基于Meanshift聚类Bhattacharya观测似然度修正的联合概率数据关联改进算法

为降低多目标航迹聚集时联合概率数据关联（JPDA）联合关联事件的计算复杂度,提出一种基于Meanshift聚类〖CD*2〗Bhattacharya（Bhy）观测似然度修正的JPDA改进算法。利用Meanshift得到聚类中心,据聚类中心与目标预测量测马氏距离形成跟踪门;提出Bhy似然度矩阵,将Meanshift聚类中心与各量测Bhy距离所表征的观测似然度作为确认矩阵小概率事件划分依据,消除确认矩阵中小概率事件对联合关联事件计算复杂度的影响。实验结果表明：多目标航迹聚集时,该算法在减少计算复杂度同时保持了较高关联精度,跟踪性能明显优于经典JPDA。     

改进的Kohonen神经网络航迹关联算法

针对传统的航迹关联算法在运动目标交叉、分岔时,常出现错漏相关航迹且计算量随着传感器和目标数量增加而飞速增长的缺陷,提出一种改进的Kohonen神经网络航迹关联算法。该算法由聚类关联、目标状态估计、神经元优化和状态融合估计等模块组成。通过给每个竞争层神经元加上一个合适的阈值,有效避免了常规的Kohonen神经网络因初始权值选择不合适而容易造成坏死神经元的问题。进一步设计了自组织竞争神经网络学习规则,将多传感器在同一时刻的测量数据进行自组织聚类,从而实现测量数据的有效关联。最后,利用连续时间下的关联数据,实现运动目标航迹关联。仿真研究验证了该算法的可行性和有效性。     

基于新型AFCM的多传感器目标跟踪航迹融合

多目标跟踪是多传感器系统信息融合中的核心技术之一.采用新型的AFCM模糊算法实现对多目标交叉状态下航迹数据关联.该算法定义了一种新的度量空间中的距离,通过新的距离定义有效抑制含有噪声点的样本及目标航迹交叉在迭代中对数据关联聚类中心点的大幅偏差.同时应用改进带加权的航迹融合算法对红外和毫米波雷达传感器测量的航迹数据进行融合.仿真试验证明,新的算法在综合多传感器探测优势的基础上,对航迹的融合结果优于SF算法.新的数据关联算法和改进的加权航迹融合算法为多源信息融合提供了一种可靠有效的多目标跟踪技术.     

支持无线传感器网络多目标跟踪的聚类数据关联算法研究

多源数据关联问题是无线传感器网络中多传感器数据融合的关键技术之一。联合概率数据关联算法是一种 跟踪多目标的数据关联算法,它不需要任何关于目标和杂波的先验信息,但与其他有关数据关联算法相比,计算机开 销大。基于聚类算法的联合概率数据关联算法在联合概率数据关联算法的基础上,运用模式识别中的聚类思想对传 感器所接收到的量测数据进行聚类,减少有效量测的数目,从而简化了有效矩阵,减少了原有算法的计算量。     

利用回波幅度信息辅助的模糊聚类关联算法

针对传统模糊聚类关联算法在对近距离运动目标进行跟踪时容易出现航迹合并或航迹丢失的缺点,提出了一种改进的模糊聚类关联算法.该算法综合考虑了目标运动学信息和雷达回波幅度信息对数据关联过程的影响,并在计算模糊隶属度函数时利用雷达回波幅度信息对其进行了修正.该算法在没有显著增加计算量的前提下,提高了对距离较近且运动模式也相似的目标的关联效果.仿真实验结果表明,该算法关联精度较高,计算量适中,具有较好的工程应用价值.     

基于改进PDA的弱点状多目标交叉运动跟踪算法

采用独立跟踪区域的划分和公共量测点数据的去藕聚类技术,将原本只适用于单目标跟踪的概率数据关联（PDA）算法改造成能够在强杂波环境中跟踪多个点状目标交叉运动的情况。该算法比传统基于JPDA（联合数据关联）的多目标跟踪算法的计算量和复杂度都小。仿真试验表明,该跟踪算法具有高精度的跟踪性能。     

基于Mean Shift迭代的新生未知多扩展目标跟踪

针对当前基于随机集的多扩展目标跟踪算法存在计算量大、量测划分不准确和跟踪误差大的问题,在PHD滤波基础上提出一种基于均值漂移(Mean Shift)迭代的新生未知多扩展目标跟踪算法.首先,对聚类后量测数据进行关联,得到新生目标状态,解决目标新生问题;然后,通过Mean Shift迭代获得目标量测集质心,将扩展目标的多量测问题转化为点量测处理;最后,给出其粒子实现方式.仿真实验表明,所提出的算法可以降低跟踪复杂度,提高跟踪效率,在交叉时刻具有稳定的跟踪性能。     

基于先验知识与记忆信息的航迹关联聚类算法

为提高目标密集环境下航迹关联的正确率,提出了基于先验知识与记忆信息的航迹关联聚类算法.对来自不同传感器的航迹进行自动聚类,并根据单个传感器中不同航迹代表不同目标这一先验知识,对目标数目过多的聚类进行处理.另外,算法考虑了航迹关联中的记忆信息,提高了航迹关联的准确性,有效地解决了目标密集环境下的误关联问题.仿真结果表明了该算法的有效性.     

模糊聚类信息融合算法在异构多传感器网络中的应用

在多传感器协同探测的应用背景下,提出将模糊聚类算法应用于多传感器网络的数据融合方向,解决异构多传感器网络由于各传感器探测信息粒度、时空不同而造成的航迹分裂和航迹冗余现象;通过仿真结果表明,该算法可以减少传统统计学方法错关联、漏关联的概率,对于复杂运动轨迹的机动目标(交叉航路目标)能够很好地进行多传感器测量数据的聚类,正确地进行测量数据的关联和融合,并进一步在通用航空监视管理系统的工程应用中加以验证;该算法在通用航空监管、物联网、协同探测信息系统方向均有广泛的应用空间。     

基于K-中心点聚类的模糊航迹关联算法

为提高目标航迹相交和近距平行状态时航迹关联的正确率,提出了一种基于K-中心点聚类的模糊航迹关联算法。该算法基于K-中心点聚类算法,将系统航迹作为聚类中心,采用局部航迹与系统航迹关联的策略,为描述航迹间的相似性,采用模糊分析方法,综合考虑各个因素的影响,构造模糊关联矩阵,并利用历史信息和先验知识进行航迹关联。仿真表明该算法在航迹相交状态下,相交时刻关联正确率比K-medoids聚类算法提高5%左右,近距平行状态下关联正确率的收敛速度优于K-medoids聚类算法。