单平台主/被动雷达制导异步数据融合算法研究

为改善主/被动雷达对目标的跟踪性能,在主/被动雷达双模制导模式下,对主/被动雷达的测量数据进行融合处理.由于主/被动雷达测量周期不同,导致主/被动雷达测量数据不同步,文中对于不同步的信息采用基于最小二乘法的时间配准方法,使之信息同步;对同步后的主/被动雷达数据采用带反馈的卡尔曼滤波算法,由于被动雷达仅测得目标的角度信息,而主动雷达可得到目标的角度和距离信息,本文将融合中心的状态估计和预测协方差反馈给被动雷达.仿真结果表明,融合中心能够实现对目标的状态估计,且反馈的利用可以明显改善局部传感器的估计精度,能够有效地减小系统动态误差.     

雷达-红外双模制导的神经网络数据融合算法

在雷达 红外双模制导体制下 ,对雷达和红外数据进行融合时存在雷达和红外数据不同步的问题 ,对红外数据先进行异步融合处理使其与雷达数据保持同步 ,然后提出了利用神经网络作为同步融合中心的方法 .雷达和红外数据共同作为神经网络的输入 ,输出为目标的最优融合估计 .这种方法可以在融合中心不知道协方差信息的情况下进行数据融合 .仿真结果表明该方法有效     

基于主/被动雷达双传感器的自适应跟踪融合算法

在主、被动雷达双传感器目标跟踪背景下，提出一种自适应数据融合算法。跟踪同一个目标的主、被动雷达观测数据由线性卡尔曼滤波器来处理，与主／被动雷达对应的两个跟踪器的输出数据被发送到一个中央节点，在这个节点中，包含了两个由在线跟踪信息构成的指标变量．将这些指标与设定的阈值进行对比．即通过二者的逻辑判断结果来选择用于得到整体评估的方法，其中对周值的选择决定了融合算法融合精度与计算量的平衡点。仿真结果表明，这种融合算法有很好的融合效果。     

雷达/红外双模制导神经网络数据融合

利用神经网络方法解决雷达/红外双模制导中的数据融合问题.红外数据经过异步数据融合处理与经过卡尔曼滤波处理后的雷达数据同步,共同作为神经网络的输入,神经网络作为同步融合中心,输出为目标的最优融合估计.研究结果表明这种方法可以在融合中心不知道协方差信息的情况下进行数据融合.     

2D 雷达组网目标高度估计方法

为解决2D 雷达不能测量目标高度参数的问题,提出一种2D 雷达组网目标高度估计方法。利用2 部雷达 对同一目标距离和方位角测量的冗余信息进行目标高度的初步估计,通过定义贴近度、一致性测度、一致性测度均 值、一致性测度方差和变异系数来确定不同雷达组合初步估计高度值参与数据融合的权值,利用不同雷达组合初步 估计的目标高度值以及参与数据融合的相应权重进行目标高度的融合估计。基于典型算例对所提算法进行验证。结 果表明：该算法能解决目标高度问题,具有一定的理论意义和较好的应用价值。     

主被动雷达导引头数据融合目标跟踪算法

在主被动雷达导引头目标跟踪过程中,为了有效融合主被动雷达导引头探测的信息进行精确跟踪,文中提出了用BP神经网络将主被动雷达导引头探测的信息进行分类,并通过模糊系统根据目标的机动大小调节神经网络的学习速率以及根据目标距离的远近调节融合中心的权值.通过仿真试验表明,与传统的目标跟踪方法相比较,具有更好的跟踪效果,证明了该方法是可行的.     

主被动异构弹载雷达组网抑制假目标干扰方法

针对单部弹载雷达在欺骗式假目标干扰的情况下存在视角单一、信息量少、难以有效抗干扰的问题,提出主被动异构弹载雷达组网抑制假目标干扰方法。该方法考虑了弹载雷达位置误差,在航迹起始阶段利用角度信息对主动和被动雷达导引头的量测量进行两两关联鉴别,从而剔除部分假目标,并使用关联成功的主动弹载雷达量测信息辅助被动雷达进行航迹起始;在航迹关联阶段,主动与被动弹载雷达分别对目标进行跟踪滤波,通过序贯航迹关联算法再次鉴别剩余假目标。仿真结果表明,该方法能够在保证较高的真实目标鉴别概率条件下对距离欺骗式假目标干扰进行有效抑制。     

一种红外与雷达信息融合跟踪算法及其性能分析

为了提高目标跟踪系统的性能,在吸收雷达和红外跟踪传感器各自优点的基础上,提出一种雷达/红外传感器信息融合方法,该方法综合了雷达测量信息全面以及红外测角精度高的特性,对雷达与红外量测进行融合形成融合量测,基于融合量测设计了状态估计滤波器。在不同假设条件下,分别对融合系统与单传感器跟踪精度进行了仿真比较。结果表明:融合系统的跟踪精度高于单个传感器的目标跟踪精度,可有效提高目标跟踪精度。     

空空导弹主被动雷达多模导引头研究

主被动雷达多模导引头是现代空空导弹末制导系统的一个重要研究方向。本文针对主被动雷达多模导引头设计时的关键技术,如宽频带天线罩、主被动复合天线、高灵敏度接收机、信息融合处理等技术,及其实现途径进行了分析,指出导引头设计时尤其要注意宽频带天线罩、复合天线设计时的数字补偿以及抗干扰性能设计时的主被动测量信息的融合处理。     

双基地的被动TMA及其性能研究

本文研究了双基地联合的目标运动分析（TMA）问题。在双基地条件下，以被动声纳较容易得到的目标方位，频率数据测量为依据。用数据融合方法对目标运动参数进行估计。并讨论了它的Cramer-Rao界，然后用具体实例对伪线性，扩展Kalman滤波方法的处理过程以及Cramer-Rao界进行了计算机仿真，其结果表明，数据融合的被动TMA方法能使定位误差椭圆明显缩小，估计精度得到很大改善。实现了对目标运动参数的有效估计。上述方法能推广到多基地的情形。     

基于目标视线角速度的航迹融合研究

雷达／红外双模制导过程中，提出了目标距离由雷达提供，目标视线角位置或角速度由雷达和红外融合提供．通过对目标被测误差角变化规律分析，提出了分布式结构中基于目标视线角速度的航迹融合方法，运用极大似然估计法进行了航迹状态估计融合．通过仿真，验证了该方法的有效性。提高了目标跟踪性能．     

多目标聚类融合跟踪中的特征信息利用

对雷达和电子支援系统的航迹关联问题，利用模糊C-均值聚类算法实现数据关联。该算法综合利用属性信息和动力学信息，通过构造一个影响距离因子函数．根据识别分类结果。调整样本与类中心的距离。最后融合方位角量测得到目标的状态估计。蒙特卡洛仿真表明．新算法比单一使用动力学量测的算法对多目标关联问题更有效。     

基于H∞滤波的主/被动雷达模糊自适应融合算法

在主/被动雷达复合制导背景下,提出一种基于H∞滤波和模糊逻辑的自适应融合算法,算法结合了H∞滤波和模糊推理的优点.为了克服卡尔曼滤波对模型和传感器噪声特性的依赖性,应用H∞滤波实现目标的状态估计.与卡尔曼滤波相比,H∞滤波不需要对噪声作任何假设.由于模糊推理方法具有很强的处理不确定性问题的能力,基于协方差匹配技术应用模糊推理方法在线估计每个H∞滤波器的性能,融合中心根据每个H∞滤波器的性能融合来自两滤波器的状态估计值.数字仿真结果表明了算法的有效性.     

雷达-红外异地配置下的数据融合算法

文中讨论了雷达和红外传感器异地配置情况下的数据融合算法.首先,讨论了雷达相对于红外传感器所在位置的转换测量和相应的测量误差获得方法;然后,对转换后的雷达测量数据和红外传感器的测量数据进行融合处理,从而可获得新的等效测量数据.最后,给出了算法的仿真分析.仿真结果表明新的融合算法能有效提高系统的状态估计精度.     

一种雷达/红外双模制导信息融合滤波算法

现代战争战场环境恶化,单一制导模式容易受到天气和干扰等影响,导弹制导性能降低,适应性差。雷达/红外双模制导模式综合了各传感器的优点,使制导系统具有更强的抗干扰能力、更高的命中精度。文中以工程化应用为背景,首先对主动雷达导引头和红外成像导引头测量信息采用方差自适应算法进行数据融合,再应用自适应的扩展卡尔曼滤波估计目标运动状态。最后,通过全弹道仿真证明了该方法的有效性。     

多模寻的制导的数据融合算法研究

提出了一种多模寻的制导系统中数据融合算法。首先对多模式探测数据进行时／空校准，然后进行测量数据的相关处理．再后利用最大似然算法对测量数据进行最优压缩，最后利用扩展Kalman滤波器对压缩后的数据进行滤波，输出目标的状态估计。仿真验证了算法的有效性。     

多种异类传感器联合跟踪的异步航迹融合算法

针对多种异类传感器联合跟踪的数据不同步问题,提出了一种适应于工程应用的异类传感器的异步航迹融合算法。首先利用最小二乘估计对红外测角信息进行数据压缩预处理,将预处理之后的红外测角信息与激光测距信息作为光电测量值代入扩展卡尔曼滤波,再利用分布式异步融合算法将光电与雷达进行航迹融合。仿真结果表明,该算法具有很好的跟踪精度、收敛速度和实时性。     

雷达／红外数据融合的机动目标跟踪算法综述

雷达与红外数据融合能够实现信息互补，提高目标跟踪精度、识别能力以及增强系统的抗干扰性，因此受到广泛关注。针对雷达和红外数据融合跟踪机动目标的体系结构，基于近几年国内外的研究，对整个体系中的算法进行了综述。     

基于神经网络的分布式被动传感器信息融合技术

在分布式被动传感器信息融合中,存在多传感器信息关联和单传感器目标估计困难,二者相互 依赖和制约,造成相对于不同传感器的信息难于进行时空对准、虚假目标不能消除。为此,应用一种混合式有序分层信息融合结构,避免多传感器信息的多重组合问题,建立了基于两个传感器的信息关联与目标估计联合优化模型,并采取一种优化神经网络算法,避免关联中的组合计算。仿真计算结果表明,这种信息融合结构、优化模型和模拟神经网络的应用是解决被动信息融合系统中关联和估计问题的一种有效方法,所采用的Hopfield型神经网络易于实现,可以提高信息融合的性能。     

基于神经网络与改进D—S证据理论的目标识别

研究基于神经网络（NN）和D—S证据理论相结合对多传感器多测量周期进行数据融合的目标识别方法．采用中心式融合算法，利用神经网络对单个传感器不同周期的目标进行融合识别；利用D—S证据理论对识别信息进行全局融合，得到综合的目标识别，达到对目标识别的目的，并通过实例证明了该方法的有效性．