一种用于HPRF雷达的改进DPA弱目标检测算法

针对高重频雷达距离模糊可能会导致目标航迹不连续即发生跳变的问题,提出了一种改进的动态规划检测前跟踪算法,该方法在传统动态规划的基础上加入了后续状态估计并改进了动态规划搜索策略.它利用目标初始状态信息对目标后续状态进行估计并进行航迹跳变判决,再根据判决结果选择动态规划搜索策略,进而得到最优的目标试验航迹.文中利用改进的动态规划算法分别对距离模糊后跳变与未跳变两种情况的弱目标进行检测.仿真结果验证了该算法可以提高雷达回波中弱目标的检测性能,算法实际可行有效.     

一种无格点动态规划检测前跟踪算法研究

目标的多样化和环境的复杂化,对现代雷达的探测能力与航迹处理提出了更高的要求。随着雷达技术的迅速发展, 弱目标的检测与跟踪也受到了更为广泛的关注。检测前跟踪技术可以减少虚假航迹,提高微弱目标的检测和跟踪性能。为改善传统的基于动态规划的检测前跟踪算法计算复杂的缺点,提出了一种无格点DP-TBD改进算法,分析了适用模型, 给出了运动及量测模型。仿真实验表明,该算法具有较好的检测跟踪性能。     

雷达微弱目标检测前跟踪算法综述

军事隐身目标的出现,给雷达带来了严峻的挑战.检测前跟踪算法是雷达微弱目标检测和航迹处理的一种有效方法.文中对雷达微弱目标检测前跟踪算法进行了综述,首先介绍了三维匹配滤波、Hough变换、动态规划和粒子滤波4类最常用的检测前跟踪实现算法的基本原理,然后述评了4类检测前跟踪算法的研究进展情况,最后在分析现有检测前跟踪算法问题的基础上,展望了雷达微弱目标检测前跟踪算法的发展趋势.     

机动弱小目标动态规划检测前跟踪方法

针对基于动态规划的检测前跟踪方法难以有效检测和跟踪机动弱小目标的问题,本文提出了一种基于目标状态加权的动态规划检测前跟踪改进方法。该方法利用目标运动状态帧间的相关性特点,对状态转移集进行扩展,并根据当前状态与前一时刻各状态相关性的大小,对状态的能量积累值进行加权,使能量更好的沿航迹方向进行积累。理论分析和仿真结果表明,与传统的动态规划检测前跟踪方法相比,新方法提高了机动弱小目标的检测和跟踪性能      

雷达微弱目标检测前跟踪技术研究综述

战场环境的改变、武器系统的发展和隐身技术的应用,使得现代雷达系统对目标的检测和跟踪面临很大挑战,检测前跟踪技术是解决微弱目标检测和跟踪问题的一种有效方法。首先介绍了检测前跟踪技术的基本原理,然后重点综述了雷达微弱目标检测前跟踪算法的发展历程和研究现状,包括三维匹配滤波、动态规划、Hough变换、粒子滤波等检测前跟踪算法,并对常用的几种算法进行了对比分析,最后结合目前研究动态提出了雷达微弱目标检测前跟踪技术需要重点关注的问题和未来发展趋势。     

基于动态规划的雷达检测前跟踪新算法

 为解决低信杂比下雷达检测前跟踪技术存在末级检测门限设置困难和动态规划算法对运动目标跟踪能力弱的问题,本文首先分析了两级检测门限的雷达检测前跟踪算法自身特点.在瑞利杂波条件下,对经过动态优化后的信号进行杂波置信检验和航迹检测和校正.该算法末级检测门限设置简单并且提高了跟踪概率.仿真验证了新方法的有效性.     

一种机动目标动态规划检测前跟踪算法

针对传统动态规划检测前跟踪(Dynamic Programming Track-Before-Detect,DP-TBD)算法检测强机动目标时性能较差的问题,本文利用目标状态转移矩阵先验信息改进了传统DP-TBD算法,使得目标状态转移步长随状态的变化自适应调整,以此来避免在检测转弯运动目标时传统动态规划算法由于转移步长不变而造成的转移步长与目标速度失配的问题。仿真结果显示,在检测转弯运动目标时所提算法的检测性能和跟踪性能都比传统算法有所提高。通过对改进的DP-TBD、传统DP-TBD算法的仿真和比较,改进的DP-TBD算法跟踪强机动目标性能得到了显著提升,并具有工程应用价值。     

基于DP-TBD的分布式异步迭代滤波融合算法研究

该文主要运用检测前跟踪动态规划(Dynamic Programming-Track Before Detect)算法解决目标跟踪问题。动态规划(Dynamic Programming, DP)是一种通过对量测空间栅格化处理,然后对离散的量测空间中所有可能的物理路径进行遍历的算法。然而,该算法提供的是一种未经滤波和平滑的点迹序列。随着实际战争环境日益复杂,基于单雷达的DP-TBD算法在信噪比(SNR)较低时跟踪效果不佳。此外,由于DP-TBD算法没有状态误差协方差矩阵,因此无法将不同雷达的点迹序列进行融合。而且由于通信时延和不同的采样周期,不同雷达的数据往往是异步的。为了解决以上问题,该文提出了一种基于DP-TBD的分布式异步迭代滤波融合算法(DynamicProgramming?Fuison, DPF)。该算法分为两步,第1步提出了一种迭代滤波方法对DP点迹进行处理;第2步将不同雷达获得的异步状态估计转化为同步的,接着利用几种分布式的融合方法来获取融合之后的状态估计。仿真结果说明,和单雷达相比,该融合算法可以有效提升目标跟踪的性能,同时,该算法也可以降低航迹丢失率和计算量。      

基于DP-TBD的分布式异步粒子滤波融合算法

主要利用检测前跟踪动态规划(DP-TBD)算法解决目标跟踪问题。动态规划(DP)是一种先通过对量测空间栅格化处理,然后对离散的量测空间中所有可能的物理路径进行遍历的算法。但是该算法提供的是一种未经滤波的点迹序列。此外,基于单雷达的DP-TBD算法在信噪比(SNR)较低时跟踪效果不佳,航迹丢失情况较严重,因此利用基于DP-TBD的多雷达协同探测势在必行。然而,由于DP-TBD算法没有状态误差协方差矩阵,导致无法将不同雷达的点迹序列进行基于各种融合准则的融合。另外,由于多个雷达不同的采样周期和通信时延,导致了各个雷达的数据是异步的。为了解决以上问题,文中提出了一种基于DP-TBD的分布式异步粒子滤波融合算法(DP-PFF)。该算法分为两步,第一步提出了一种适用于DP算法的粒子滤波方法;第二步是将不同雷达获得的异步状态估计转化为同步的并进行基于DCI准则的分布式融合。仿真结果说明,和单雷达相比,该算法显著提升了目标跟踪的性能。同时,该算法也减少了航迹丢失率并且可以显著提升系统的鲁棒性。     

一种基于二阶Markov目标状态模型的多帧关联动态规划检测前跟踪算法

传统的动态规划检测前跟踪(Dynamic Programming Track-Before-Detect,DP-TBD)算法在每一阶段的数据关联中,仅用当前帧的观测数据与前一帧的指标函数进行关联积累,对目标状态在连续相邻帧间的相关性以及目标运动特征的考虑不充分,这样在低信噪比时,容易发生目标关联错误,严重影响了DP-TBD算法的检测和跟踪性能。针对此问题,该文提出了一种基于二阶Markov目标状态模型的DP-TBD算法,该算法以目标状态的条件概率比最大为准则,采用二阶Markov模型描述目标状态的相关性,并根据目标运动特征给出了一种与目标转弯角度相关的状态转移概率模型。在此基础上,实现了多帧数据关联的DP-TBD算法。通过仿真实验与传统的DP-TBD算法进行了比较,验证了该算法的检测及跟踪性能。