基于分布式压缩感知的联合检测与跟踪算法

多基雷达系统对隐身目标的检测与跟踪具有良好的效果,但是在集中式融合框架下应用于 多基雷达的检测与跟踪算法具有计算复杂、计算量大的缺点.对此,提出一种应用于 多基雷达系统的基于分布式压缩感知的联合检测与跟踪算法.首先,应用分布式紧凑感知 矩阵追踪算法直接重构出表征目标状态空间信息的稀疏网格反射向量;然后,应用检测 前跟踪算法得到精确的目标运动状态和轨迹.仿真实验表明了所提出算法的有效性.     

概率假设密度高斯混合实现的分量删减

针对概率假设密度(Probability hypothesis density, PHD)高斯混合实现算法中的分量删减问题, 提出了基于Dirichlet分布的分量删减算法以改进概率假设密度高斯混合实现算法的性能. 算法采用极大后验准则估计混合参数, 采用仅依赖于混合权重的负指数Dirichlet分布作为混合参数的先验分布, 利用拉格朗日乘子推导了混合权重的更新公式. 算法利用负指数Dirichlet分布的不稳定性,在极大后验迭代过程中驱使与目标强度不相关的分量消亡. 该不稳定性还能够解决多个相近分量共同描述一个强度峰值的问题, 有利于后续多目标状态的提取. 仿真结果表明, 基于Dirichlet分布的分量删减算法优于典型高斯混合实现中的删减算法.     

基于模糊推理原理的多传感器数据融合方法

利用模糊推理方法融合具有不确定性的多传感器数据 ,将传感器的测量值作为模糊系统的输入 ,要计算的结果是模糊系统的输出 ,利用三角形隶属函数表示测量的不确定性 ,在输入变量所确定的区间内 ,不断改变输出变量的位置 ,计算输出与输入的兼容度 ,则兼容度最大的位置 ,就是最后要得到的结果。给出了一个多个传感器数据融合的计算实例 ,验证了本方法的有效性     

基于多目标MS-OSPA下界的分散式传感器选择

本文提出了一种分散式大规模多目标跟踪网络的传感器选择优化算法.该方法以多目标状态集和估计集间的均方最优子模式分配误差下界作为优化目标函数,根据加权Kullback-Leibler平均（Kullback-Leibler average,KLA）准则对局部多目标密度进行融合,最终采用坐标下降法来折中计算代价和跟踪精度.仿真实验在不同信噪比场景下验证了本方法的有效性.     

不变结构半弹道式再入飞行器的混合状态估计与模型集设计

多模型方法是混合估计的主流方法之一,以该方法估计不变结构半弹道式再入飞行器(SBRV)混合状态的难点在于设计有效的模型集.文中提出了一种伪Monte Carlo模型集可以使SBRV混合状态估计器在最小均方差(MMSE)意义下接近于最优.SBRV的再入估计具有高度的非线性,同时其模式由多个边界已知的参数张成.给出了这种伪Monte Carlo模型集的设计方法,并分析了其性能特征.该模型集相比于Monte Carlo方法生成的模型集有更高的精度,理论分析和仿真结果表明了新设计模型集的有效性与合理性.     

可控结构半弹道式再入飞行器的跟踪及充满空间的模型集设计

由于再入过程中结构变化的未知以及流场等不确定因素的影响, 可变结构半弹道式再入飞行器(Semi-ballistic reentry vehicle, SBRV)的模式及其变化方式通常也是未知的. 本文在分析可控结构SBRV再入运动特征以及模式特征的基础上, 提出了充满模式空间的模型集, 新模型集根据Hicknell准则设计, 该模型集与Monte Carlo法生成的模型集相比不但具有更高的可信度和精度, 而且对机动的反应更灵敏. 理论分析和仿真结果证明了这种充满空间的模型集对于该机动跟踪问题的合理性与有效性.     

基于Volterra级数的MIMO非线性系统的镇定设计

基于Volterra级数理论,针对一类MIMO非线性系统,首先给出了此类系统可镇定的充分条件;接着讨论了MIMO纯输入与纯输出非线性系统的镇定性的问题,并给出了具体设计方法,最后,用实例仿真验证了其有效性。     

异步多传感器数据融合

由于传感器自身以及通信延迟等原因,使得异步多传感器数据融合问题比同步问题的研究更切合实际。对连续时间系统在融合中心和各传感器节点分别进行异步离散化处理,离散后过程噪声与测量噪声以及测量噪声之间相关,虽然相应连续时间系统中的噪声是不相关的。最后推导了相关噪声情况下的异步融合算法,仿真结果说明了算法的有效性。     

MIMO双线性系统稳定性研究的新方法

基于Volterra级数理论,计算出MIMO双线性系统的n阶冲激响应函数矩阵(或n阶 Volterra核矩阵).通过研究它的n阶冲激响应函数矩阵的性质,给出了一些简单的开环稳定性 判据;并深入研究了它们的闭环稳定性,给出了直接利用其子系统的开环稳定性来判别其闭环 系统稳定性的判据;最后,用仿真实例来验证其有效性.     

集成特征选择的广义粗集方法与多分类器融合

为改善多分类器系统的分类性能, 提出了基于广义粗集的集成特征选择方法. 为在集成特征选择的同时获取各特征空间中的多类模式可分性信息, 研究并提出了关于多决策表的相对优势决策约简, 给出了关于集成特征选择的集成属性约简 (Ensemble attribute reduction,EAR) 方法, 结合基于知识发现的 KD-DWV 算法进行了高光谱遥感图像植被分类比较实验. 结果表明, EAR 方法与合适的多分类器融合算法结合可有效提高多分类器融合的推广性.