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。     

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。     

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。     

ESM量测间歇下雷达/ESM协同跟踪与辐射控制

为减少作战飞机目标跟踪过程中的雷达辐射,提出了一种ESM间歇量测情况下的机载雷达/ESM协同跟踪与辐射控制方法.采用基于IMM-EKF的雷达/ESM序贯滤波算法对目标进行滤波跟踪,利用跟踪过程中的预测协方差与预定门限进行比较控制雷达辐射,并给出了不同ESM间歇时间、控制门限与雷达辐射时间的关系.研究结论有助于提升作战飞机的隐蔽性和生存能力.     

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。     

Rényi信息增量和协方差联合控制的多传感器管理算法

针对目标跟踪中雷达组网场景下多传感器管理问题,结合Rényi信息增量和协方差两种算法各自特性,利用并行处理的思想提出了一种基于Rényi信息增量和协方差联合控制的传感器管理算法。在具体仿真设计环节,分为传感器跟踪能力大于目标数和传感器跟踪能力小于目标数两种场景。仿真结果表明该算法在单目标匀速、多目标匀加速等多数场景下能够对目标进行有效跟踪,同时降低了传感器的切换频率,具有更好的实时性。     

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。     

雷达间歇辅助下雷达红外协同跟踪技术

为了提高作战飞机的隐蔽性,提出了一种基于协方差的机载多传感器管理与辐射控制方法,给出了一种基于扩展卡尔曼滤波和交互多模型的雷达、红外序贯滤波的机载多传感器协同跟踪方法。对利用该方法的机载多传感器目标跟踪性能进行了仿真分析,仿真结果证明了该方法的合理性和有效性。     

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.     

针对自适应滤波的组网雷达欺骗干扰优化策略

针对组网雷达系统在跟踪目标发生机动时采用自适应滤波来估计目标状态的特点,在点迹融合数据处理结构的组网雷达基础上提出了一种欺骗干扰优化策略.根据状态和量测方程描述了组网雷达跟踪目标的模型,同时建立了跟踪机动目标的自适应滤波模型.在此基础上,建立了欺骗干扰模型,并在目标机动检测约束下,推导了虚假目标欺骗干扰对于组网雷达融合...     

基于神经网络的混合双滤波器自适应目标跟踪算法

在分析近期基于神经网络数据融合的目标跟踪算法的基础上,结合一种新的自适应滤波模型(NAF)和速度估计自适应跟踪算法(AVE),提出了基于神经网络混合双滤波器的机动目标自适应跟踪算法(NHDF).该算法通过在线自动调节网络输出进行过程噪声方差融合,降低了现有算法因系统方差的调整不当而带来的精度损失.理论分析及仿真结果证明,与"当前"统计模型、速度自适应模型和新的自适应模型算法相比,该算法具有跟踪精度高,自适应能力强的优点.     

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。     

含有多普勒频率的毫米波/红外融合滤波算法

由于毫米波雷达(MMV)和红外(IR)两种传感器在跟踪目标方面具有各自的优势,故使用两种传感器进行数据融合可以得到较单一传感器更高精度的目标数据,从而提高滤波精度。针对上述两种传感器的特点,对采样数据进行时空对准,结合UT变换思想,并在此基础上提出一种含有多普勒频率的无迹卡尔曼滤波(UKF)算法。新算法较单一MMV或者IR传感器滤波算法精度有了明显提高,并且较MMV/IR融合的传统扩展卡尔曼滤波(EKF)算法的精度也有提高。仿真结果证明了新算法的有效性和合理性。     

高斯马尔可夫融合算法在卡尔曼滤波中的应用

针对目前常用的按标量、对角阵、矩阵加权融合方法过程较复杂,计算负担较重的问题,结合三维目标跟踪模型提出一种高斯马尔可夫融合方法来融合卡尔曼滤波估计值,不需要计算局部稳态滤波误差互协方差,只需要知道传感器的观测噪声方差就可以了。计算方法和操作相对简单,省略了很多繁琐步骤也能达到不错的滤波融合效果,通过仿真证明了此方法的可行性和高效性。     

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。