基于组合优化的多传感器多目标数据互联

对于由雷达和红外组成的多目标跟踪系统，通过建立多传感器的多重观测表达，将其中的多传感器多目标数据互联表述为多重观测数据集之间的最优组合分配，从而实现了这两种类型不同传感器融合跟踪过程中的多目标互联求解。     

基于组合优化的多传感器多目标数据互联

对于由雷达和红外组成的多目标跟踪系统,通过建立多传感器的多重观测表达,将其中的多传感器多目标数据互联表述为多重观测数据集之间的最优组合分配,从而实现了这两种类型不同传感器融合跟踪过程中的多目标互联求解。     

基于数据融合的多传感器系统有源特征抑制

基于多传感器多滤波器的组合结构，采用二维无源红外为主传感器保持正常工作速率，有源雷达与辅助间或性地提供测距数据，组成对三维多目标的跟踪系统，以抑制系统的有源电磁辐射，并应用多模型技术克服约外角跟踪中的非线性问题，提高系统应用的适应能力。     

一种新的联合概率数据互联算法

点迹与航迹数据互联是多目标跟踪问题中迫切需要解决的问题。分析了目前解决数据互联问题的方法与最新研究成果，建立了一个多目标数据互联模型，提出了一种新的联合概率数据互联算法，实现了微机仿真并给出了仿真结果。     

多传感器联合概率数据互联法的探讨

在研究联合概率数据瓦联(JPDA)法的基础上,探讨了一种近似的JPDA方法,该方法引入"近似聚"的概念,用近似聚矩阵代替确认矩阵,把一个比较大的确认矩阵分成若干个互不相交的小的确认矩阵来进行瓦联矩阵的拆分,以此来减小确认矩阵的观测量数和回波数,从而降低了算法的复杂度和计算量,使JPDA算法适应密集目标实时跟踪的需要.此外,还分析了并行和串行2种多传感器联合概率数据互联法,并就算法的复杂度进行了分析比较.     

集中交互式多传感器模糊联合概率数据互联算法

 为了解决杂波环境下多传感器多机动目标跟踪问题,本文提出了一种集中交互式多传感器模糊联合概率数据互联算法.该算法首先设定多个跟踪模型并计算每个模型中测量点迹与航迹测量预测之间的模糊综合相似度;然后基于阈值判别及经验概率法则计算模糊联合互联概率,并基于此概率对各航迹进行状态估计及状态估计协方差的更新;最后计算各模型概率,并据此概率对各模型所获得状态估计进行加权得出各航迹在融合中心最终的状态估计.对该算法与集中交互式多传感器联合概率数据互联算法进行仿真比较,仿真结果显示该算法的跟踪精度较后者有显著提高,同时有效地降低了周期耗时,综合性能更优越.     

杂波环境下跟踪多目标的自适应联合概率数据相关算法

提出了一种联合概率数据相关滤波器，它利用自适应更新时间来跟踪杂环环境中的目标，并与利用恒定更新时间的联合概率数据相关滤波器做了比较，利用蒙特卡罗模拟，根据不同的目标轨迹对算法的跟踪性能进行了估计。     

分布式多传感器多目标跟踪方法综述

多传感器多目标跟踪是信息融合领域的热点问题,其通过融合多个局部传感器数据,提高目标跟踪精度和稳定性。多传感器多目标跟踪按融合体系可分为分布式、集中式、混合式3类,其中分布式融合结构对网络通信带宽要求低、可靠性和稳定性强,广泛应用于军事、民用领域。该文聚焦分布式多传感器多目标跟踪涉及的目标跟踪、传感器配准、航迹关联、数据融合4项关键技术,主要分析了各关键技术的理论原理与适用条件,重点介绍了不完整测量条件下的空间配准与航迹关联,并给出仿真结果。最后,该文总结了现有分布式多传感器多目标跟踪关键技术存在的问题,并指出了其未来发展趋势。      

信息融合在多目标跟踪中的应用研究

本文着重研究了利用信息融合技术解决多目标跟踪中混批问题的研究，讨论了以实际双基地系统的测量数据为依据。首先介绍了弱干扰条件下双基地系统对多目标跟踪时采用的互联算法；指出仅以目标动态参数互联容易发生混批现象，进而提出了融合目标状态，多卜勒频率和雷达反射面积等信息的互联方法，从一百次统计结果看，采用信息融合技术之后，混批频率大为下降。     

多传感器多目标分布跟踪中数据关联的快速算法

本文提出了一种基于局部估计融合的多传感器多目标数据关联算法，它包括粗关联和精关联两个过程。     

基于多传感器的多目标联合概率数据关联被动跟踪算法

文章根据多传感器被动跟踪的特征,对传统的联合概率数据关联算法进行了修改,给出了求解联合事件概率的方法.利用同类数据的特点,采用了位置量测合并的方法,避免了计算量的增加.还开发了适用的生成可行矩阵的Matlab程序.最后,进行了MonteCarlo仿真实验,验证了文中算法能够很好地对多个目标进行精确跟踪.     

多传感器多目标联合概率数据关联研究

联合概率数据关联(JPDA)算法对单传感器多目标跟踪是一种良好的算法,但对于多传感器密集多目标跟踪,则计算量剧增,数据关联成功率下降。因此,改进联合概率数据关联(AJPDA)算法对多传感器多目标量测进行同源划分及单一传感器测量数据转换,然后采用JPDA算法求解空间目标轨迹交叉时的数据关联。仿真结果表明,AJPDA算法提高了成功关联概率,降低了求解数据关联概率的难度,可以解决密集目标的正确跟踪问题。     

Cheap Joint Probabilistic Data Association with Adaptive Neuro-Fuzzy Inference System State Filter for Tracking Multiple Targets in Cluttered Environment

The cheap joint probabilistic data association (CJPDA) with the adaptive neuro-fuzzy inference system state filter (ANFISSF) is presented for tracking multiple targets in the presence of low and high cluttered environments. The state update step of the CJPDA filter (CJPDAF) is realized with the ANFISSF instead of Kalman filter. The adaptive neuro-fuzzy inference system (ANFIS) has the advantages of expert knowledge of fuzzy inference system and learning capability of neural networks. A hybrid learning algorithm, which combines the least square method and the backpropagation algorithm, is used to identify the parameters of ANFIS. The tracks estimated by using the method proposed in this paper for different tracking scenarios are in very good agreement with the original tracks.     

数据关联的神经——模糊融合方法

本文提出了基于神经－－模糊融合网络的数据关联新方法，解决了杂波背影下多目标２数据关联的实际问题，首衔为分级实现数据关联和降低关联模糊度，在文献（１）的基础上构造了多目标快速数据关联的系统结构，然后应秀神经－－模糊融合技术和改进的模糊基函数网络学习算法完成相关值的计算，该方法在地波超视距达站应用结果表明，这种方法提高了数据关联的性能和快速性，并为强海杂波背影下多目标跟踪提供了一种新的方法。     

多目标跟踪关联中的多特征数据融合方法

本文讨论了利用传感器获取的有关目标的多特征数据来实现多目标关联跟踪的方法。通过品质函数的概念定义一种关联测度,并且阐明这一测度是常规关联决策的推广。关联测度可以取０到１之间的任何实数值来表示相关程度。考虑到实际情况下某些特征数据可能不易持续获得,引入了有效因子来处理特征数据缺损的情况。本文采用了计算机仿真实验对比的方法研究了多特征数据关联跟踪的效果。     

基于GA的漏检情况下多传感器多目标数据关联算法

研究了漏检情况下多传感器多目标检测中的数据关联问题,并将其描述为数学规划中组合最优化问题,当传感器大于３时,该问题的求解是ＮＰ的。提出一种基于ＧＡ（Ｇｅｎｅｔｉｃ Ａｌｇｏｒｉｔｈｍ）的数据关联算法,仿真实验表明,该算法具有较高的关联成功率,并能优化求解的多目标个数,提高多传感器系统的检测概率。     

杂波环境下基于全邻模糊聚类的联合概率数据互联算法

针对杂波环境下的多目标跟踪数据互联问题,该文提出基于全邻模糊聚类的联合概率数据互联算法(Joint Probabilistic Data Association algorithm based on All-Neighbor Fuzzy Clustering, ANFCJPDA)。该算法根据确认区域中量测的分布和点迹-航迹关联规则构造统计距离,以各目标的预测位置为聚类中心,利用模糊聚类方法,计算相关波门内候选量测与不同目标互联的概率,通过概率加权融合对各目标状态与协方差进行更新。仿真分析表明,与经典的联合概率数据互联算法(Joint Probabilistic Data Association algorithm, JPDA)相比,ANFCJPDA较大程度地改善了算法的实时性,并且跟踪精度与JPDA相当。     

多目标跟踪的动态多维分配算法

多目标多传感器的数据关联问题一直是目标跟踪领域的核心和难点之一.数据关联是在一定准则下,连接具有共同源的测量或航迹的分配过程.具有代表性的数据互联方法都可以归结为特定的分配问题.然而现有的S-D分配算法只考虑同一时刻各传感器测量的互联,是一个静态结果.本文将静态分配推广到动态跟踪中,通过对测量集合和航迹集合的合并,把S维转变为S+1维问题,从而实现了分配的动态化.在此基础上考虑了有新目标出现的情况,并讨论了动态分配与静态分配的关系.最后对本文算法进行了仿真分析,结果表明,该算法能够对多目标进行稳定的跟踪.     

多目标跟踪中的数据关联和航迹管理

传统的多目标关联算法JPDA存在两个缺陷:计算量较大,且其算法框架里缺乏航迹起始和终止逻辑。文中给出了一个航迹管理表,它包含多种情况下航迹的关联,能完成航迹的起始、维持和终结。在可靠航迹关联中,该文提出了一个改进的快速关联算法—多维概率数据关联(MPDA),讨论时主要考虑关联门相交区域中的公共回波对航迹更新的影响。MPDA可以类似与PDA的较低的计算代价达到了接近JPDA的关联成功率。仿真结果表明,文中的数据关联和航迹管理算法对复杂条件下的多目标跟踪能保持较高的跟踪成功率。