分布式伪线性卡尔曼滤波纯方位跟踪北大核心CSCD

针对纯方位跟踪(BOT)的非线性滤波和距离可观测性较差问题,提出了一种新的分布式多传感器辅助变量伪线性卡尔曼滤波器(DM-IVPLKF)。该滤波器利用辅助变量伪线性卡尔曼滤波器(IVPLKF)独立处理目标测量值,通过偏差补偿伪线性卡尔曼滤波器(偏差补偿PLKF)解决由于量测向量与伪线性噪声相关而产生的偏差,将递归辅助变量估计方法嵌入偏差补偿PLKF中,对目标状态估计和协方差进行修正。所提算法利用多传感器最优信息融合准则,对目标状态进行融合估计。然后,推导了多传感器BOT的克拉默-拉奥下界(CRLB)。通过仿真实验,将所提算法与传统算法进行对比,仿真结果证明了所提算法具有较高的跟踪精度。     

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.