基于期望模型的自适应IMM算法

针对固定结构交互式多模型算法在强机动目标跟踪过程中适应性不强的缺点,借鉴增加期望模型的变结构思想,提出了一种模型集自适应的交互式模型算法.根据滤波过程中获得的模型后验概率和模型似然函数,利用极大似然准则调整模型集中的部分模型,引导模型集向着更优的方向进化.蒙特卡罗仿真结果表明该算法比标准IMM算法适应性更强,跟踪精度更高,具有较高的工程应用价值.     

一种基于ECEF坐标转换的多雷达误差配算法

提出一种有效的多雷达系统误差配准算法,该算法采用ECEF（Earth-Centered Earth-Fixed)坐标系作为过渡坐标系,将分散配置的各雷达站的量测数据实时转换到主站（设主站雷达无系统偏差）,利用各站同主站之间的量测差值,设计一扩展卡尔曼滤波器,实时估计出各站相对主站之间的系统偏差,从而对网各雷达进行配准,计算机仿真结果证明了该算法的正确性和有效性。     

多雷达系统几种误差配准方法的分析与比较

对多雷达系统现有几种主要误差配准方法即实时质量控制法（RealTimeQuality Control)、最小二乘法（Least Squares)、最大似然法（Maximum Likelihood)和广义最小二乘法（Generalized Least Squares)进行理论分析与比较,利用参考文献[1]的数据对上述几种算法的实际应用效果进行比较,为实际系统选择合适配准算法提供一定依据。     

基于GIW-PHD的扩展目标联合跟踪与分类算法

在使用估计器对扩展目标进行跟踪时,算法的精度会受到系统演化模型选择的影响.针对该问题,本文提出将扩展目标的形态信息直接作为目标的类别信息,每一类别确定了目标相关的运动模型,在多模型（Multiple Model,MM）高斯逆威沙特概率假设密度（Gaussian Inverse Wishart PHD,GIW-PHD）滤波器的基础上,实现对扩展目标的联合跟踪与分类.仿真实验通过比较所提算法与GIW-PHD、MM-GIW-PHD两种滤波方法的性能,验证了本文所提算法的有效性.     

一种新的机动目标模型及其自适应跟踪算法

在当前统计模型的基础上,结合实时输入估计算法(Feng xinxi等,1996)的思想,提出了一种新的机动目标模型,并利用其方差调整关系建立了自适应跟踪算法。大量仿真结果表明该模型能够准确描述目标的各种机动情况,跟踪算法具有良好的跟踪性能,具有实际应用价值。     

一种基于ECEF坐标转换的多雷达误差配准算法

提出一种有效的多雷达系统误差配准算法,该算法采用ＥＣＥＦ（Ｅａｒｔｈ－Ｃｅｎｔｅｒｅｄ Ｅａｒｔｈ－Ｆｉｘｅｄ）坐标系作为过渡坐标系,将分散配置的各雷达站的量测数据实时转换到主站（设主站雷达无系统偏差）,利用各站同主站之间的量测差值,设计一扩展卡尔曼滤波器,实时估计出各站相对主站之间的系统偏差,从而对网中各雷达进行配准,计算机仿真结果证明了该算法的正确性和有效性。     

多红外传感器融合系统数据关联算法

针对传统多红外传感器多目标多维分配数据关联模型在构造关联代价时未充分考虑位置估计不确定性所引入的随机误差问题,提出了一种可精确到二阶的高精度关联代价构造方法。取非线性量测函数泰勒展开式的前二阶项,将最小二乘估计的均值和方差信息代入得到伪量测信息的均值和方差,继而将伪量测与真实量测信息的统计距离作为最终的关联代价。最后对不同关联算法的正确率进行了实验对比,仿真结果表明修正后的关联代价能够更精准地反映出数据关联的可能性,基于该修正代价的关联算法较之其他关联算法可获得更好的关联性能。     

基于ET-PHD的自适应联合跟踪与分类算法

针对新生目标强度先验未知的扩展目标（Extended target,ET）联合跟踪与分类（Joint tracking and classification,JTC）问题,提出一种基于扩展目标概率假设密度（Extended target-probability hypothesis density,ET-PHD）滤波器的自适应联合跟踪与分类算法,并给出其高斯混合实现方法.算法利用量测信息生成新生目标强度,在滤波预测阶段对存活目标和新生目标分别按照其类别进行传播,再引入属性量测信息,用位置和属性的联合量测似然函数代替单目标位置似然函数,对预测后所有目标强度进行联合更新,之后按照类别进行高斯项的删减与合并,提取相应类别目标的状态集.仿真结果表明,提出的自适应算法改进了概率假设密度滤波器在扩展目标跟踪中的性能.     

基于CODHD聚类划分的多扩展目标跟踪算法

杂波环境下,利用概率假设密度滤波器进行扩展目标跟踪存在量测集划分难且计算效率低的问题,提出基于层次划分密度的聚类优化（CODHD）算法对扩展目标进行量测集划分的方法。先利用自适应椭球门限的方法对量测集进行预处理,通过簇合并方式生成量测划分;计算各划分聚类质量并构造为质量曲线;将得到的聚类数和聚类中心通过模糊C-均值（FCM）运算获得量测划分。仿真结果表明,利用所提方法对量测集进行划分,能够得到准确的划分结果且计算代价得到降低。     

基于星凸RHM的扩展目标SMC-PHD滤波

针对扩展目标跟踪过程中存在的外形拟合和非线性的问题,提出一种基于星凸随机超曲面模型(RHM)的扩展目标序贯蒙特卡洛概率假设密度滤波(SMC-PHD)算法。该算法运用星凸RHM对扩展目标量测源建模,在SMC-PHD的框架下,推导出非线性滤波算法的量测似然表达式和更新方程,实现扩展目标跟踪。仿真结果证明,文中所提算法的跟踪性能较其他滤波对于目标扩散程度和质心估计均有提高。