基于Rényi信息增量的机动目标协同跟踪算法

针对基于多传感器组网进行机动目标跟踪的传感器管理问题,提出了一种基于Rényi信息增量的机动目标协同跟踪算法。首先结合"当前"统计模型和交互式多模型不敏卡尔曼滤波算法设计了一种变结构多模型算法,来进行机动目标的状态估计;然后以Rényi信息增量为评价准则,选择使Rényi信息增量最大的单个传感器进行目标跟踪;最后利用得到的最优加速度估计进行网格划分,更新变结构多模型中的模型集合。在一般机动及强机动场景下进行了算法性能分析,仿真结果表明,该算法能够合理地选择传感器,提高了对机动目标的跟踪精度。     

基于改进协方差控制的传感器管理算法

针对传统的基于协方差控制的传感器管理算法使用全遍历方法所造成的计算量大,以及传感器切换频繁的问题,提出了一种基于改进协方差控制的传感器管理算法。该算法在每一时刻首先判断前一时刻所用传感器组是否能够满足目标跟踪需求,以滤波协方差与期望协方差的偏差作为参考,结合量纲变换和特征值求取,为协方差偏差矩阵经过量纲变换后得到的量纲一致阵的所有特征值设定一个精度阈值,然后判断滤波协方差是否满足期望,从而决定是否维持当前选择的传感器组。在目标作匀速、匀加速、协同转弯等多种场景下进行了算法性能测试分析,仿真结果表明,该算法不仅在大部分场景下满足目标跟踪精度,而且能够提高传感器管理算法的实时性,同时降低传感器的切换频率。     

基于跟踪精度控制的多传感器管理方法

针对地面机动目标跟踪过程中的多传感器管理问题展开了研究，设计了一种基于跟踪精度控制的多传感器多目标分配方法。首先，在考虑目标与目标之间、目标与传感器之间和传感器与传感器之间等的多种约束条件下运用基于协方差控制的思想建立了多传感器多目标分配问题的优化模型；接着将等价伪量测的异步融合算法与IMM算法结合，计算各目标在不同融合周期的跟踪精度估计值；最后，以目标的跟踪精度需求为出发点，结合蚁群算法的思想，设计了一种求解所建立的多传感器多目标分配问题的优化模型的算法。仿真结果表明：该管理方法能在确保跟踪精度需求的前提下，根据对各目标跟踪任务的重要程度，合理地调度传感器资源。     

基于Riccati方程的动态传感器分配算法

针对组网跟踪系统传感器分配算法计算量过大的问题,提出了一种基于Riccati方程的动态传感器分配算法。该算法通过Riccati方程离线计算各传感器组合跟踪下的稳态滤波协方差,根据稳态滤波协方差与期望协方差的接近程度动态分配传感器资源。仿真结果显示,与传统协方差控制和贪婪算法相比,基于Riccati方程的动态传感器分配算法在大大减少计算量的同时能够保持较好的跟踪性能。该方法能够更好地应用于大规模传感器组网目标协同跟踪系统。     

异步雷达组网协同跟踪动态传感器分配算法

针对异步雷达组网下的协同跟踪问题提出了一种基于异步顺序融合的动态传感器分配算法。该算法对异步雷达的量测值按采样时刻顺序滤波,根据滤波协方差和目标期望协方差的接近程度动态选择下一时刻跟踪的最优传感器集合。仿真分析表明该算法和基于伪量测的异步雷达组网协同跟踪传感器分配算法相比具有较少的计算量和较高的目标跟踪精度。     

一种基于PDA滤波的多传感器管理算法

由于传感器资源或计算资源的限制,监视系统在跟踪多目标时通常不能同时为每个目标分配所有的传感器.因此,希望在满足目标跟踪性能的前提下尽可能使用较少的传感器.针对PDAF目标跟踪算法的特点,选用目标状态估计协方差的期望作为性能度量,提出了一种基于协方差控制的传感器算法.该算法通过为每个目标选择恰当的传感器组合来实现多传感器对多目标的分配.     

基于信息增量的机动目标传感器管理算法

随着目标机动的逐渐增强,机动目标运动模型越来越复杂,与传感器管理算法的耦合性越来越强.对机动目标采用交互式多模型运动建模,推导了交互式多模型下的传感器信息增量算法,提出了一种基于信息增量的机动目标传感器管理算法,结果表明了该分配算法的有效性.     

基于时变量测方差的多传感器多目标优化分配算法

在目标跟踪过程中,目标的动态模型通常在笛卡尔坐标系中,而量测是在极/球坐标系中得到的。在基于卡尔曼滤波及其一些改进算法中,设定量测方差固定不变,可能导致滤波发散。为此提出了一种基于时变量测方差的多传感器资源管理算法。该算法通过统计方法求出转换测量值误差的均值和方差,利用转化卡尔曼滤波算法估计误差协方差,基于协方差的效能函数进行多传感器多目标分配。仿真结果显示该算法在目标跟踪过程中满足跟踪精度要求,并实现传感器资源的充分的利用。     

一种基于遗传算法的多传感器管理算法

分析了针对多传感器多目标分配的传感器管理算法的特点以及存在的问题,结合遗传算法的思想,给出了一种以目标联合信息增量为效能的传感器管理算法,并进行了算法的仿真.仿真结果表明,基于遗传算法的传感器管理算法是有效的,特别是问题规模较大时更比规划方法具有实用性.     

通信受限下分布式多传感器协同跟踪算法

在分布式多传感器目标跟踪系统中,由于局部融合中心(LFC)的物理限制(如:有限的频率信道、处理器容量有限等),只能接收有限个传感器的传送数据。此外,信息传输的方式也将影响传感网的使用寿命,因此,研究了通信受限下的分布式多传感器目标协同跟踪问题。首先对监视区内分布的传感器进行聚类分簇形成若干个子网,接着从通信能耗的角度出发,对传感器采集信息的传递路径进行最优路径规划;进而对子网局部状态进行估计,在子网信息融合中,分别采用最大距离和、最大化信息增量两种准则进行最佳传感器选择,最后通过各子网全局航迹融合实现分布式多传感器协同跟踪。仿真验证了算法的有效性。     

基于多目标的雷达组网传感器资源管理算法

在雷达组网系统的多目标跟踪过程中,当目标数量过多时,由于传感器资源不足,无法使用传统传感器的管理方法进行资源分配,且运算时间过长,不满足工程实际需求。针对以上问题,提出了一种新的多传感器多目标跟踪任务快速分配算法,该算法将跟踪目标个数和跟踪目标精度作为优化目标,首先按照设定的分配准则对传感器进行一次分配,最大化跟踪目标个数;然后利用一种基于传感器排序的启发式传感器分配方法进行二次分配,通过控制跟踪目标的协方差水平,使目标的跟踪精度尽量接近期望值。仿真结果表明,该算法能够在较短的时间内对多传感器进行有效快速地分配,既跟踪了更多的目标,又达到了期望目标的跟踪精度,并且在一定程度上控制资源消耗,减少系统的总耗能。     

面向多目标跟踪的PHD滤波多传感器数据融合算法

针对密集杂波环境下单传感器应用高斯混合PHD算法进行多目标跟踪时性能下降的问题,提出一种面向多目标跟踪的PHD滤波多传感器数据融合算法。首先构建了基于高斯混合PHD滤波的多传感器数据融合系统框架,各传感器利用高斯混合PHD滤波算法进行局部状态估计,然后对各传感器的状态估计结果进行关联度计算,最后通过构建自适应混合参数,引入协方差交叉算法对关联状态进行融合。仿真实验表明,与单传感器高斯混合PHD多目标跟踪算法相比,所提算法有效提高了目标数量和状态的估计精度。     

无线传感器网络中多传感器动态自适应调度算法

无线传感器网络中,目标跟踪往往通过节点之间的协作完成。在无迹变换卡尔曼滤波基础上,提出一种多传感器动态自适应调度算法进行目标跟踪。该方法根据预测跟踪精度来确定采样间隔,然后基于特定的检测概率,为下一时刻选择一组传感器,形成一个临时工作组,并指定某一个传感器作为中心节点进行数据融合。仿真结果证明了该算法能有效提高跟踪精度和可靠性。     

改进预测协方差门限法的采样周期自适应选择算法

传感器采样周期是影响目标跟踪的一个重要参数。现有自适应采样周期策略中,一些算法运算量比较大,计算效率低,不具有一般性。为此提出了一种改进的预测协方差门限法。该算法改进传统采样周期的全遍历寻优策略。最后与几种自适应采样周期算法与固定采样周期算法通过交互式多模型(IMM)滤波算法进行仿真比较。仿真结果表明该算法在目标跟踪过程中能满足跟踪需求,具有较少的计算量,较高的运行效率,比固定采样周期算法更能节约资源。