基于神经网络的多机动目标跟踪算法

将神经网络理论用于多机动目标跟踪,解决了联合概率数据关联(JPDA)存在的计算量组合爆炸问题。基于神经网络数据关联(NDA)所得到的最佳关联假设,将其与简化信息融合并行自适应滤波算法(DAF)进行有效结合,在保证量测与目标有效关联的同时,还具备跟踪起始和终结的作用,实现了对多机动目标的状态滤波与预测。仿真结果表明,与传统的交互式多模型联合概率数据关联算法相比,新算法在保证多机动目标的跟踪精度及实时性要求的同时,计算量大大减少。     

基于联合概率数据融合的多目标车辆安全跟随

为了实现密集杂波环境下多目标车辆安全跟随，提出多源传感器数据融合的多目标车辆跟踪算法与纵向避撞预警策略.针对多源传感器观测序列因采样周期、采样起始时刻、通信时延差异等引起的时间异步，以及空间上存在不同维度、不同坐标系的问题，给出时间配准与空间融合的软同步方法.采用基于改进的联合概率数据关联(JPDA)的单一传感器多目标状态估计算法对目标轨迹进行滤波估计，能够在保证有效关联的同时，在一定程度上降低计算复杂度.基于多源传感器联合概率数据融合(MSJPDA)序贯滤波算法对目标的运动状态进行序贯更新，将最后一级的输出作为融合中心的最终状态估计，再根据威胁估计模型对追尾危险的发展态势进行评估与分级.实车试验与仿真结果验证了该算法的可行性与有效性.     

基于成像声呐的水下多目标跟踪研究

针对水下多目标跟踪问题,提出基于成像声呐的高效目标跟踪算法. 基于声呐的成像特点,针对声学图像中的每个像素点,建立基于信号强度的回波信号模型,提取图像中的个体目标. 采用基于序贯蒙特卡罗的概率密度假设(SMCPHD)滤波对各目标状态进行滤波,结合Auction航迹识别算法将滤波后的目标状态与已确定的航迹进行关联,实现多目标跟踪. 通过算法的仿真分析发现,该方法相对于基于数据关联型的多目标跟踪算法如联合概率数据关联(JPDA)算法、多假设跟踪(MHT)算法,大大提高了计算效率. 对采集的现场数据进行目标提取与跟踪,获得目标的跟踪轨迹.     

基于PDA的非线性分布式跟踪算法

研究目标不确定性量测、不确定性机动环境下的分布式多雷达跟踪。针对目标未知机动，把交互多式模型算法中的模型样本空间分成若干子集，分别在多个处理器上进行并行滤波，再在融合中的处理器上将各子处理器结果进行交互处理，形成了分布交一线式多模型算法，然后将它与概率数据关联ＰＤＡ相结合，得到了一种新的分布式鲁棒跟踪算法。     

混合坐标下的卡尔曼滤波应用于水下被动目标跟踪

针对下水下被动目标跟踪数据率低、跟踪误差大的特点和难点,研究了混合坐标下的自适应推广卡尔曼滤波算法,并将其应用于水被动目标跟踪估计器设计,该算法充分应用了直角坐标系下动态方程的线性特性和极坐标系下测量方程的线性特性,针对两坐标系间协方差矩阵变换的近似,引入了虚拟噪声进行补偿。通过系统的MonteCarlo仿真结果表明：该算法在收敛速度和估计精度方面都优于单一坐标体系下的滤波算法。     

一种车辆机动目标跟踪的多传感器信息融合估计算法

为了保证自动高速公路系统对车辆机动目标的实时、精确跟踪,提出了一种车辆机动目标状态的多传感器信息融合估计算法.建立了车辆运动状态的离散时间多模式非线性动态系统模型,利用当前时刻的各个传感器量测数据,结合交互式多模型和扩展卡尔曼滤波器得到各个局部状态估计值和滤波误差协方差阵,并采用动态加权信息融合准则获得更为精确的车辆融合航迹估计值.通过仿真验证表明这种多传感器信息融合估计算法能实时有效地提高车辆机动目标跟踪精度.     

多特征融合的相关滤波红外单目标跟踪算法

针对红外单目标跟踪问题,提出一种多特征的相关滤波目标跟踪算法。该算法融合了图像的卷积特征和差分特征,使用卷积特征和差分特征分别训练相关滤波模型。在跟踪阶段,对两种特征的相关滤波模型得到的响应图动态融合,利用动态融合的响应图来确定目标的最终位置,使用得到的目标位置分别更新相关滤波模型。在林雪平热红外数据集上进行了实验验证,与一些经典的跟踪算法进行了对比,表明该算法拥有更高的跟踪准确率。     

基于交互多模型的改进无迹粒子滤波算法

为了提高机动目标的跟踪精度,提出了适用于非线性非高斯系统的基于预测残差的交互多模型自适应无迹粒子滤波算法.该算法将无迹粒子滤波与交互式多模型的优点相结合,通过UT变化构造粒子滤波的建议分布函数,利用预测残差在线对测量协方差和状态协方差进行自适应调节,以改进执行和计算的有效性从而降低计算误差.仿真结果表明,与交互式多模型粒子滤波、交互式式无迹粒子滤波算法相比,该算法具有更好的跟踪精度.     

多目标跟踪中几种数据关联方法的比较

数据关联是多目标跟踪的核心部分,概率数据关联滤波（probability data association filter, PDA）算法和联合概率数据关联滤波（joint probability data association filter,JPDA）算法是两种典型的数据关联算法.PDA方法计算量小,有较好的单目标跟踪性能,但在跟踪多个目标时会发生目标的偏移和聚合现象;JPDA方法具有良好的多目标跟踪性能,但其运算量巨大而难于在工程中应用.OSPDA（the order statistics PDA）是改进型的快速算法,关联精度高并且计算量小.对这几种数据关联方法进行了分析比较,并作了仿真,指出各种算法的优缺点.     

一种利用径向速度信息的改进JPDA算法

为解决边扫描边跟踪多频连续波雷达数据互联问题,提出了一种基于目标径向速度信息的联合概率数据互联（JPDA）算法。该算法通过引入目标径向速度信息,进一步限制进入跟踪门相交区域中的虚假量测数量,并对公共测量值权重系数进行调整,进而改善跟踪精度,缩短计算时间,提高跟踪成功概率。仿真结果表明,径向速度信息的运用使得改进的JPDA算法的跟踪性能得到了显著提高。     

基于“当前”模型的IMM-UKF机动目标跟踪融合算法研究

文章设计了一种基于“当前”统计模型的交互式多模型无迹卡尔曼滤波(IMM-UKF)融合算法.首先在交互式多模型算法框架内,计算“当前”统计模型的概率,自适应地调整“当前”统计模型中目标加速度,提高了“当前”统计模型的自适应性.其次,该算法结合了交互式多模型和无迹卡尔曼滤波算法,该算法具有交互式多模型具有对不同目标机动模式自适应跟踪的能力和无迹卡尔曼滤波滤波度高的优点.最后,采用分布式融合算法提高了系统抗干扰能力及对目标跟踪的有效性和跟踪精度.通过对三维机动目标进行仿真,结果表明文中所设计的IMM-UKF融合算法对于跟踪以多种机动策略实时机动的目标具有较好的跟踪性能,可以减小系统机动跟踪的误差均值和标准差.较之传统的交互式多模型算法,跟踪性能更加优越.     

基于遗传算法改进的粒子滤波重采样模型

提出一种基于遗传算法改进的新粒子滤波算法,该算法对于每次迭代计算出的最差粒子并未简单地进行丢弃,而是将这些最差粒子利用生物遗传中的遗传性和变异性将其进行修正。该算法利用最差粒子数据与种群中特殊数据进行交叉变异方法来增强粒子种群中的多样性,从而有利于粒子滤波对机动目标的跟踪;同时保留部分粒子在未来进行唤醒也体现了多样性。该算法更有利于实现粒子滤波在机动目标跟踪的适应性,提高其跟踪效果。     

当前统计概率数据关联算法

目标跟踪领域的一个研究重点是如何解决在密集杂波环境下机动目标的跟踪问题。机动目标跟踪的关键是解决目标模型的不确定性,而密集杂波环境则使这个问题变得更加复杂。针对这一问题,提出一种当前模型概率数据互联算法。该算法将当前模型算法与概率数据互联相结合,在使用概率数据互联算法的同时,利用当前模型算法对目标出现的机动进行自适应滤波。最后,给出了算法的仿真分析,仿真结果说明该方法能够有效地跟踪杂波环境中的机动目标。     

基于坐标转换的多路侧激光雷达数据配准方法

为准确、高效地获取多个激光雷达配准结果,提出一种基于坐标转换的多激光雷达配准算法。将全球定位系统(global positioning system, GPS)数据转换到地心空间直角坐标系下表示,求解基于空间直角坐标系的激光雷达数据与地心空间直角坐标系数据间的映射关系,根据总体最小二乘法原理进行转换矩关系的优化,基于转换关系,将多个激光雷达数据配准到大地坐标系下,实现多个激光雷达数据在大地坐标下的融合。试验对比4种不同型号、不同线束的激光雷达数据转换效果,结果表明各型号激光雷达经配准后均可以GPS数据形式呈现,通过转换数据与测量数据相比,精度可达到5 cm。本算法可较准确快速地获取多激光雷达配准结果,将多个激光雷达数据统一配准到大地坐标系下,配准后的数据在定位、安全评估等领域具有较高的使用价值。     

跟踪机动目标的自适应α-β滤波算法

针对已有机动目标跟踪算法运算量大的不足,提出了一种新的自适应α－β滤波算法．该算法选用极坐标系作为跟踪坐标系,建立了带有伪加速度修正的目标运动模型及外推方程,给出了自适应获取滤波增益的一种新方法．仿真结果表明,该算法滤波精度与有代表性的ＩＥ算法、ＶＤ算法、ＩＭＭ算法相当,但运算量则大大低于这几种算法,易于工程实现,可用于机动目标的快速跟踪．     

一种基于模糊逻辑的主/被动雷达数据融合算法

提出一种基于模糊逻辑的主/被动雷达传感器数据融合算法。首先将单个雷达的测量值通过时间校准后,将它们作为卡尔曼滤波器的输入分别滤波,然后再对滤波后的目标状态估计进行融合。融合算法是基于卡尔曼滤波的协方差匹配关系,采用模糊推理得到数据融合的权值。最后将各传感器的卡尔曼滤波状态估计进行加权融合得到所需要的目标状态信息。采用该融合算法可以有效提高目标跟踪系统的抗干扰能力。仿真结果表明该算法有效。     

基于矩阵加权多模型融合的认知跟踪波形设计

针对机动目标状态跟踪问题,认知雷达能够调整发射端波形来获取持续、稳健目标跟踪信息.本文基于矩阵加权多模型融合思想引入一种新的面向机动目标跟踪的认知雷达自适应波形设计方法(Adaptive waveform design method based on Matrix-weighted Interacting Multiple Model,AMIMM).首先,利用多模型思路对机动目标状态进行建模,并考虑各模型目标状态估计及其误差协方差矩阵中元素间相关性,以矩阵加权融合方式代替传统概率加权方式,进而构造基于矩阵加权多模型信息融合的跟踪算法框架;然后,以多模型状态融合后的状态估计误差协方差矩阵为基准,利用特征值分解(Eigen Value Decomposition,EVD)技术求取融合后状态估计误差协方差矩阵对应椭圆参数;最后,通过分数阶傅里叶变换(fractional Fourier transform,FrFT)来旋转雷达量测误差椭圆,使得量测误差椭圆与融合后目标状态估计误差椭圆正交,从而获得下一时刻认知波形参数,实现波形自适应捷变.仿真实验表明,与当前流行多种算法相比,本文所提算法能够进一步提高机动目标跟踪精度和稳健性.     

模糊化模型概率的IMM-SUPF机动面目标跟踪

为了提高跟踪系统对水面机动目标的跟踪能力,本文将水面目标建模为椭圆形面目标,提出一种基于交互多模型(interacting multiple model, IMM)算法的机动面目标跟踪方法。首先,利用现代高分辨率雷达获得的面目标扩展测量,给出了基于面目标的跟踪测量方程。其次,将强无迹粒子滤波(strong unscented particle filter, SUPF)算法引入到IMM中得到IMM-SUPF。该SUPF利用强跟踪无迹卡尔曼滤波(strong tracking unscented Kalman filter, STUKF)产生粒子建议分布。由于STUKF采用渐消因子调整UKF的状态模型协方差和观测模型协方差的比例,使得建议分布更符合真实状态的后验概率分布,从而提高了IMM算法中子模型滤波器的估计精度。最后,基于模糊隶属度函数对粒子的模型概率进行模糊化,从而在提高真实模型滤波器中粒子模型概率的同时减小非匹配模型滤波器中粒子模型概率,进而提高了IMM算法的估计融合精度。Monte-Carlo仿真实验表明,相比于传统的基于质点目标的IMM-UPF算法,文中所提的基于面目标的IMM算法跟踪精度更高,且所提算法的误差超调量更小,收敛更快。此外,所提面目标IMM算法的跟踪精度也要高于面目标IMM-UPF算法。针对水面机动目标跟踪问题,不同于传统的质点目标IMM算法,文中将水面目标建模为椭圆形面目标,并利用面目标扩展测量信息设计了模糊化模型概率的IMM-SUPF算法。该算法进一步提高了跟踪系统对水面机动目标的跟踪能力。     

杂波环境中一种新的机动目标跟踪算法

针对传统交互式多模型概率数据互联(IMM PDA)算法中因模型选取的不确定性,跟踪精度低等缺点,引入了联合交互式多模型概率数据互联的思想,在此基础上提出了一种适用于杂波环境机动目标跟踪的新算法——交互式自适应概率数据互联(IMMAPDA)算法,将自适应滤波算法应用到PDA滤波器中和数据关联进行有机结合,提高了杂波环境中机动目标的跟踪精度。理论分析与仿真结果验证了该算法的优越性,提高了目标跟踪精度,解决了全局最优化问题。     

自适应TSKF的空间电推进机动目标跟踪

非合作机动目标跟踪是地球静止轨道卫星进行状态监测、维修维护等复杂航天任务的前提.出于推进效率考虑,下一代高轨卫星将优选全电推进配置,但电推进的连续小推力机动特性致使基于CW方程的经典非合作目标跟踪算法期望有偏,两段状态估计法在稳态估计性能与机动跟踪响应间存在矛盾.为了解决电推进下对机动目标的快速跟踪估计问题,采用滤波误差理论对经典算法性能衰减因素进行分析,得到机动加速度至滤波新息的转移矩阵演变特性,进而提出一种自适应变维两段状态估计法.改进方法基于目标机动检测信息修正偏差滤波器的观测阵以匹配上述演变特性,使其在目标非机动区间性能与经典相对导航跟踪算法等效,在机动区间性能与两段状态估计算法等效,同时具备更快的跟踪响应特性.仿真结果表明,本算法对非合作目标的稳态跟踪性能与传统经典算法一致,跟踪响应速度提升4~5倍,是对空间非合作机动目标连续小推力机动下跟踪问题的有益探索.