分步的基于模糊聚类的多雷达航迹关联算法

针对采用传递闭包模糊聚类的多雷达航迹关联算法运算量较大的问题,提出了分步的基于模糊聚类的多雷达航迹关联算法。首先基于欧氏距离对航迹进行预关联判断,然后通过模糊相似计算,简化了航迹相似矩阵,进而减少了相似计算与矩阵迭代的次数,最终达到了减小运算量的目的。仿真结果表明:所提算法在保证关联正确率的前提下,耗时减小了54%,有效地提高了多雷达航迹关联算法的效率。     

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。     

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.     

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.     

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。     

适于高频地波雷达工程应用的数据关联方法

针对宽波束高频地波雷达监测海面低速移动目标的工程应用要求,采用一种新的跟踪门预处理的联合概率数据关联方法对目标进行跟踪.基于数据关联性能评价函数和运动定理相结合的跟踪门规则能够减少跟踪门内非本目标的回波;在此基础上采用简化的联合概率数据关联算法对波门内的回波进行关联滤波,从而降低错误关联的概率并减小关联计算负荷;雷达实测数据分析表明,该方法计算量小,能够稳定、有效的实现高频地波雷达系统中的目标跟踪,适于工程应用.     

雷达与ACARS数据融合研究

为了更好地利用雷达与ACARS进行空中目标监控,研究了雷达与ACARS的数据融合问题,提出了一种数据融合算法。对雷达与ACARS数据进行坐标变换和时空配准;对二者进行航迹关联,包括空间粗关联、逻辑航迹关联和多义性处理;对关联航迹进行融合。仿真结果表明,该算法可以提高空中目标监控的数据率,识别出雷达中的部分商用和通用航空飞机,得到目标更加详细和准确的信息。     

基于多因素模糊和灰色关联度综合的AIS与雷达数据关联

为提高多目标密集环境下AIS与雷达探测目标关联正确率,将多因素模糊判断和灰色关联度进行结合,提出一种新型关联算法。该算法将目标航迹看作四个因素的时间序列。首先利用多因素模糊判断对四个因素的时间序列集合进行初步关联判断,然后对满足初步关联条件的目标进行四个因素的灰色关联度决策,确定最终航迹相关的目标。仿真证明,该算法相较于单独使用多因素模糊判断,有效提高了关联正确率;相较于单独使用灰色关联度算法,有效缩小了关联范围。     

密集杂波环境下基于KHM的多目标数据关联

针对在杂波密集、多目标交叉的场景中,传统聚类算法在数据关联中出现的用聚类中心点更新航迹产生较大误差。为减少误差,提高航迹精度,提出一种基于KHM（k-Harmonic Means）的多目标数据关联算法。算法首次将KHM用于多目标的数据关联问题中,先对接收到的量测数据通过KHM算法进行聚类处理,然后结合最近邻思想完成量测-航迹的关联,在目标出现密集交叉时,引入KHM的＂软聚类＂方法,实现了量测-航迹的精确关联。采用蒙特卡罗仿真结果表明,基于KHM的关联算法在精度上要优于PDA算法,并验证了算法的可信性和有效性。     

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。