一种强杂波密度环境下的多目标跟踪算法北大核心CSCD

针对传统基于随机集的多目标跟踪方法高斯混合概率假设密度滤波器在强杂波环境下,会出现目标数目过估计及目标状态估计误差急剧增大的问题,提出了一种适用于强杂波密度环境下的多目标跟踪算法。该算法在概率假设密度平滑器基础上,在预测步通过量测与预测值之间的残差值确定椭圆门限值,从而获得与目标真实状态相近的量测值,降低了滤波器的时间复杂度;同时,在使用有效量测对高斯项进行更新的过程中,利用各高斯项的椭球门体积自适应调整更新公式中杂波强度参数,提高了多目标跟踪精度。仿真结果表明:该方法在强杂波密度环境下可有效降低计算时间并提高多目标跟踪精度。     

未知杂波下多目标跟踪AEM-PHD平滑滤波算法

针对未知杂波强度下的多目标跟踪问题,提出了加速期望最大化概率假设密度(AEM-PHD)平滑滤波算法。首先,对杂波的强度进行建模;接着,根据杂波的量测估计出杂波的个数;然后,利用高斯有限混合模型对杂波密度函数进行建模,在EM算法的基础上提出了AEM算法,将AEM算法用于高斯有限混合模型参数的估计,获得了杂波的密度函数;最后,将估计的杂波信息应用于多目标跟踪,对目标状态进行了平滑。仿真结果表明,在杂波强度未知的环境下,所提算法能准确估计出杂波的参数,具有跟踪精度高、目标数目估计准确的优点。     

一种基于杂波稀疏度改进的杂波密度估计方法

在实际跟踪环境中,杂波测量空间分布特性往往是未知时变的,杂波密度通常被用来描述杂波测量的空间分布特性,是决定多目标自动跟踪性能的核心环境要素。现有的空间稀疏度的杂波密度估计方法(Spatial Clutter Measurement Density Estimator, SCMDE)在多目标自动跟踪场景下的杂波密度估计偏差急剧增大。针对以上问题,提出了一种基于SCMDE改进的杂波自适应估计方法,通过计算以待估点为中心的超球体内测量来源于杂波的概率估计超球体内真实的杂波个数,消除超球体内目标测量带来杂波密度估计偏差,从而提升复杂环境下多目标自动跟踪的航迹管理性能。     

基于高斯混合带势概率假设密度滤波器的未知杂波下多机动目标跟踪算法

多模型的随机有限集(RFS)类方法是一类有效的多机动目标跟踪算法,但是现有算法都假定杂波统计特性先验已知,不适用于未知杂波背景。该文以高斯混合带势概率假设密度滤波器(GMCPHDF)为基础,提出一种未知杂波下的多机动目标跟踪算法。该算法对目标和杂波分别独立建模,通过最优高斯(BFG)估计方法对真实目标的强度函数进行预测,从而使多目标强度函数独立于机动目标的运动模型,实现各时刻真实目标的强度函数、杂波源期望个数以及真实目标和杂波源的混合势分布的迭代。仿真结果表明,该算法能够有效地联合估计多机动目标状态以及杂波期望个数。     

基于熵惩罚的EM未知杂波估计的PHD多目标跟踪算法

针对概率假设密度多目标跟踪算法中存在的杂波强度未知的问题,提出一种基于熵惩罚的EM未知杂波估计的PHD多目标跟踪(EPEM-PHD)算法。首先采用有限混合模型对未知杂波密度建模,其次分别对混合权重及缺失参数施加熵惩罚因子,然后通过自适应动态系数调节,使得混合模型低权值分量加速消亡,减少了算法迭代次数,且算法对初始参数不敏感。仿真结果表明,该算法在杂波强度未知的环境下,具有精度高、跟踪稳定的优势,提高了PHD滤波器在多目标跟踪中的性能。     

基于LGJMS-GMPHDF的多机动目标联合检测、跟踪与分类算法

线性高斯跳变马尔可夫系统模型下的高斯混合概率假设密度滤波器(LGJMS-GMPHDF)为杂波背景下多机动目标跟踪提供了一种有效方法。该文将类别辅助信息引入LGJMS-GMPHDF,提出了一种密集杂波背景下多机动目标联合检测、跟踪与分类算法。该算法在LGJMS-GMPHDF中用属性向量扩展单目标状态向量,用位置和属性的组合测量似然函数代替单目标位置及杂波位置测量似然函数,提高了不同类目标与杂波测量间的鉴别能力,进而改善了目标数目及状态的估计精度;在更新目标状态的同时,对目标属性信息进行更新。该算法实现了时变数目的目标状态和类别估计。杂波背景下交叉和临近并行机动目标的跟踪实验验证了该文算法的联合检测、跟踪与分类性能。     

结合幅度信息的扩展目标随机有限集跟踪方法

基于随机有限集的扩展目标跟踪方法通常根据量测的空间信息进行量测划分,在杂波密集环境下有可能将杂波量测划入目标单元,从而造成跟踪性能的下降。为此,该文将目标和杂波的幅度信息引入高斯逆威沙特概率假设密度(GIW-PHD)滤波器,通过计算量测子集的幅度似然寻找最优的量测划分方法。此外,计算量测单元的中心时,采用幅度加权的方法计算量测单元的质量中心,以取代目前广泛使用的几何中心,从而进一步降低杂波对滤波器的干扰。在信杂比分别为13 dB和6 dB的条件下,通过对Rayleigh杂波中Swerling 1型起伏目标的跟踪结果证明了所提方法相比高斯逆威沙特概率假设密度滤波器具有更优的势估计和状态估计性能。      

基于信息理论和概率假设密度的自适应多站多目标无源定位与跟踪算法

<正>本文针对密集杂波和冲击噪声条件下的多站多目标无源定位与跟踪问题，基于信息理论和随机有限集提出一种新的自适应高斯混合概率假设密度（PHD）滤波算法。该算法引入渐消因子，基于新息的方差动态修正滤波增益，并采用KL度量对量测更新步骤中多目标密度近似前后的差异进行衡量，在最小信息增量意义下对高斯元进行合并，得到更准确的多目标状态后验分布，提高了多站多目标无源定位与跟踪精度，并降低了冲击噪声等对估计结果的影响。本文给出了基于信息理论的自适应多目标跟踪算法的高斯混合实现方式，所提出的方法继承了PHD滤波器的优点，具有较好的实时性和多目标跟踪性能。最后，采用仿真实验对本文提出的算法进行验证，实验结果证明了本文所提出算法的有效性和优越性。     

基于多帧状态估计机制的GM-PHD滤波器

为处理低检测概率情况下目标漏检的情况,引入一种新的多帧状态估计机制,提出了一种基于多帧状态估计机制的高斯混合概率假设密度滤波器。该机制依据不同时间步骤的目标权值来构建每个目标的历史权值矩阵和状态提取标识符。在目标跟踪过程中,当一些连续运动目标在某些时间步骤漏检时,通过多帧状态估计机制,充分依据关联目标的权值矩阵和状态提取标识符来对目标的当前状态进行估计。仿真实验表明,所提算法在保证跟踪有效性的同时,能够在低检测概率且杂波率相对较高的情况下显著提高目标的跟踪性能,具有较强的鲁棒性。     

三维数据关联情况下外辐射源雷达多目标跟踪研究

不同于传统多目标跟踪,除了量测-目标数据关联模糊问题外,外辐射源雷达跟踪系统新增了量测-发射机数据关联模糊问题。针对此问题,该文通过引入一个新的关联变量来表示量测和发射机之间的数据关联关系,提出了目标-量测-发射机3维数据关联改进概率多假设跟踪(PMHT)算法。该算法利用期望极大化(EM)算法的独立性假设条件得到最大后验概率意义下的最优跟踪。为了增加目标-量测-发射机之间数据关联的准确性,提高多目标与量测后验关联概率的精确度,将量测信息设定为均值相同协方差不同的混合高斯分布。针对距离-多普勒量测的非线性性,利用无味卡尔曼平滑(UKS)算法进行多目标状态估计。仿真结果表明,对于FKIE外辐射源雷达数据集(杂波密度很高),所提算法的目标与航迹关联成功率高,抗杂波性能强,证明了算法的有效性。     

三维数据关联情况下外辐射源雷达多目标跟踪研究

不同于传统多目标跟踪,除了量测-目标数据关联模糊问题外,外辐射源雷达跟踪系统新增了量测-发射机数据关联模糊问题.针对此问题,该文通过引入一个新的关联变量来表示量测和发射机之间的数据关联关系,提出了目标-量测-发射机3维数据关联改进概率多假设跟踪(PMHT)算法.该算法利用期望极大化(EM)算法的独立性假设条件得到最大后验概率意义下的最优跟踪.为了增加目标-量测-发射机之间数据关联的准确性,提高多目标与量测后验关联概率的精确度,将量测信息设定为均值相同协方差不同的混合高斯分布.针对距离-多普勒量测的非线性性,利用无味卡尔曼平滑(UKS)算法进行多目标状态估计.仿真结果表明,对于FKIE外辐射源雷达数据集(杂波密度很高),所提算法的目标与航迹关联成功率高,抗杂波性能强,证明了算法的有效性.     

基于高斯混合势化概率假设密度的脉冲多普勒雷达多目标跟踪算法

为在新兴的随机有限集(RFS)框架下充分利用多普勒信息跟踪杂波环境下的多目标,该文提出基于高斯混合势化概率假设密度(GM-CPHD)的脉冲多普勒雷达多目标跟踪(MTT)算法.该算法在标准GM-CPHD基础上,在使用位置量测更新状态后,再利用多普勒量测进行序贯更新,可获得更精确的似然函数和状态估计.仿真结果验证了该算法的有效性,表明在GM-CPHD基础上引入目标的多普勒信息可有效抑制杂波,显著改善跟踪性能.     

非平稳逆高斯纹理估计的两种协方差矩阵GLRT检测器

文章研究了两种海面目标检测算法。由于海杂波的非高斯、非平稳和非均匀特性,传统的分布模型不能对海杂波进行有效的拟合,海杂波的概率密度函数会产生严重的拖尾现象。海杂波的非平稳性主要体现在纹理上,通过对纹理进行逆高斯建模,并估计纹理的最大后验值和最小均方误差值,对非平稳纹理进行归一化处理,实现海杂波协方差矩阵的平稳化。在广义似然比检测模型的基础上,提出了最大后验逆高斯广义似然比检测器(MAP-IGD-GLRT)和最小均方误差逆高斯广义似然比检测器(MMSE-IGD-GLRT)。经过仿真和实测数据实验验证,该文所提两种检测器均优于对比算法。     

EK-GMPHD滤波算法

针对杂波环境下多目标数目时变的跟踪问题,提出了一种适用于非线性系统的扩展卡尔曼-高斯混合概率假设密度滤波算法(EK-GMPHD)。对高斯分量进行递推时,利用扩展卡尔曼滤波器思想进行局部线性化,解决了量测方程和状态方程的非线性问题;在缩减高斯项数目时,建立了一种新的合并准则,综合考虑了高斯分量协方差对估计精度的影响;利用当前时刻目标估计数目对前一时刻的目标估计数目进行平滑,消除了孤立点的影响;仿真结果表明,该算法可有效滤除杂波影响,准确估计多目标数目和状态。     

自适应非线性GM-PHD滤波及在无源跟踪中的应用

首先针对无源传感器目标跟踪中的非线性问题,将高斯-厄米特求积分规则运用于高斯混合概率假设密度滤波,提出一种求积分卡尔曼概率假设密度滤波。其次,针对未知时变过程噪声,将基于极大后验估计原理的噪声估计器运用到概率假设密度滤波中,同时依据目标状态一步预测与状态滤波结果之间的残差,提出一种对滤波发散情况判断和抑制的算法。最后通过无源传感器双站跟踪仿真表明:相较于已有的非线性高斯混合概率假设密度滤波,所提算法有更高的精度,并且在未知时变噪声环境中具有较好跟踪效果。     

高频地波雷达多目标跟踪系统

为实现高频地波雷达中的多目标跟踪,有效利用多普勒量测改善系统性能,采用多假设数据关联算法的多目标跟踪系统,提出了多普勒速度优先的二重波门设置和基于扩展卡尔曼滤波(EKF)的多假设算法。基于EKF的多假设算法,直接利用EKF过程中得到的参数更新观测向量方差,计算假设的概率,实现多假设数据关联。建立仿真场景,验证了二重波门设置能有效减少杂波干扰,并将基于EKF的多假设算法与独立假设下引入多普勒速度的关联算法比较,结果表明基于EKF的多假设算法在高频地波雷达这种较高杂波密度条件下效率更高,捕捉航迹和滤除虚假点迹的能力更强。     

基于随机集的RBPF多目标关联跟踪算法

针对大量杂波环境下数量变化的纯角度多目标航迹关联跟踪问题,提出一种新的基于Rao-Blackwellized粒子采样(RBPF)航迹关联的高斯混合概率假设密度(GMPHD)滤波算法.算法首先利用GMPHD在每时刻对多个目标组成的随机集合进行估计;然后利用基于随机有限集的RBPF对GMPHD所得到的目标集合进行检测和关联...     

多编队目标先后出现时的无先验信息跟踪方法

针对多编队机动目标先后出现时的跟踪问题,该文提出了一种基于交互式多模型高斯混合概率假设密度滤波(IMM-GM-PHD)算法的无先验信息跟踪方法。首先,在IMM-GM-PHD算法预测过程完成的基础上,引入密度检测机制,利用相关域为所有预测高斯分量挑选有效量测,结合密度聚类(DBSCAN)算法检测是否出现新编队目标。其次,在IMM-GM-PHD算法状态更新完成的基础上,利用更新高斯分量的组成情况完成模型概率的更新。最后,在状态估计优化过程中,结合编队目标的特点,加入相似度判别技术,利用杰森-香农(JS)散度度量高斯分量间的相似度,剔除没有相似分量的高斯分量,进一步优化估计结果。仿真结果表明,该文方法能够快速有效地跟踪非同时出现的多编队机动目标,具有较好的跟踪性能。     

高斯混合分布杂波下ARM的Wald检测方法

提出一种在高斯混合分布杂波下检测反辐射导弹(ARM)的Wald检测方法.针对基于期望最大化(EM)算法估计杂波参数时,由于初始化不当使迭代运算落入初值陷阱、导致估计错误的问题,提出基于矩-EM算法估计杂波参数的方法,导出了高斯混合分布杂波下ARM目标的Wald检测统计量.不同参数条件下的仿真表明,矩-EM算法能够更准确地估计杂波参数;基于高斯混合分布杂波假设的Wald检测性能明显优于基于高斯分布杂波假设的Wald检测性能.     

狄拉克加权和概率假设密度滤波器

为解决在存在杂波、过程噪声协方差未知、目标数未知和变化情况下的多目标跟踪问题,提出了一种适用于线性系统模型的狄拉克加权和概率假设密度滤波器。该滤波器将多目标的后验矩表征为狄拉克加权和的形式。类似于高斯混合PHD滤波器,该滤波器在递归过程中传递多目标的后验矩。不像高斯混合PHD滤波器用卡尔曼滤波器获取多目标的后验更新矩,该滤波器采用变系数α-β滤波器获取多目标的更新后验矩。同时,也提出了一种变系数α-β滤波器中参数α和β的确定方法。仿真实验结果表明,所提出的滤波器为存在杂波、过程噪声协方差未知、目标数未知和变化情况下的多目标跟踪问题提供了一种有效途径,它的平均执行时间小于高斯混合PHD滤波器的平均执行时间,所以具有良好的工程应用前景。