多红外传感器融合系统数据关联算法

针对传统多红外传感器多目标多维分配数据关联模型在构造关联代价时未充分考虑位置估计不确定性所引入的随机误差问题,提出了一种可精确到二阶的高精度关联代价构造方法。取非线性量测函数泰勒展开式的前二阶项,将最小二乘估计的均值和方差信息代入得到伪量测信息的均值和方差,继而将伪量测与真实量测信息的统计距离作为最终的关联代价。最后对不同关联算法的正确率进行了实验对比,仿真结果表明修正后的关联代价能够更精准地反映出数据关联的可能性,基于该修正代价的关联算法较之其他关联算法可获得更好的关联性能。     

基于代价函数修正的异类传感器数据关联算法

针对现有异类传感器数据关联算法在构造关联代价时未充分考虑最大似然估计引入误差的问题,提出了一种修正代价函数的异类传感器数据关联算法。基于主、被动传感器各自的优势信息构造观测矩阵,得到目标的位置估计,继而根据异类传感器融合系统的观测模型得到伪量测信息,并利用一阶泰勒展开近似推出伪量测的方差信息,再用其对关联代价函数进行修正,改进后的代价函数能更加准确地描述量测之间的关系。仿真结果表明,修正后的关联代价函数能更精确地反映数据关联的可能性程度,所提算法可获得更好的关联正确率。     

基于KL距离的异类传感器动态数据关联算法

针对异类传感器多目标跟踪系统中的动态数据关联问题,提出了一种基于KL距离的异类传感器动态数据关联算法。该方法将静态多维分配问题推广到动态跟踪中,通过对量测集合与航迹集合的合并,将各传感器量测估计位置的概率密度函数与目标航迹一步预测值的概率密度函数之间的KL距离作为关联代价函数,继而代入多维分配模型求解,从而实现量测到航迹的动态关联。仿真实验表明,所提算法能更精准地反映量测与航迹之间关联的可能性,且能够对多目标进行快速稳定的跟踪。     

基于极大似然的联合数据关联与空间配准

针对雷达量测存在漏探测情况下的雷达之间数据关联与雷达系统误差估计问题,提出了基于极大似然(ML)的联合数据关联与空间配准算法。该算法采用多维分配算法进行数据关联,使用ML 对空间配准问题中的系统偏差进行估计,通过迭代进行数据关联和空间配准,最终得到收敛的系统偏差估计和关联正确率。仿真实验表明:在雷达探测存在漏探测时,文中提出的算法能够有效地进行数据关联和估计系统偏差,有较强的抗噪性和鲁棒性。     

基于EM算法的联合数据关联与空间配准

针对雷达量测存在漏探测情况下的数据关联与空间配准问题,提出了一种基于期望最大化（EM）算法的联合数据关联与空间配准算法。该算法使用EM算法对空间配准问题中的系统偏差进行估计,采用多维分配算法进行数据关联,通过迭代进行数据关联和空间配准,最终得到收敛的系统偏差估计和关联正确率。仿真实验结果表明：在雷达探测为非全探测时,文中提出的联合数据关联与空间配准算法能够有效地估计系统偏差,有较强的抗噪性和鲁棒性。     

基于一维测量的多传感器多目标数据关联

本文在S-D分配算法的基础上,提出一种基于一维测量数据的多基地雷达多目标数据关联的方法.在每个传感器仅能给出目标的一维距离和量测信息,并且同时存在虚警的条件下,该方法首先利用4维组合的冗余信息对各传感器的量测值进行组合筛选,然后由4维分配算法进行多目标的数据关联,仿真结果表明该方法可以有效提高多目标的正确关联概率.     

基于Transformer网络的机载雷达多目标跟踪方法

传统的多目标跟踪数据关联算法需要提前知晓目标运动模型和杂波密度等先验信息,然而这些先验信息在跟踪之前无法及时准确地获取。针对这个问题,提出一种基于Transformer网络的多目标跟踪数据关联算法。首先,考虑到传感器会存在漏检的情况,引入虚拟量测来重新建立数据关联模型。在此基础上,提出基于Transformer网络的数据关联方法来解决多目标与多量测的匹配问题。同时,设计了一种掩蔽交叉熵损失与重叠度损失相结合的损失函数(MCD)用于优化网络参数。仿真和实测数据结果表明:在不同检测概率条件下,所提算法性能均优于经典的数据关联算法和基于双向长短时记忆网络的算法。      

基于几何法的雷达与ESM航迹关联算法

为解决雷达与ESM航迹关联门限的不确定性,提出了基于几何法的雷达与ESM航迹关联算法。该算法根据雷达与ESM的几何位置建立航迹粗关联函数,并利用航迹的历史信息建立航迹关联代价矩阵,通过代价最小实现航迹关联。仿真结果表明,该算法具有很好的关联性能。     

基于稀疏解的米波雷达测高方法

针对米波雷达由于波束宽和地面反射多径引起的测高难题,提出一种基于稀疏解的米波雷达低仰角测高法。该方法首先构造基于类-P范数稀疏度和2-范数约束的代价函数,通过迭代方法最小化代价函数得到稀疏解,最后由尺寸远大于阵元数的稀疏解估计目标仰角和高度。与传统的高分辨算法相比,该方法对信噪比和快拍数要求不高、无需特征值分解和多维搜索过程,具有较高的分辨率和极低的旁瓣电平。计算机仿真和实测数据的处理结果验证了该算法的有效性。     

一种基于变分推断的雷达多目标跟踪JPDA算法

针对雷达邻近多目标跟踪问题,提出了一种基于变分推断的联合概率数据关联算法（Joint Probability Data Association,JPDA）。通过建立关于目标状态和两个关联指示的概率图模型,并根据不同变量之间的信息传递构造对应的自由能目标函数,迭代该目标函数求解出目标和当前检测量测之间的最佳边缘关联概率。将所提算法与经典JPDA和k 近邻联合概率数据关联(k Nearest Neighbor-Joint Probability Data Association,kNN－JPDA) 算法进行对比,结果表明新算法具备更高的跟踪位置精度,并且能够有效地避免因邻近目标数量增多而引起的计算上的组合爆炸问题。     

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...     

Recursive blind identification of non-Gaussian time-varying ARmodel and application to blind equalisation of time-varying channel

A novel method for the blind identification of a non-Gaussian time-varying autoregressive model is presented. By approximating the non-Gaussian probability density function of the model driving noise sequence with a Gaussian-mixture density, a pseudo maximum-likelihood estimation algorithm is proposed for model parameter estimation. The real model identification is then converted to a recursive least squares estimation of the model time-varying parameters and an inference of the Gaussian-mixture parameters, so that the entire identification algorithm can be recursively performed. As an important application, the proposed algorithm is applied to the problem of blind equalisation of a time-varying AR communication channel online. Simulation results show that the new blind equalisation algorithm can achieve accurate channel estimation and input symbol recovery     

一种改进的快速IMP伪码捕获方法

针对迭代信息传递（IMP）伪码捕获算法中寄存器状态选取单元存在复杂度高且缺乏理论依据的问题,提出了一种改进的迭代伪码捕获算法。首先在分析译码得到的后验信息概率分布特性的基础上,定义基于后验信息的评价函数来衡量PN码的寄存器状态估计向量的可靠性。然后,按可靠度从高到低的顺序依次选取状态估计向量作为寄存器状态,进而生成本地PN码并进行相关验证。若相关值大于门限,则宣布捕获成功,操作停止;否则,选取下一个估计向量进行相同操作。若已用完所有的状态估计向量,则宣布捕获失败。最后利用长m序列为例进行理论分析及仿真,结果表明改进算法在一定程度上降低了运算复杂度,大大提高了收敛速度,同时捕获性能提高了大约1~3dB,特别适合于扩频通信系统中长PN序列的快速捕获。      

Flexible estimation of probability and cumulative density functions

A novel, simple and effective algorithm for the estimation of the probability density function and cumulative density function is presented. The algorithm is based on an information maximisation approach. The nonlinear function involved in the algorithm is adaptively modified during learning and is implemented by using a spline function.     

基于量测转换的交互多模型概率数据互联算法

针对雷达跟踪机动目标时,目标运动模型通常线性地建模在直角坐标系内,而量测数据由传感器获得的实际情况,提出了基于量测转换的交互多模型概率数据互联算法.推导了该算法中相关的滤波估计、滤波误差协方差和数据关联概率,并且提出了跟踪门的确定方法.仿真结果表明了新算法的可行性和有效性.     

Frequency-domain blind deconvolution based on mutual information rate

In this paper, a new blind single-input single-output (SISO) deconvolution method based on the minimization of the mutual information rate of the deconvolved output is proposed. The method works in the frequency domain and requires estimation of the signal probability density function. Thus, the algorithm uses higher order statistics (except for Gaussian source) and allows non-minimum-phase filter estimation. In practice, the criterion contains a regularization term for limiting noise amplification as in Wiener filtering. The score function estimation, which represents a key point of the algorithm, is detailed, and the most robust estimate is selected. Finally, experiments point to the relevance of the proposed algorithm: 1) any filter, minimum phase or not, can be estimated and 2) on actual data (underwater explosions, seismovolcanic phenomena), this deconvolution algorithm provides good results with a better tradeoff between deconvolution quality and noise amplification than existing methods.     

基于1比特量化的大规模MIMO雷达系统直接定位算法

1比特量化技术在大规模MIMO雷达系统中的应用使得系统成本、功耗及传输带宽显著降低。但这同时也对如何从1比特量化后的数据中提取目标高精度信息提出了严峻挑战。针对基于1比特量化的二次定位算法在低信噪比下定位精度低、鲁棒性差的问题,该文提出了一种基于1比特量化的大规模MIMO雷达系统目标直接定位算法。首先,通过将接收信号进行1比特量化,并推导基于1比特信号的概率分布,建立了关于目标位置的代价函数;其次,通过证明代价函数的凸性,利用梯度下降算法求解了回波中未知的信号参数;最后,根据最大似然估计实现了目标直接定位。仿真实验分析了所提算法的定位性能,结果表明,所提算法仅需传输相较于高精度采样(16比特为例)直接定位算法6.25%的通信带宽,同时其功耗仅为前者的0.1%。此外,与基于1比特量化的二次定位算法相比,所提算法在低信噪比下便可实现对目标位置的有效估计,并且其定位性能在低信噪比和低MIMO天线数量下均明显优于前者。同时,其性能会随着过采样技术的应用进一步提升。      

一种基于模糊聚类的PHD航迹维持算法

针对杂波环境下数量变化的多目标航迹关联问题,提出一种基于模糊聚类的PHD航迹维持算法.该算法充分利用多帧信息,对当前时刻状态进行多步预测,并根据惯性进行加权,然后利用模糊聚类求得当前估计属于每条航迹的隶属度,从而得到最终的航迹.与传统的估计与航迹关联算法不同,该算法在更新每条航迹信息时,不仅仅是简单地对相邻帧之间的对数似然比进行求和,而是通过加权聚类等操作综合考虑了多帧信息.实验结果表明,所提算法能够更好地保持目标航迹,即使在目标出现交叉的地方也能达到很好的跟踪精度,具有较强的鲁棒性和优良的航迹维持性能.