多传感器多目标跟踪中的概率数据互联

通过在两维雷达和红外搜索跟踪两种不同传感器观测空间上建立多目标运动状态的投影，单传感器的ＪＰＤＡ算法被推广到此种多传感器数据融合系统之中，实现了其中的多目标数据互联和多传感器数据融合，从而提高了跟踪性能。     

多特征融合与尺度估计相结合的目标跟踪算法

针对传统目标跟踪算法判别力及稳健性不足的问题,本文在对跟踪输出响应图可信度进行充分研究的基础上,结合目标尺度估计方法,提出多特征融合和自适应尺度估计相结合的目标跟踪算法.该方法通过计算不同特征模型下的输出响应图可信度,实现对两种互补的特征进行自适应加权融合,有效地提升了表观模型的鉴别力及泛化性能.尺度估计模块通过构建多分辨率特征金字塔、训练尺度滤波器及尺度特征降维,避免了在尺度空间内的穷举式搜索.实验表明文中算法有效地提升了跟踪过程中的准确率和成功率,能够适应遮挡、形变等复杂场景下的目标跟踪,并且具有非常高的效率.     

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。     

多传感器融合多目标跟踪中的序贯航迹关联算法

对于分布式多传感器融合多目标跟踪系统,提出一种序贯处理的航迹关联融合算法。为实现杂波干扰环境中对密集多目标的精确跟踪,航迹关联采用了粗、精关联相结合的方法,最小均方误差法用于实现航迹融合。序贯处理的航迹关联融合算法在保证航迹关联正确的同时,大大降低了计算量。仿真实验结果说明了本文方法的有效性。     

A Sequential Asynchronous Multirate Multisensor Data Fusion Algorithm for State Estimation

To generate the optimal state estimate, the fusion of information from multirate multisensors with asynchronous sampling rates is studied. The problem is formulated by linear time-vary dynamic system combined with multiple sensors observing a single target with asyn- chronous and different sampling rates. Unlike the traditional interpolation or batch process approaches, the state estimate is achieved by system prediction followed by sequential update along sensors. In updating, Kalman filter and the orthogonal projection theorem are used. The optimality of the algorithm in the sense of linear minimum variance is verified. Experimental results show the feasibility and the effectiveness of the presented approach.     

基于强跟踪滤波器的多传感器非线性动态系统状态与参数联合估计

本文将强跟踪滤波理论与多传感器数据融合技术相结合,提出基于强跟踪滤波器的多传感器状态与参数联合估计新算法;对拥有相同采样率的分布式多传感器单模型非线性动态系统,应用强跟踪滤波器,得到目标状态基于全局信息融合估计结果,并利用计算机仿真结果对算法的有效性进行了验证;这些工作初步解决了Kalman滤波中由于模型的不确定性而造成估计误差值偏大情况下的状态融合估计问题,从而丰富和发展了多源信息融合理论.     

一类多速率多传感器系统的状态融合估计算法

基于不同传感器以不同采样率对同一目标状态进行观测的多传感器单模型动态系统,该文提出了一种状态融合估计算法。不同传感器之间采样率之比可以是正有理数。该算法不仅具有好的实时性,而且在线性最小方差意义下是最优的。进一步可以证明：融合多个传感器获得的最高采样率下状态的估计值优于单传感器的估计结果,而减少任何一个传感器的信息所获得的估计值的误差协方差都将增大。仿真结果验证了算法的可行性与有效性。     

Maneuvering Multi-target Tracking Using the Multi-model Cardinalized Probability Hypothesis Density Filter

Tracking an unknown and time-varying number of maneuvering targets is a challenging problem in the presence of noise, clutter uncertainties in target maneuvers, data association, and detection. To account for this problem, a multi-model extension of the Cardinalized probability hypothesis density （CPHD） filter is proposed in this paper. Additionally, a particle implementation and a Gaussian mixture implementation of the proposed extension are given for generic models and linear Gaussian models, respectively. The effectiveness of the extension is illustrated through Monte Carlo simulation.     

非线性系统的异步多速率数据融合估计算法研究

 研究了一类非线性时变动态系统的状态估计问题,在不同传感器以不同采样率异步对同一目标进行观测时,提出了一种有效的数据融合估计算法.通过建立多尺度模型,将异步多速率系统形式转化为同步多速率系统;在每一步分别进行状态的预测和更新.在状态和观测预测时,采用强跟踪滤波(STF)算法;在状态更新时,采用有反馈分布式结构,顺序的利用每一个传感器的观测信息去更新状态的估计;从而基于给定的非线性系统模型,得到融合所有异步、多速率传感器观测信息的状态估计结果.该方法不需要对状态或观测进行扩维,计算量适当,从而保证了算法的实时性.仿真结果验证了算法的有效性.     

基于REKF的异类传感器异步数据融合算法研究

提出了一种基于异类传感器(R和IR)的数据融合目标跟踪算法,两种传感器具有不同的测量维数,量测数据异步采样并以不同的速率传输到融合中心站点.通过时间匹配技术,完成两种异步数据的融合,然后实现滤波器的状态更新.同时文中讨论了一种REKF(旋转推广卡尔曼滤波:Rotation Extended Kalman Filter)算法,可以有效地解决量测非线性和降低计算量的问题.     

一种面向互动投影的多目标跟踪方法

针对互动投影系统对多目标跟踪在自适应和实时性方面的需求,提出了一种基于自适应混合粒子滤波和自适应数据关联的多目标跟踪方法.该方法采用基于背景差检测的混合粒子滤波并将跟踪置信度引入目标的状态量中,根据跟踪置信度大小自适应地加强或减弱关联强度进行数据关联;同时,根据数据关联结果分析目标出现、目标消失、目标衍生、目标相遇等复杂运动情况,对每个目标进行自适应混合粒子滤波跟踪.实验证明该方法提高多目标跟踪性能,能够较好满足互动投影的应用需求.     

基于训练序列的发射分集OFDM系统的空时子空间幅度跟踪信道估计

该文将基于训练序列的发射分集正交频分复用(OFDM)系统视为一个多时隙系统,利用空时信道空间(波达方向)子空间和时延子空间慢变的特点,将空时信道多时隙估计技术应用到发射分集OFDM系统中,并根据衰落幅度快变的特点提出了使用自适应滤波技术的空时子空间幅度跟踪信道估计算法,明显提高了系统的信道估计精度。该文对各种算法的跟踪性能进行了仿真和分析比较。     

测量噪声相关线性系统异类传感器航迹融合

研究了异类传感器航迹融合问题。在测量噪声相关的条件下,利用线性无偏最小方差估计的基本理论,通过对异类传感器的状态估计采用顺序滤波的方法,得到了相关测量噪声线性系统异类传感器测量融合算法和状态矢量融合算法。计算机数字仿真结果表明,由于考虑了测量噪声之间的相关性,该算法比噪声不相关融合算法具有更好的跟踪性能,航迹跟踪的精度得到了改善。     

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.     

密集杂波环境下多目标跟踪算法

在密集回波环境下对多目标进行航迹起始和跟踪是一个很难解决的问题，对此提出一种基于m-best 2-D分配算法和广义似然比判决的多目标跟踪算法。数值仿真实验表明提出的多目标跟踪算法能够有效解决“量测-目标”数据关联问题，并且能在较短时间内发现假航迹，确认真航迹，大大减轻对系统的存储量、计算量的要求。     

多站测角的机动目标最小二乘自适应跟踪算法

为了避免被动跟踪中非线性带来的计算复杂化及精度的下降问题,该文首先采用最小二乘法对目标的状态进行粗估计,然后采用当前机动目标模型和自适应跟踪算法进行线性的卡尔曼滤波,以实现对目标较高精度的定位和跟踪。实验结果表明:该方法对于匀速和匀加速运动的目标都可以达到良好的跟踪效果,其误差远小于经典的singer方法;对于强机动目标,singer方法将失效,而本文方法仍能实时辨识出目标的速度和加速度,并且估计效果良好。     

目标跟踪中协方差控制的分布式多传感器管理

传感器管理就是研究如何分配传感器资源，控制各传感器工作模式的问题。由于现代雷达面临着反辐射导弹威胁，所以对目标进行跟踪时，使用传感器管理方法，合理对雷达进行资源调度，可以减少辐射量，提高自身的生存能力。文中讨论了一种基于协方差控制的传感器管理方法，给出了分布式跟踪结构下的传感器分配算法，并对目标跟踪时使用该算法调度传感器资源调度进行了仿真，仿真结果验证了该算法的有效性。     

OFDM系统中时变信道下信道估计方法的研究

为减少OFDM系统中子信道间干扰(ICI)的影响,分析了分段频域均衡方法、近似分段线性的相邻符号ICI消除方法和卡尔曼滤波方法等几种快衰落环境下的信道估计方法的优劣,在此基础上提出了一种基于梳状导频的卡尔曼滤波信道估计方法.对滤波的结果,利用信道的频域相关函数和估计误差的协方差矩阵,在频域进行最小均方误差意义上的优化.仿真结果表明,该方法具有良好的估计性能.     

一种基于多传感器的复合量测IMM-EKF数据融合算法

为了提高多传感器系统的目标跟踪精度,且解决传感器数量多导致的耗时长的问题,提出了一种复合量测IMM-EKF（Interacting Multiple Model-Extended Kalman Filter）融合算法.该算法根据各传感器的测量精度,对各传感器关于同一目标的量测点迹进行加权融合,再将融合后的点迹进行IMM-EKF滤波处理.通过仿真及实验数据处理,将复合量测IMM-EKF融合算法与加权IMM-EKF融合算法、扩维IMM-EKF融合算法进行了对比分析,比较了三种算法的跟踪精度及耗时长度.结果表明,扩维IMM-EKF融合算法具有最优的跟踪精度,复合量测IMM-EKF融合算实时性最好.最后分别给出了三种算法的适用场合.     

非线性系统中多传感器目标跟踪性能分析

主要研究了非线性系统中二维平面上的目标跟踪问题.在非线性系统中分析了传感器的测量精度和目标到传感器的距离的关系是如何限制两传感器和目标所成的夹解对两部同类型同精度的传感器的的融合跟踪精度的影响的.通过理论证明和仿真得出,在一定的条件下,通过调整两传感器和目标所成的夹角可以大大地提高对目标的跟踪精度.这对多传感器融合目标跟踪具有理论指导意义.