未知杂波状态下基于箱粒子滤波的PHD算法

针对未知杂波环境中,传统的多目标概率假设密度(PHD)滤波器跟踪精度无法保证,所需粒子支撑集过大导致效率低下的问题,引入了区间分析技术,提出了未知杂波状态下基于箱粒子滤波的PHD算法。该算法首先完成对雷达目标和杂波的混合空间随机有限集模型的构建,然后基于箱粒子滤波技术,利用量测数据建立未知杂波模型,推导出目标状态更新方程,并用多目标箱粒子PHD滤波递推地估计目标状态。仿真实验表明,当杂波环境与先验模型不匹配时,相较于多目标粒子滤波算法,该算法在保证目标跟踪性能的同时,有效减少了算法的计算时间。     

杂波未知条件下基于箱粒子滤波的CBMeMBer算法

针对杂波未知条件下,传统的势均衡多目标多伯努利滤波器(CBMeMBer)的序贯蒙特卡洛实现跟踪精度不高,且所需粒子数目过大,导致跟踪效率低下的问题,引入区间分析理论,提出了杂波未知条件下基于箱粒子滤波技术的CBMeMBer算法。该算法构建目标和杂波的混合状态空间模型,基于箱粒子滤波技术,建立杂波模型,推导出目标预测、更新方程,用多目标箱粒子CBMeMBer递推表达式估计目标状态。仿真实验表明,在杂波模型先验已知或未知条件下,所提算法既保证了目标跟踪精度,又大幅度提高了算法的执行速率。     

基于箱粒子滤波的鲁棒标签多伯努利跟踪算法

针对在未知杂波和检测概率的跟踪环境中标准的标签多伯努利（LMB）算法跟踪精度较低、粒子覆盖集过大致使复杂度较高的问题,引入区间分析技术,提出基于箱粒子滤波的鲁棒LMB跟踪算法。建立目标增广空间模型,基于箱粒子滤波方法,推导出有杂波状态标签和LMB元素标签的预测、更新方程,并用多目标箱粒子LMB滤波递推估计目标状态。仿真结果表明,当杂波和检测概率先验未知,与现有非标签、非鲁棒算法相比,所提算法可实现在低检测概率和高杂波强度环境下对目标的稳定跟踪,同时大幅度提高算法的运行效率。     

密集杂波环境下数据融合估计算法评估

由于观测量获取的不确定性,使得密集杂波环境下的多传感器机动目标跟踪变得复杂,解决这个问题的关键在于跟踪门限和数据联合与融合算法的选取。文中在分析最邻近卡尔曼滤波(NNKF)和概率数据联合滤波(PDAF)两种融合算法的基础上,对其在密集杂波环境下的跟踪误差和算法实时性效果采用当前统计模型进行评估,仿真结果表明PDAF算法跟踪性能明显优于NNKF算法。     

具有固定延迟平滑的交互多模型概率数据互联算法

为了提高杂波环境下跟踪机动目标的跟踪精度．文中将交互多模型概率数据互联（IMMPDA）和固定延迟平滑（LS）思想相结合．提出了一种具有固定延迟平滑的IMMPDA（IMM-LS-PDA）算法。通过引入延迟．增广了目标的状态向量，使得目标的固定延迟平滑状态估计更加准确。仿真结果表明。在杂波环境下对机动目标进行跟踪．单纯的IMMPDA算法的跟踪误差很大，并且在转弯机动处，误差出现峰值．算法的平稳性较差；而在进行固定延迟平滑后，算法的跟踪精度有了明显的提高。     

基于粒子滤波器的多机动目标跟踪贝叶斯滤波算法研究

提出了一种新的基于粒子滤波器的贝叶斯滤波算法, 用于在非线性非高斯假设下跟踪多机动目标.对目标动态行为的已知描述构成了贝叶斯的先验知识.近来时序蒙特卡罗技术的发展, 特别是粒子滤波器算法, 使采用一个目标状态的集合对贝叶斯模型的后验知识进行建模和跟踪成为可能, 这个集合可以看作是这个后验密度函数的采样集合.这种新的贝叶斯滤波算法是粒子滤波器与划分采样技术和假设计算的有机结合.在与SIR/MCJPDA算法的比较仿真研究中, 证明该算法能够提高系统的跟踪性能.     

基于二阶中心差分滤波的高斯混合粒子PHD多目标跟踪算法

针对杂波环境下高斯混合粒子PHD面临的跟踪精度低、滤波发散等问题,提出基于二阶中心差分滤波的高斯混合粒子PHD算法。该算法在传统的高斯混合粒子PHD滤波的基础上,采取二阶中心差分滤波方法来得到最优的重要性密度函数,充分利用了量测信息对采样粒子进行更新,使得粒子分布更加接近目标真实的后验分布,然后对PHD进行更新。仿真结果表明,该算法能在杂波环境下有效地跟踪多个目标,与高斯混合粒子PHD算法相比,状态估计更加接近真实值,大大提高了跟踪精度和系统稳定性。     

密集杂波环境下基于两点量测和Viterbi的PDA算法研究

为了更好地解决密集杂波环境下的目标跟踪问题,弥补密集杂波环境下概率数据互联算法(PDA)误关联概率偏高的不足,在对现有的Viterbi数据互联算法进行深入分析的基础上,给出了一种计算两个量测之间互联概率的表达式,提出了一种基于两点量测的Viterbi数据互联算法(TM-VDA).仿真验证,TM-VDA能够很好地完成对目标的跟踪,特别是在密集杂波环境下误跟踪率较PDA大大降低.     

闪烁噪声环境下基于PF的机动多目标跟踪算法研究

为了能够解决非线性非高斯环境中的多目标跟踪问题，提出了一种基于粒子滤波器和联合概率数据关联算法。该算法是在粒子滤波方法的基础上，应用联合概率数据互联的思想计算每个量测值对各个粒子的更新权值，从而获得最终的滤波结果。仿真结果表明，该方法可以同时很好地解决非线性非高斯系统环境下多目标机动性和数据关联问题，具有较好的跟踪性能。     

非高斯环境下基于GPF算法的目标跟踪

介绍了高斯粒子滤波器(GPF)的基本思想和具体算法的实现步骤,并讨论了此算法在机动目标转弯模型跟踪中的应用,在闪烁噪声下比较了高斯粒子滤波器、粒子滤波器(PF)和扩展卡尔曼滤波器(EKF)的跟踪性能差异。仿真结果表明,GPF有效地改善了目标跟踪的效果,相比PF在精度和计算复杂度方面均有了明显改善。     

密集回波环境下地面机动目标跟踪的UKF-VSMM-PDA算法

对地面机动目标进行跟踪，除了利用量测信息外，利用地形特征等信息也可提高跟踪性能。但这些非正态信息却可能导致较高的非高斯概率密度，文中将机动和多回波同时考虑，并充分利用了地形特征等信息，提出了UKF—VSMM—PDA算法。对密集回波环境下地面机动目标进行跟踪，仿真结果证明了该算法的优越性能。     

状态自适应无迹卡尔曼滤波算法及其在水下机动目标跟踪中的应用

为了满足水下对抗对机动目标实时跟踪和目标航速、航向准确估计的要求,针对观测量为距离和方位的机动目标跟踪,对传统无迹卡尔曼滤波（UKF）跟踪算法进行了改善。提出根据UKF算法预测值和观测值残差的概率分布自适应调整目标状态噪声方法,使得UKF跟踪算法能够根据目标运动状态及时调整状态方程,在目标机动时减小对预测值的依赖,在目标非机动时增大对预测值的依赖。这种在线实时估计系统噪声状态的跟踪方法更加适用于机动目标的跟踪。数值仿真结果表明：该算法不仅在目标机动时具有良好的跟踪效果,而且在目标非机动时具有准确的估计性能。通过声纳信息综合处理系统验证了状态自适应UKF跟踪算法的性能。     

基于贝叶斯滤波算法的警戒相控阵雷达目标跟踪时间资源优化分配算法

针对警戒相控阵雷达的目标跟踪时间资源优化配置问题,基于贝叶斯滤波算法提出一种 应用于警戒相控阵雷达的变数据率跟踪算法。传统Cohen算法受量测噪声起伏影响引起跟踪数据率抖动,在目标反向机动阶段易造成目标的失跟;新算法在非机动时段利用正态分布的2σ准则对目标是否机动进行判决,在机动时段目标加速度服从修正的瑞利分布;在数据率增加和降低阶段采用不同平滑系数能够快速响应目标机动且确保在反向阶段不失跟。通过两个机动实例进行仿真验证,结果表明:新算法能够有效地抑制目标反向机动时的失跟问题;与传统Cohen算法相比,新算法能够快速响应目标机动。     

基于广义相关法的分布式多传感器多目标跟踪算法研究

为了进一步解决多传感器多目标跟踪问题,基于广义相关法的思想,利用多传感器分布式结构构成了一种新的多传感器多目标跟踪算法,即分布式多传感器广义相关算法,并在两种典型的仿真环境下从均方根位置误差、算法循环平均周期耗时和错误关联概率三个方面对其进行了性能分析、仿真验证,分布式多传感器广义相关算法能够很好的解决多传感器多目标跟踪问题.     

机动目标当前统计模型模糊自适应算法

针对当前统计模型常规算法跟踪机动目标的缺陷,提出了当前统计模型模糊自适应算法。该算法根据规范化的量测新息及其变化率并通过模糊推理实时选取机动频率,给出了加速度方差的新息幂函数调整方法,采用加速度估计值和预测值的偏差在线更新当前加速度均值。在此基础上,结合高斯隶属函数和强跟踪算法对其权值予以修正。当前统计模型模糊自适应算法不受机动频率人为给定和最大加速度极值设置的限制,适用于不同范围和程度的机动。利用当前统计模型模糊自适应算法对阶跃机动、圆周机动、Jerk机动3种典型机动场景进行了计算机仿真,并与当前统计模型常规跟踪算法和Jerk模型自适应算法进行了比较。仿真结果表明,该算法扩大了跟踪范围,具有较好的稳态特性和瞬态特性,其跟踪精度和收敛速度优于其他两种算法。     

基于转换量测的水下目标跟踪

针对水下目标跟踪的实际应用情况，提出了基于转换量测误差统计分析的去偏转换量测和基于修正转换量测误差的无偏转换量测方法；给出了基于转换量测的球坐标一直角坐标下目标跟踪算法，并进行了性能仿真。结果表明：这两种跟踪方法都具有很高的跟踪精度和稳定性；基于修正转换量测的跟踪算法对角度量测误差的不同分布有较强的适应性，在角度量测误差较大的情况下，该算法的性能要优于基于误差统计分析的跟踪算法。     

一种"全面"的自适应机动目标跟踪算法

基于截断正态概率密度模型建立修正的截断正态概率密度模型。利用该模型并结合速度估计自适应模型提出一种“全面”自适应机动目标跟踪算法(OAF)．此算法能够避免机动加速度最大值的预先设定，自适应调节目标跟踪算法中的机动频率。进一步运用神经网络方法，将机动频率与过程噪声方差进行融合，通过在线调节神经网络权值获得融合后的系统方差输出，降低现有算法因系统参数调整不当带来的精度损失。理论分析及仿真结果表明，与单纯的速度自适应模型算法相比，该算法跟踪机动目标和非机动目标时精度分别提高49. 61%和48.34%．     

多平台主动与被动传感器协同跟踪的长时调度方法

为了有效跟踪杂波环境下机动目标、降低系统辐射风险,提出一种多平台主动与被动传感器协同跟踪的长时调度方法。将长时调度问题构建为部分可观马尔可夫决策过程,采用交互式多模型概率数据关联算法更新目标信念状态,利用后验克拉美-罗下界预测机动目标长时跟踪精度,提出改进的维特比算法以求解最优调度序列。仿真实验结果表明,所提搜索算法能够显著降低搜索空间和存储空间,所提长时调度方法能够有效控制系统辐射代价、克服传感器频繁切换。     

基于抛物线随机Hough变换的机载脉冲多普勒雷达机动弱目标检测前跟踪方法

为解决机载脉冲多普勒（PD）雷达对机动弱目标进行检测与跟踪的问题,构造了一种基于抛物线随机Hough变换（RPHT）的检测前跟踪（TBD）算法。该算法通过模糊区间对目标的模糊量测进行距离多假设扩展,从而提取量测中的时空相关信息。利用RPHT方法将目标扩展量测转换到参数空间,并在参数空间对目标的机动航迹进行积累。在算法实现过程中,通过方位变换的方式对传统的RPHT方法进行了改进,以降低算法计算复杂度。该方法将机动弱目标解距离模糊问题转换为TBD框架下基于RPHT的航迹检测问题,避免了微弱目标的低信噪比造成的航迹漏检。仿真结果验证了该算法的有效性。     

基于期望系统噪声模型的自适应机动目标跟踪

对于机动目标跟踪问题,由于目标机动能力的增强,使建立的目标模型与目标的实际运动失配。为解决这个问题,需建立大量模型来逼近真实模式。但这使计算量增大,而且性能不一定能提高。本文提出基于期望系统噪声模型的自适应交互式多模型(IMM)算法。该算法自适应调整部分系统噪声模型,使之接近符合实际的系统噪声模型。对目标机动运动的Monte-Carlo仿真结果表明,本算法对机动目标的跟踪精度比标准IMM算法有较大改进,且计算量适中。