基于神经网络的多机动目标跟踪算法

将神经网络理论用于多机动目标跟踪,解决了联合概率数据关联(JPDA)存在的计算量组合爆炸问题。基于神经网络数据关联(NDA)所得到的最佳关联假设,将其与简化信息融合并行自适应滤波算法(DAF)进行有效结合,在保证量测与目标有效关联的同时,还具备跟踪起始和终结的作用,实现了对多机动目标的状态滤波与预测。仿真结果表明,与传统的交互式多模型联合概率数据关联算法相比,新算法在保证多机动目标的跟踪精度及实时性要求的同时,计算量大大减少。     

数据关联算法的研究

在现代目标跟踪系统中,数据关联是一个重要组成部分.由于测量来源的不确定性,密集环境中的目标跟踪比较困难.概率数据关联算法和联合概率数据关联算法能很好地处理目标跟踪并在很多领域得到了广泛的应用.但是一旦出现某种干扰或是故障,通过概率数据关联算法得到的滤波值也会偏离真实值很多,造成滤波发散,严重影响性能.针对这一不足,基于概率数据关联算法中的组合新息,提出了修正概率数据关联算法.最后用一些实例来评价该跟踪算法的跟踪性能,仿真结果表明了修正概率数据关联算法和修正联合概率数据关联算法的有效性.     

基于成像声呐的水下多目标跟踪研究

针对水下多目标跟踪问题,提出基于成像声呐的高效目标跟踪算法. 基于声呐的成像特点,针对声学图像中的每个像素点,建立基于信号强度的回波信号模型,提取图像中的个体目标. 采用基于序贯蒙特卡罗的概率密度假设(SMCPHD)滤波对各目标状态进行滤波,结合Auction航迹识别算法将滤波后的目标状态与已确定的航迹进行关联,实现多目标跟踪. 通过算法的仿真分析发现,该方法相对于基于数据关联型的多目标跟踪算法如联合概率数据关联(JPDA)算法、多假设跟踪(MHT)算法,大大提高了计算效率. 对采集的现场数据进行目标提取与跟踪,获得目标的跟踪轨迹.     

杂波环境中一种新的机动目标跟踪算法

针对传统交互式多模型概率数据互联(IMM PDA)算法中因模型选取的不确定性,跟踪精度低等缺点,引入了联合交互式多模型概率数据互联的思想,在此基础上提出了一种适用于杂波环境机动目标跟踪的新算法——交互式自适应概率数据互联(IMMAPDA)算法,将自适应滤波算法应用到PDA滤波器中和数据关联进行有机结合,提高了杂波环境中机动目标的跟踪精度。理论分析与仿真结果验证了该算法的优越性,提高了目标跟踪精度,解决了全局最优化问题。     

模糊-概率交互作用的数据关联算法

基于估计理论和模糊系统理论,提出了一种模糊逻辑和概率交互和作用的数据关联算法,以解决密集杂波干扰环境中跟踪机动目标的数据关联问题。模糊关联度和关联概率共同组成了各有效回波的加权系数,弥补了概率数据关联滤波方法（ＰＤＡＦ）的不足,提高了杂波环境中机动目标的跟踪性能。     

基于EM算法的杂波环境下机动目标跟踪研究

提出了一种新的基于EM方法的杂波环境下实时机动目标跟踪算法，算法与交互多模概率数据关联算法结构近似，模型后验概率与关联概率由HMM滤波计算得到．仿真结果表明，所提算法跟踪精度与传统交互多模概率数据关联算法性能相当，该算法是有效的．     

基于航迹关联的一、二次雷达联合跟踪

该文针对一、二次雷达在杂波环境下多目标多传感器协同跟踪问题,提出了一种带二次雷达修正的基于航迹关联的一、二次雷达联合跟踪算法。该算法先通过一次雷达对敌友方目标和二次雷达对友方目标运用联合概率数据关联算法滤波跟踪得到航迹数据之后运用双门限航迹关联判定友方目标并撤消对友方目标的跟踪和利用二次雷达探测数据进行对敌方目标的高度信息进行自适应修正,通过蒙特卡洛仿真表明该算法在提高目标跟踪精度和减小处理器的运算量都是有效的。     

并行高斯粒子滤波被动多目标跟踪新算法

针对多目标跟踪的数据关联及多目标状态空间尺寸随目标数增多而增长的问题,提出了一种跟踪新算法,假定各目标的状态与过去的观测相互独立,可以多路并行处理,采用马尔可夫链蒙特卡罗(MCMC)方法计算目标与观测的关联概率,利用高斯粒子滤波(GPF)独立估计单个目标的状态,采用拟蒙特卡罗(QMC)方法近似各目标的预测及更新分布.将该算法应用于被动多传感器多目标跟踪,仿真结果表明,所提算法比联合概率数据关联滤波器(JPDAF)、马尔可夫链蒙特卡罗数据关联滤波(MCMCDAF)及蒙特卡罗联合概率数据关联滤波(MC-JPDAF)具有更好的跟踪性能.     

基于小波滤波的JPDA算法多目标跟踪

研究了一种基于地心坐标的多机动目标跟踪算法,将雷达站的坐标通过地球坐标系转换成地心直角坐标系,得到新坐标系下的数据,利用小波滤波的Matlab算法对坐标测量转换的数据进行分解,将分解得到的测量数据用于机动目标的状态更新,利用JPDA算法将三维坐标进行数据关联,分理出多个目标的飞行航迹,并与小波滤波相融合,得到多目标飞行器各自的飞行轨迹.仿真结果表明,该JPDA与小波滤波融合的算法跟踪性能良好,可以将多目标数据分离,且计算量偏小.     

当前统计概率数据关联算法

目标跟踪领域的一个研究重点是如何解决在密集杂波环境下机动目标的跟踪问题。机动目标跟踪的关键是解决目标模型的不确定性,而密集杂波环境则使这个问题变得更加复杂。针对这一问题,提出一种当前模型概率数据互联算法。该算法将当前模型算法与概率数据互联相结合,在使用概率数据互联算法的同时,利用当前模型算法对目标出现的机动进行自适应滤波。最后,给出了算法的仿真分析,仿真结果说明该方法能够有效地跟踪杂波环境中的机动目标。     

多目标实时跟踪的一种数据关联算法

联合概率数据关联是密集杂波环境下跟踪效果最理想的数据关联算法之一。文中在研究概率数据关联算法的基础上,提出了一种快速数据关联算法。通过不同阈值的选择,去除小概率事件,建立确认矩阵,再根据被跟踪目标跟踪门的相交情况,将跟踪空间划分成若干相互独立的区域。对同一区域内公共量测的概率密度值进行衰减,计算出关联概率。仿真实验结果表明,该算法能显著减少可行联合事件的搜索时间和数量,可以有效解决JPDA算法计算量过大的问题,且便于工程实现。     

GLMB extended target tracking based on one-step data association

Due to the inseparability of measurements in neighborhood scenarios, the tracking performance of the traditional extended target tracking algorithm would degrade. In this paper, a new extended target tracking algorithm based on one step data association is proposed to solve the problem. First, the algorithm models the target with a multiplicative noise model. And then, the one step data association method in the Joint Probabilistic Data Association (JPDA) theory is combined with a Generalized Labeled Multi-Bernoulli (GLMB) filter. Simulation results show that the algorithm can track the target in cross and neighborhood scenarios effectively and that it is superior to the traditional extended target tracking algorithms based on measurement partition in estimation accuracy.     

扩展概率数据关联新算法

基于新的联合事件定义，推导出一种联合概率数据关联新算法．在此基础上，分析了该算法（本文取名为ＥＰＤＡ）与概率数据关联ＰＤＡ的关系，从而得出ＥＰＤＡ可看成ＰＤＡ的一种扩展的结论，同时，还从理论角度说明Ｆｉｔｚｇｅｒａｌｄ提出的简化ＪＰＤＡ算法中近似经验常数可精确计算，也可近似给定，不仅仅只能靠经验给定．ＥＰＤＡ克服了传统ＯＤＡ算法不可回避的组合爆炸难题，是一种性能优良的数据关联算法．仿真分析证明，本文提出的扩展概率数据关联算法实时性、有效性强，适于工程应用．     

次最优概率和集中式MSJPDA算法

针对集中式多传感器联合概率数据互联(MSJPDA)并行算法经常出现滤波发散的现象,以及集中式MSJPDA算法实现复杂且运算量大的问题,对并行结构的MSJPDA算法进行了合理的修正,修正后的算法在滤波时运用概率数据互联的思想对各传感器的修正量进行概率加权,将次最优联合概率数据互联算法引入到集中式MSJPDA算法,简化后算法在性能接近的情况下有效地减少了运算量.仿真比较与分析结果表明,本文算法的综合性能更优越.     

一种利用径向速度信息的改进JPDA算法

为解决边扫描边跟踪多频连续波雷达数据互联问题,提出了一种基于目标径向速度信息的联合概率数据互联（JPDA）算法。该算法通过引入目标径向速度信息,进一步限制进入跟踪门相交区域中的虚假量测数量,并对公共测量值权重系数进行调整,进而改善跟踪精度,缩短计算时间,提高跟踪成功概率。仿真结果表明,径向速度信息的运用使得改进的JPDA算法的跟踪性能得到了显著提高。     

多目标跟踪中几种数据关联方法的比较

数据关联是多目标跟踪的核心部分,概率数据关联滤波（probability data association filter, PDA）算法和联合概率数据关联滤波（joint probability data association filter,JPDA）算法是两种典型的数据关联算法.PDA方法计算量小,有较好的单目标跟踪性能,但在跟踪多个目标时会发生目标的偏移和聚合现象;JPDA方法具有良好的多目标跟踪性能,但其运算量巨大而难于在工程中应用.OSPDA（the order statistics PDA）是改进型的快速算法,关联精度高并且计算量小.对这几种数据关联方法进行了分析比较,并作了仿真,指出各种算法的优缺点.     

改进的多传感器多目标量测数据关联算法

提出融合多传感器测量对目标位置进行估计的广义概率数据关联(MSPE-GPDA)算法. 首先对所有可能的多元量测组合进行预关联检验,通过检验的有效多元量测组合所对应的目标位置进行最优估计;根据广义概率数据关联算法计算通过预关联检验的各有效量测组合与目标航迹间的关联概率,并用来计算目标的更新状态. 与顺序处理的多传感器广义概率数据关联算法和利用多传感器量测进行目标位置估计的联合概率数据关联算法相比,MSPE-GPDA算法集中了最优估计和有效信息复用两方面的优点. 理论分析与仿真实验结果均验证了所提算法的有效性.     

基于Boltzmann机的NJPDA优化算法

通过对联合概率数据关联的性能特征进行分析后认为,数据关联可归结为一类约束组合优化问题． 在此基础上,应用随机神经网络Ｂｏｌｔｚｍａｎｎ 机的组合优化求解策略,结合改进的模拟增益退火方法,引入了机动多目标快速随机神经联合概率数据关联组合优化算法（ＦＳＮＪＰＤＡ） ,改进后的算法克服了传统ＪＰＤＡ存在的计算组合爆炸现象,提高了ＮＪＰＤＡ的收敛速度．