基于量测分配的SMC-PHD改进算法

序贯蒙特卡罗概率假设密度(SMC-PHD)滤波算法由于需要大量粒子参与,导致其存在效率低、估计精度不高等问题.文中以序贯蒙特卡罗概率假设密度滤波算法为框架,利用最新量测集中的量测信息与目标粒子的单步预测状态的似然值,通过概率选取量测值,之后进行概率假设滤波算法的更新.仿真的结果表明,与现有序列蒙特卡罗概率假设密度滤波算法相比,在相同仿真条件下新算法的估计精度显著提高.     

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。     

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。     

后向预测高斯混合概率假设密度滤波算法

针对单步延迟无序量测条件下多目标跟踪中,概率假设密度滤波对目标数量与状态估计误差偏大问题,提出了后向预测高斯混合概率假设密度滤波算法(BP-GMPHD)。该算法在后向预测框架内,以高斯混合概率假设密度滤波器为基础滤波算法,计算各高斯分量的回溯状态并进行再更新,经剪枝与合并等步骤获得最终的目标数量与状态估计。仿真验证表明,该算法在无序量测条件下保持了良好的滤波性能,能够准确估计多目标数目和状态。     

基于多目标不确定性改进的GM-PHD滤波器

基于随机有限集的高斯混合概率假设密度（GM-PHD）滤波是处理多目标跟踪问题的一种有效方法。GM-PHD滤波器在密集杂波环境中会因估计误差过大而导致跟踪性能的下降,主要是因为没有充分考虑来自多目标量测的不确定性。为此,提出在考虑高斯分量权重的情况下,通过分量值改变协方差更新式,并通过引入标签,采用自适应阈值对高斯分量进行合并。理论分析和仿真结果表明：该方法在杂波环境下,目标最优次模式分配距离小,跟踪精度更高;目标数量的估计结果受杂波的影响更小,其估计值更接近真实的目标数量;通过具有不同杂波以及检测概率条件的跟踪场景,证明了该方法的目标数量估计精度和滤波性能明显好于传统算法。     

基于GUMPHDF的雷达组网跟踪时变数目标

为解决在雷达组网中高斯混合概率假设密度滤波(Gaussian mixture probability hypothesis density filter,GMPHDF)难以跟踪非线性系统目标的问题,构建一种高斯无迹混合概率假设密度滤波(Gaussian unscented mixture probability hypothesis density filter,GUMPHDF)方法.将新生、衍生和继续存在目标的高斯元素分别用无迹滤波(unscented filter,UF)进行预测与更新,得到各目标的高斯无迹混合元素,再进入裁剪合并与状态提取程序.仿真结果表明:将该方法应用于炮兵雷达组网跟踪强杂波环境下,能跟踪到探测区域所有目标,精度较高,符合工程实践要求.     

一种改进的容积信息粒子滤波多目标跟踪算法

为了解决传统的自举式粒子滤波采用状态转移密度作为重要性采样函数呈现粒子退化、跟踪精度差等问题,文中采用后验概率作为重要性采样函数并提出其估计方法.通过容积信息滤波和Gating技术,估计重要性采样函数对应的均值和方差,完成重要性采样函数设计.使用改进后的粒子滤波方法,在非线性场景下对多个目标的状态和目标数目进行了估计.仿真结果表明,本算法在非线性多目标跟踪场景下具有估计精度高、稳定性好的优点.     

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。     

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。     

基于盒粒子滤波的多扩展目标伯努利滤波算法

针对非线性和区间量测条件下的多扩展目标跟踪问题,提出了一种基于盒粒子滤波的多扩展目标MeMBer滤波算法。该算法首先将盒粒子滤波引入到改进的ET-MeMber滤波中,并推导了适用于区间量测的多扩展目标伪似然函数和状态更新方程,接着给出了基于MD-AP聚类的区间量测集划分方法来处理滤波过程中存在的区间量测集划分问题。仿真实验结果表明,所提算法能够快速高效地对区间量测进行处理,与传统的序贯蒙特卡洛实现方式相比,具有更好的跟踪性能。     

多目标跟踪的高斯混合概率假设密度滤波算法

在多目标跟踪中,在观测数据存在关联的不确定、检测的不确定、噪声和虚警情形下,同时估计出随时间变化的目标数及目标状态,高斯混合概率假设密度(GMPHD)提供了一种有效的方法.PHD滤波不存在解析解,而GMPHD滤波提供了PHD递推的解析解.仿真结果表明,GMPHD滤波能稳健的跟踪目标数未知或时间变化时的目标状态和目标数.     

多传感器多目标被动跟踪的“鬼点”形成条件

为探究多传感器多目标被动跟踪场景下“鬼点”的形成机理,采用一种集合分析方法,将各角度测量定义为不同的点集,将目标点定义为点集的交,建立多传感多目标被动跟踪问题的数学建模,基于该模型分析得到三类典型跟踪场景下定位到“鬼点”所需几何条件。理论分析表明,传感器观测基线长度、分布特征以及传感器个数是影响“鬼点”生成概率的重要因素。设置3组仿真实验,进一步验证了上述因素对“鬼点”跟踪概率的实际影响。研究结果表明,在求解被动跟踪问题时,适当减小传感器观测基线长度、提高传感器网络相对目标团的空间布局复杂度以及增加传感器数目均能起到一定的抑制“鬼点”作用。     

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。     

基于数据压缩的多传感器PHD滤波算法

针对多传感器多目标跟踪,提出一种基于数据压缩的多传感器概率假设密度(PHD)滤波算法,解决串行多传感器PHD(SMSPHD)滤波计算量过大的问题。算法首先利用数据压缩将多传感器量测数据转换成等效的单传感器量测数据,然后在此基础上进行PHD滤波。仿真结果表明,该算法可以实现对多目标的有效跟踪;此外,随传感器数目的增加,该算法增加的计算量约为SMSPHD滤波算法增加的4.3%。     

基于概率假设密度滤波与无迹Kalman滤波的多目标跟踪与识别

为提高导引头末制导阶段抗干扰能力,针对典型的欺骗式距离-速度联合拖引干扰模型,研究了基于概率假设密度（PHD）滤波的多目标跟踪与基于无迹Kalman滤波（UKF）的多目标识别技术。为说明导引头目标识别原理,给出了距离-速度联合拖引干扰模型;根据导引头测量原理,通过导引头框架角、导弹-目标相对距离、径向速度建立系统跟踪模型,给出了基于PHD滤波的多目标跟踪与基于UKF的多目标识别的基本原理;基于典型的目标运动模型（匀速直线与匀速转弯模型）,针对目标施加的4次距离-速度联合拖引干扰,采用目标跟踪结果以及估计的目标速度和加速度信息进行多目标跟踪与识别分析,能够很快实现真假目标识别。仿真实验结果表明,利用PHD滤波与UKF信息能够有效实现对距离-速度拖引干扰下的多目标跟踪与识别。     

多目标时空同步协同攻击无人机任务分配与轨迹优化

针对复杂战场环境下分布式无人机对多目标协同打击任务,提出多目标攻击的任务分配与轨迹优化算法。建立典型多目标打击的任务场景和无人机模型;基于Delaunay三角形理论,以禁飞区为节点构建搜索地图;运用A^*算法实现威胁最小的单机路径搜索;在无人机动力学约束和能耗损失最小的基础上,引入时间调节因子,采用基于贝塞尔曲线的分布式无人机时空同步轨迹优化方法,得到对多目标同时打击的优化轨迹;设计轨迹跟踪控制器,对预规划轨迹进行跟踪仿真。仿真结果表明,多目标攻击的任务分配与轨迹优化方法能够对多目标实现多角度、时空同步、分布式协同打击,且对噪声及阵风等具有较强的抗干扰能力。     

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.     

Passive Target Tracking in Non-cooperative Radar System Based on Particle Filtering

We propose a target tracking method based on particle filtering（PF） to solve the nonlinear non-Gaussian targettracking problem in the bistatic radar systems using external radiation sources. Traditional nonlinear state estimation method is extended Kalman filtering （EKF）, which is to do the first level Taylor series extension. It will cause an inaccuracy or even a scatter estimation result on condition that there is either a highly nonlinear target or a large noise square-error. Besides, Kalman filtering is the optimal resolution under a Gaussian noise assumption, and is not suitable to the nonGaussian condition. PF is a sort of statistic filtering based on Monte Carlo simulation that is using some random samples （particles） to simulate the posterior probability density of system random variables. This method can be used in any nonlinear random system. It can be concluded through simulation that PF can achieve higher accuracy than the traditional EKF.