雷达多目标跟踪的关联粒子滤波研究

在整个导弹防御系统中,多目标跟踪是很重要的一项技术,要求系统快速机动地跟踪导弹目标,但系统存在非线性问题,使用传统方法使跟踪偏差大。为解决上述问题,提出在非高斯条件下,把高斯-厄米特粒子滤波算法和联合概率数据关联方法相结合,对多目标跟踪的数据进行关联处理并进行状态估计。利用高斯-厄米特滤波计算的均值、协方差产生密度函数,并生成具有后验特征的粒子。用联合概率数据关联方法进行杂波剔除和数据关联,并对综合的关联粒子滤波算法进行仿真。仿真结果表明,改进方法可以有效解决多目标的准确跟踪问题。     

多回波环境中多机动目标跟踪的新算法*

目标的状态估计与数据关联是机动多目标跟踪中的关键问题.针对杂波环境中多机动目标的跟踪问题,本文首先引入一种自适应滤波算法,并与快速概率数据关联算法结合,提出一种适于实际应用的密集回波环境下机动多目标跟踪的新算法-快速自适应概率数据关联(FAPDA)算法,利用近似概率数据关联(PDA)算法的计算量达到优于联合概率数据关联(JPDA)算法的跟踪效果,并能快速检测到机动.通过与JPDA算法的仿真结果进行对比,表明了该算法的有效性和快速性.     

联合模糊聚类和拟蒙特卡罗重采样的群目标跟踪算法

联合概率数据关联粒子滤波(joint probabilistic data association-particle filter,JPDA-PF)算法常被用来解决群目标跟踪中的数据关联和非线性滤波问题.针对算法的数据关联时间较长以及样本枯竭问题,本文阐述了一种利用模糊聚类和拟蒙特卡罗重采样的群目标跟踪算法.首先,在群演化网络模型的基础上,采用最大熵模糊聚类法来完成群内个体目标和量测之间的数据关联,利用模糊隶属度来构建互联概率矩阵.其次,在目标状态样本的重采样的过程中,利用随机化拟蒙特卡罗序列映射到拟复制样本的子空间上,提高样本的多样性,抑制样本枯竭的出现.仿真实验结果表明,与JPDA-PF算法相比,本文算法能有效估计群内目标状态和群结构,并具有更优的估计性能.     

基于神经网络的机动多目标数据关联问题研究

本文通过对联合概率数据关联的性能特征的分析,将其归结为一类约束组合优化问题,在此基础上,利用Hopfield神经网络求解典型的约束组合优化问题(旅行推销员问题)的方法,解决了传统的联合概率数据关联中出现的计算量组合爆炸现象,仿真结果表明,该方法效果良好,在密集多回波环境下,其优越性能更为突出。     

基于交互式自适应概率数据关联的目标跟踪算法

在联合交互式多模型概率数据关联思想的基础上,将自适应滤波算法应用到概率数据关联滤波器中,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关联(Interactive Multiple Models Adaptive Probabilistic Data Association-IMM-APDA)算法,避免了模型选取的不确定性,扩大了机动目标的跟踪范围,实现了杂波环境中对目标较高精度的状态估计.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.     

基于粒子滤波的交互式多模型多机动目标跟踪

针对交互式多模型联合概率数据关联滤波算法(IMM-JPDAF)在非线性情况下跟踪精度低,并不适用于非高斯问题的情况,提出了一种基于粒子滤波的交互式多模型多机动目标跟踪算法;将交互式多模型联合概率数据关联(IMM-JPDA)与粒子滤波相结合,在交互式多模型联合概率数据关联的框架下,各模型采用粒子滤波算法处理非线性非高斯问题,避免了噪声的高斯假设和非线性部分的线性化误差。仿真结果表明,IMM-JPDA-PF算法的跟踪性能明显优于IMM-JPDAF算法,能够对杂波环境中的多机动目标进行有效跟踪。     

非线性系统的多扩展目标跟踪算法

目前扩展目标跟踪算法大都假设其系统为线性高斯系统，针对非线性系统的多扩展目标跟踪问题，提出了采用粒子滤波技术对目标状态和关联假设进行联合估计的多扩展目标跟踪算法。首先，提出了将多扩展目标状态和关联假设进行联合估计的思想，解决了在估计目标状态和数据关联时相互牵制的问题；其次，根据扩展目标演化模型、量测模型建立多扩展目标状态和关联假设的联合建议分布函数，并利用粒子滤波技术实现联合估计的Bayes框架；最后，为解决直接采用粒子滤波实现时存在的维数灾难问题，将目标联合状态粒子的产生和演化分解为各个目标状态粒子的产生和演化，对每个目标的粒子集根据与其相关的权重单独进行重抽样，这样在抑制目标状态估计较差部分的同时使每个目标都保留了对其状态估计较好的粒子。仿真实验结果表明，与扩展目标概率假设密度滤波器的高斯混合实现方式和序贯蒙特卡洛实现方式相比，所提算法的状态估计精度较高，形状估计的Jaccard距离分别降低了30%、20%左右，更适合于非线性系统的多扩展目标跟踪。     

基于高斯过程的多机动扩展目标跟踪

针对杂波环境下多机动扩展目标跟踪问题, 提出一种基于高斯过程的变结构多模型联合概率数据关联方法.首先, 采用期望模型扩展方法构建自适应模型集, 并对各个扩展目标状态进行初始化.其次, 基于高斯过程建立联合跟踪门以选择有效量测, 形成联合关联矩阵.然后, 拆分联合关联矩阵得到可行关联矩阵并求解关联事件概率.最后, 利用联合概率数据关联滤波器更新各个扩展目标的状态和协方差, 并将更新的状态进行融合, 得到最终的状态估计.仿真验证了所提方法的有效性.     

多传感器多目标联合概率数据关联研究

提出改进联合概率数据关联算法对多传感器、多目标量测进行同源划分及单一传感器测量数据转换,并采用联合概率数据关联算法求解空间目标轨迹交叉时的数据关联.仿真结果表明,改进联合概率数据关联算法提高了成功关联概率,降低了求解数据关联概率的难度,可以解决密集目标的正确跟踪问题.     

变分贝叶斯概率数据关联算法

针对杂波环境下的目标跟踪问题,提出了一种基于变分贝叶斯的概率数据关联算法(Variational Bayesian based probabilistic data association algorithm, VB-PDA).该算法首先将关联事件视为一个随机变量并利用多项分布对其进行建模,随后基于数据集、目标状态、关联事件的联合概率密度函数求取关联事件的后验概率密度函数,最后将关联事件的后验概率密度函数引入变分贝叶斯框架中以获取状态近似后验概率密度函数.相比于概率数据关联算法, VB-PDA算法在提高算法实时性的同时在权重Kullback-Leibler (KL)平均准则下获取了近似程度更高的状态后验概率密度函数.相关仿真实验对提出算法的有效性进行了验证.     

Combining particle MCMC with Rao-Blackwellized Monte Carlo data association for parameter estimation in multiple target tracking

We consider state and parameter estimation in multiple target tracking problems with data association uncertainties and unknown number of targets. We show how the problem can be recast into a conditionally linear Gaussian state-space model with unknown parameters and present an algorithm for computationally efficient inference on the resulting model. The proposed algorithm is based on combining the Rao-Blackwellized Monte Carlo data association algorithm with particle Markov chain Monte Carlo algorithms to jointly estimate both parameters and data associations. Both particle marginal Metropolis–Hastings and particle Gibbs variants of particle MCMC are considered. We demonstrate the performance of the method both using simulated data and in a real-data case study of using multiple target tracking to estimate the brown bear population in Finland.     

Distributed interacted multisensor joint probabilistic data association algorithm based on D-S theory

With the development of science and technique, the surveillance systems used in the battlefield have been developed into multisensor systems. Therefore, the multisenor multitarget tracking algorithms, such as centralized multisensor joint probabilistic da…     

基于面阵的多目标角度跟踪算法

为了实现移动目标的自动角度跟踪,提出了一种基于面阵的多目标角度跟踪算法.通过估计相邻时间段的协方差矩阵,求解方程组得到目标角度更新信息;同时引入了校正过程,降低了累积误差,提高了跟踪精度.该算法不需要更新信号子空间,相邻时段估计的角度是自动关联的,省去了数据关联过程,降低了运算量;不同于一维角度跟踪算法,该算法可以同时跟踪移动目标的方位角和俯仰角.仿真结果表明了该算法的有效性.     

几种典型的微弱点状多运动目标跟踪算法对比研究

重点研究了序列图像情况下几种典型的微弱点状多运动目标实时跟踪算法,虽然它们都能够完成不同背景环境下目标的全程跟踪,但跟踪性能存在较大的差异,PDA算法具有较高的实时性,但容易出现目标的偏移和聚合现象;JPDA算法理论上解决了多目标数据关联问题,但跟踪过程存在较大误差且由于计算量大难以在工程中应用;基于最大熵高斯聚类算法对模糊隶属度进行了修正,数据关联性高且有效避免了目标的误跟和丢失现象。通过对几种典型算法的仿真分析,为多目标跟踪算法的优化提供可靠依据。     

基于协同关联粒子滤波算法的交互多视频目标跟踪

首先介绍了带马尔科夫跳变非线性系统(JMNSs)的状态估计问题,然后总结了JMNSs最优状态估计的难点和具有交互作用的多目标跟踪问题.在总结分析各类不同算法的基础上,提出了一种协同关联粒子滤波算法来解决目标数目在变化的交互多目标跟踪问题,改进后的算法不需要观测与目标状态关联和目标数量已知的假设.最后,通过仿真实验验证了改进后的算法在跟踪效果上优于现有算法,并能成功估计目标的数量.     

带非线性约束的自适应高斯和卡尔曼滤波目标跟踪算法

无线传感网络中运动目标状态通常满足某种非线性状态约束,为了提高对传感网络中运动目标的跟踪精度,降低非高斯噪声对状态估计的影响,避免高斯项数在迭代过程中的冗余累积,提出一种带非线性约束的权值自适应高斯和卡尔曼滤波算法.算法在每个时刻计算目标当前状态的高斯子项集合,并对每个高斯子项分别以无迹卡尔曼滤波进行状态估计.设计了一种高斯子项权值自适应策略动态调节子项权值,以实现无约束状态下的全局估计.将目标的非线性状态约束引入滤波器结构中时,考虑将其看作一类无约束状态估计的约束投影问题,通过状态约束信息先验来修正运动目标的状态估计.仿真结果表明,该算法与目前的非线性约束卡尔曼滤波相比具有更高的跟踪精度.