的信息(如DOA、TOA信息等).本文提出了一种新的数据关联算法——基于多目标多特征信息融合的数据关联算法,该算法同时利用了更多的目标特征信息(如频率、PRI等),应用D-S证据理论进行单目标多特征信息融合,在此基础上,再进行多目标综合数据关联.它是一种基于多特征信息的全局最优的算法.计算机仿真表明,基于该算法的无源跟踪性能要优于传统的NN方法和扩展的NN方法.     

分布式多目标跟踪系统的灰色航迹关联模型

本文以分布式多目标跟踪系统的航迹关联问题为研究对象,首先指出了现有的两类航迹关联算法的固有缺 点,然后基于灰色理论提出了一种新的航迹关联算法,该算法根据数据列因素之间发展态势的相似或相异程度来衡量航迹 间接近的程度,使航迹关联问题突破了样本容量和典型分布这两条限制。最后给出了典型环境下的仿真结果,并与加权法 进行了比较,显示了该算法的优越性。     

基于纯方位信息的多传感器航迹融合仿真分析

对于现代战场环境来说,多传感器信息融合越来越重要。但是由于不同传感器性能存在差异,使用不同的关联方法会造成航迹关联正确率不同,航迹关联正确是航迹融合有效的基础,因此需要深入研究。首先理论分析了异类传感器航迹融合性能的主要影响因素及其影响程度,提出了异类传感器航迹关联方法。仿真结果表明,提高传感器测量精度、降低异类传感器测量精度差异、提高异类传感器航迹关联正确率将会改善航迹融合的效果。     

多目标跟踪中的数据关联和航迹管理

传统的多目标关联算法JPDA存在两个缺陷:计算量较大,且其算法框架里缺乏航迹起始和终止逻辑。文中给出了一个航迹管理表,它包含多种情况下航迹的关联,能完成航迹的起始、维持和终结。在可靠航迹关联中,该文提出了一个改进的快速关联算法—多维概率数据关联(MPDA),讨论时主要考虑关联门相交区域中的公共回波对航迹更新的影响。MPDA可以类似与PDA的较低的计算代价达到了接近JPDA的关联成功率。仿真结果表明,文中的数据关联和航迹管理算法对复杂条件下的多目标跟踪能保持较高的跟踪成功率。