随机多假设跟踪的最大似然法

在多目标多量测环境中,量测-航迹分配的知识一般不适于跟踪算法。在本文中,对量测-航迹分配问题,采用了严格的概率方法。不象在传统多假设跟踪(MHT)算法那样,把量测分配给航迹;相反地,使用由期望最大化(EM)方法导出的最大似然(ML)算法估计每次量测属于每个航迹的概率。这些量测-航迹的概率估计对于调用随机多假设跟踪(PMHT)算法的多目标跟踪器是固有的。PMHT算法在计算上是切实可行的,因为它既不要求量测-航迹分配的计算,也不要求修剪。     

异类传感器动态数据关联算法北大核心

数据关联是异类传感器系统中最核心且最重要的内容之一,典型的数据关联算法可以归结为特定的分配为问题,然而现有的S维分配算法只考虑同一时刻的每个传感器量测的互联。将此静态关联推广到动态关联中,提出了一种适用于异类传感器的(S+1)维动态数据关联算法。该算法首先将同一时刻各传感器的量测与目标轨迹的一步预测值合并,把问题转化为(S+1)维分配问题,然后将各传感器量测估计的位置信息与目标航迹的预测值的差值作为关联代价,并利用LP-SOLVE工具包解决多维分配问题,最后利用求得的全局最优关联解进行滤波和航迹的更新。仿真实验表明提出的关联代价能更精准地反映数据关联的可能性,能够对多目标进行稳定的跟踪。     

异类传感器动态数据关联算法

数据关联是异类传感器系统中最核心且最重要的内容之一,典型的数据关联算法可以归结为特定的分配为问题,然而现有的S维分配算法只考虑同一时刻的每个传感器量测的互联。将此静态关联推广到动态关联中,提出了一种适用于异类传感器的(S+1)维动态数据关联算法。该算法首先将同一时刻各传感器的量测与目标轨迹的一步预测值合并,把问题转化为(S+1)维分配问题,然后将各传感器量测估计的位置信息与目标航迹的预测值的差值作为关联代价,并利用LP-SOLVE工具包解决多维分配问题,最后利用求得的全局最优关联解进行滤波和航迹的更新。仿真实验表明提出的关联代价能更精准地反映数据关联的可能性,能够对多目标进行稳定的跟踪。     

用多维数据互联的有效多传感器融合

本文介绍多目标跟踪的用多维数据互联的多传感器融合算法的发展。这项工作是受大规模监视问题的推动,在这种监视问题中,来自具有不同采样间隔(电子扫描阵(ESA)雷达)的异步传感器观察值用于集中式融合。用多维分配的多传感器融合的综合,对于由分配算法处理的S个表,除了“传感器宽度”外,还要使“时间层次”最大化。在有S个传感器的情况下,将来自最近到达的S-1个帧的量测值与已经建立的航迹互联的标准方法可能有零时间层次。对于S维数据互联(S≥3),所介绍的新技术保证最大效率,即对于没有损失融合重叠传感器的每一个传感器,保证最大时间层次(S-1)。使用滑窗(长度为S)技术,在每一个量测帧之后更新估计。对于使用具有多维分配数据互联的多传感器融合,该算法提供多目标跟踪的自动航迹形成、保持和结束的系统方法。对于一个大规模空对地目标跟踪问题,介绍了使用模拟数据的估计结果。     

主被动传感器异地配置下的航迹关联

在雷达和电子支援(ESM)传感器异地配置的情况下,提出了一种基于位置统计量和最大似然准则的异类传感器航迹关联算法。首先基于位置统计量对目标进行了航迹粗关联,排除掉一些虚假关联组合;然后采用最大似然准则对目标进行了航迹细关联,以求进一步提高雷达和ESM传感器航迹关联的检测概率。仿真结果表明,该算法能够快速、准确地完成对多目标的航迹关联。     

跟踪大量重叠目标的多分配算法

本文叙述用于跟踪大量密集(和重叠)物体的使用多分配的数据互连新技术。从促进该项工作的一个生物医学问题入手,即从一个图像序列跟踪一组纤维细胞(组织)单元来说明该算法。由于它们互相靠近以及难于从质量不好的图像序列精确地分割出图象,这些单元实际上是密集物体(CSO)。该算法介绍了一种新的二叉迭代多分配方法,它利用了带有修正成本的递减尺寸的逐个一对一分配。导出根据当前分配级“深度”和跟踪结果调整的成本函数。用所得到的分配来形成,保持和终止具有修正型概率数据互连(PDA)滤波器的航迹,除互连多个量测到单条航迹之外,它还可以处理多条航迹对单个量测的竞争。给出估计结果并与标准二维一对一分配算法的结果相比较。说明了迭代的多分配产生较好的量测到航迹互连。本文介绍的算法可用于其他一般的跟踪问题,包括密集空中交通警戒和控制。     

用批递归估计器纯方位跟踪机动目标

本文介绍一种新的批递归估计器用杂波中的纯方位量测跟踪机动目标(即,低信噪比(SNR)目标)。标准的递归估计器跟广义卡尔曼滤波器(EKF)一样由于缺乏初始目标距离信息而造成粗劣收敛和不稳定状态。另一方面,批估计器不可以处理目标机动。为了纠正这些缺陷,本文用概率数据互联将批最大似然——概率数据互联估计器(ML-PDA)同递归交互多模型(IMM)估计器组合,在有杂波的条件下产生较好的航迹初值和航迹保持结果。还论证,批递归估计器可以用于基于目标状态估计的自适应己舰机动决策,以提高目标的可观测性。跟踪算法对有8dB信噪比的目标被证明是有效的。     

重力场中低可观测弹道导弹的被动测距

本文介绍跟踪重力场中低观测目标运动的一种估计算法。例如,利用纯角量测跟踪接近的弹道导弹。这种量测可以从一个单一的固定传感器获得,但它仅在短时间内可用。而且,低目标发现概率和高虚警密度造成一种困难的低观测环境。一种算法采用概率数据互联并结合最大似然估计法,可以控制误警和小于一的目标的发现概率。本文还介绍杂波中的克拉默—拉奥下界,它确定了在虚警存在和发现概率小于一的情况下,估计器在解这个问题时可以达到最好的精度。本文建议的估计器被证明是有效的,即它满足克拉默-拉奥下界,即使对于低可观测的有6dB平均信噪比的波动目标也是有效的。对于单扫描发现概率为0.6的自由飞行的弹道导弹,其跟踪探测概率可以达到0.99而假航迹认可概率却很小。     

粒子PHD滤波存活粒子采样新方法

针对多目标跟踪粒子概率假设密度滤波算法中存活粒子的重要性密度采样问题,给出一种结合最新量测信息的存活粒子重要性密度采样新方法.该方法根据最新量测集中的各个最测与目标粒子的单步预测状态的似然值,以概率选取量测值,利用无迹变换获得粒子的重要性密度函数,并对其进行采样实现粒子概率假设密度滤波中存活粒子的采样,有效地减轻了粒子的退化现象. 3目标跟踪仿真试验中,当目标模型与跟踪算法使用的目标模型不匹配时,采用所提出的存活粒子采样方法的粒子概率假设密度滤波算法最优子模式分配距离下降约70km.论文给出的存活粒子采样新方法显著地提高了多目标跟踪粒子概率假设密度滤波算法的鲁棒性.     

一种基于外辐射源的弱目标检测跟踪算法

针对强杂波条件下弱目标的检测跟踪问题,提出一种基于外辐射源的极大似然概率数据关联检测跟踪算法。该算法建立了多基站外辐射源雷达系统数学模型,并提出基于极大似然概率数据关联的弱目标航迹起始算法。利用遗传算法解决极大似然概率数据关联中的优化求解问题,以提高目标检测跟踪性能。通过滑窗法实现航迹维持。仿真结果表明,所提算法能有效解决强杂波条件下弱目标的检测跟踪问题,并改善检测跟踪性能。     

基于GA-ML-PMHT的多基站无源协同定位方法

针对无源协同定位系统中低可观测目标的航迹初始及维持问题,提出一种基于遗传算法的极大似然概率多假设的多基站无源协同定位方法。首先,建立多基站无源协同定位系统数学模型。其次,提出基于极大似然概率多假设的无源协同定位航迹初始算法,并首次利用遗传算法解决极大似然概率多假设中的优化求解问题,以提高目标检测跟踪性能。最后,通过滑窗法实现航迹维持。仿真结果表明,所提方法能够有效解决多基站无源协同定位系统中低可观测目标的航迹初始及维持问题。     

多目标跟踪的数据互联——使用分层博尔兹曼机求解

数据互联是确定多目标跟踪算法中的量测源和分配概率β_i~t问题,其中β_i~t是表示第i个量测来自第t个目标这一事件的概率。本文介绍使用一个分层博尔兹曼机求解数据互联问题的新并行计算方法。研究证明,如果能得到充分多的二元神经元层数,就可以用任意小的误差计算互联概率。特别是,证明了概率β_i~j等于分层的两维网络中神经元v(i,j)激发的相对频率。文中还介绍一些简单的跟踪例子,这些例子将对用于精确的数据互联解的博尔兹曼算法的性能与使用Hopfield神经网络的另一种并行算法的性能进行比较。     

杂波环境下红外传感器滤波算法

基于定向概率数据关联滤波(DPDAF)算法,根据红外传感器对目标方位角与俯仰角分辨率不同的特性修正了似然函数,并利用等效观测噪声协方差阵修正滤波增益的思想,构造了一种旨在提高红外传感器跟踪性能的修正定向概率数据关联滤波算法.蒙特卡洛仿真结果表明,新算法对红外目标的跟踪具有比DPDAF更好的跟踪性能.     

两种改进的m-最优多假设跟踪(MHT)算法

针对多假设跟踪(MHT)算法在跟踪多目标时出现的关联矩阵随目标及量测数急剧增长的情况,从降低聚矩阵行、列向量维数角度,提出了两种改进的m-最优MHT关联算法.仿真结果表明,所提出的改进方法不仅大大减少了由高维聚矩阵拆分所引起的庞大计算量,而且实现了对多个目标的有效量测-航迹关联,具有一定的实用性.     

分布式2D雷达网的航迹关联方法

针对分布式2D雷达网由于缺乏高度信息而不能对空中目标进行航迹关联的问题,研究了一种2D与2D雷达航迹关联算法。首先,利用雷达和目标之间的几何特性将来自两异地雷达的航迹有效地统一起来,建立航迹关联函数;然后,对关联函数进行一阶泰勒展开,得到关联函数与雷达量测噪声的线性关系,并根据雷达量测噪声的置信区间得到关联门限;最后,在航迹粗关联的基础上建立基于历史信息的关联代价矩阵,利用匈牙利算法对代价矩阵进行航迹最优分配,实现航迹精关联。仿真结果表明,该方法能够有效解决分布式2D雷达网对空中目标的航迹关联问题,具有一定的实际应用价值。     

使用并行博尔兹曼机计算互联概率

在传统的估计理论中,确切地知道量测与哪些参数或者状态互联。但是,在多目标跟踪这样的问题中,事先不知道量测将与哪一个目标的状态矢量互联。因此,为了实现跟踪算法,必须得到量测源于给定目标的概率估计。当可以用序列算法精确求解这种数据互联问题时,对于大量的目标和杂波点,这种方法可能变得难以处理。本文介绍使用并行博尔兹曼(Boltzmann)机求解数据互联问题的新计算方法。该方法证明,如果能得到充分数量的并行博尔兹曼机,就可以用任意小的误差计算互联概率。第i个量测源于第j个目标的概率β~ji可通过观察神经元v(i,j)在两维网络各层中“激活”的相对频率简单地得到。本文还介绍一些简单的例子,以便对博尔兹曼算法和精确的数据互联解的性能进行比较,还与使用霍普菲尔德(Hopfield)神经网络的另一种并行方法的性能进行了比较。     

多传感器量测噪声对航迹融合性能影响分析

针对多传感器量测噪声相关性和量测噪声方差比值对航迹融合性能有影响的问题,分别采用凸组合航迹融合、最优航迹融合和小航迹融合算法进行融合,对融合性能和单个传感器滤波性能进行分析对比.仿真实验表明:(1)当量测噪声相关系数趋向-1时,融合性能良好;当量测噪声相关系数趋向1时,融合性能退化.(2)当量测噪声方差比值大致处于[0.1,10]时,融合性能良好;当量测噪声方差比值超出此范围时,融合性能退化.     

用IMMPDA固定延迟平滑算法对杂波环境下机动目标的多传感器跟踪

本文对于在杂波环境下用多个传感器跟踪一个高度机动目标提出了一个次优的固定延迟平滑算法。此固定延迟平滑算法是把基本的交互式多模型方法(IMM)和概率数据互联(PDA)技术应用到扩展状态系统上发展而来的。在过去这种方法只使用在确切考虑量测来源(即无杂波)的马尔科夫开关过程上。本文通过对一个高度机动目标跟踪的仿真例子来说明这个算法,其中仿真假设有两个传感器:一部雷达、一部红外,都作用在密集环境下。提出的平滑算法引进了在估计时刻与最新量测之间的一个短时延迟,使得在航迹估计精度上与已有的IMMPDA滤波算法相比,有了显著地提高。而且其计算量只是随着延迟时间线性增长。然而,在一些应用中跟踪的延迟可能导致在控制闭环中产生不希望有的影响。     

多传感器综合系统中的航迹相关算法

本文研究多传感器综合系统中的航迹相关问题。本文运用抽象代数和非贝叶斯决策理论并借鉴统计模式分类思想,提出一种新的航迹相关算法——K 近邻域(K—NN)航迹相关法,并把航迹相关化成了数学上的集合划分和商集构造问题。K—NN 算法把本次相关与其历史联系起来,把相关分成五个阶段,并采用了阈值的自适应技术,定义了相关函数、相关质量、相关向量、向量范数和以范数为基础的统计距离。仿真结果表明,它的效果明显好于最近邻域法,克服了极大似然(ML)和经典分配法的不足,并且也不象似然比(LR)法依赖于某些先验分布。它特别适合密集目标环境/交叉、分叉和机动航迹较多的场合,通常可在普通的计算和通讯资源上实时运行,并且比较便于工程实现。     

压制干扰环境下目标跟踪的改进粒子滤波算法

针对压制干扰环境下传统粒子滤波算法跟踪效果不佳的问题,在传统粒子滤波算法的基础之上,融合压制干扰条件下的有用量测信息,构造了一种新的粒子滤波算法。在算法的实现过程中,通过采用伯努利(Bernoulli)分布重新构造了压制干扰环境下发生量测数据丢失的传感器模型,在此基础上通过充分考虑有效量测值以及量测丢失时的一些有用量测信息,推导出了闪烁噪声条件下的似然函数,直接用于粒子权重更新的计算,并且通过纯方位跟踪以及协同转弯机动模型,仿真验证了该算法极大改善了标准粒子滤波算法的稳定性和提升了粒子滤波算法的估计精度。