在分布式传感器网络中HMM的数据融合和跟踪

本文涉及多目标跟踪问题,由主动声呐(多静态网络)激活的被动声呐产生量测值。遇到的困难有两类:每个传感器不单独提供一个目标的完全可观察性,另一类是必须涉及到在干扰环境中运动的多个可能机动的目标。这里介绍的算法是基于目标时演变的离散马尔科夫建模方法。它从融合每个量测时间获得的探测值着手。由于动态规划(DF),下一步要完成跟踪和目标运动分析(TMA)。在几乎没有目标运动,例如回避使用确定性目标状态模型的情况下,用这种方法进行多个且机动的目标跟踪。本文介绍和讨论了仿真结果。     

在分布式传感器网络中使用HMM的数据融合和跟踪(续)

4 时间上的数据互联 空间融合步有助于表征目标更有可能存在的目标状态空间中的位置(探测交叉,在图8中由单元中的灰白色平面表示),给定在一个量测时间内的观察值。这个方法现在仍不能排除由于虚警、探测失败、或多目标引起的二重性。通过互联来自连续量测时间的融合数据解脱这些二重性。     

线性时变系统利用广义RLS算法的自适应跟踪

在这篇文章中,我们利用递归最小二乘法(RLS)和卡尔曼变量之间的一一对应关系阐述了RLS算法的广义形式。考虑广义RLS算法的两种特殊形式是:一种是关于系统识别问题,另一种是关于在附加噪声中线性调频脉冲正弦波跟踪问题。为这两种应用介绍几种实验:通过广义RLS算法与标准RLS和最小均方(LMS)算法比较证明了广义RLS的跟踪优势。     

德国海军新型防空护卫舰

本文介绍了德国海军新型F124防空护卫舰的建造背景、作战系统、武备以及动力情况。     

纯方位跟踪的观察器最佳机动

在纯方位跟踪中,为确保可观察性和获得精确目标定位,观察器机动极为关键。本文用最佳控制理论来确定匀速观察器的航向,使从费希尔信息矩阵(FIM)导出的精度准则为最小。部分通过解析方法,部分通过数值迭代过程建立和解析出最佳机动的必要条件(欧拉方程)。介绍并讨论了最佳观察器机动的几个实例。