基于多机载预警雷达的机动目标融合跟踪方法

机动目标跟踪是多机载预警雷达数据融合中的一个难点,传统的卡尔曼滤波本身不足以解决该问题。基于量测噪声协方差估计设计了一种可适用于机动目标的卡尔曼滤波器;引入了协方差交集,提出了一种针对多机载预警雷达数据融合中机动目标跟踪的新方法。仿真实验表明,该方法能够成功稳定地跟踪机动目标,与现有的主流方法相比,该方法的误差性能是最佳的。     

用于目标跟踪的雷达和成象传感器数据融合

虽然合成来自多个传感器的数据以获得优良跟踪精度的方法是人们当前感兴趣的课题,而动态级融合的研究似乎仍然是一个悬而未决的问题。本文通过生成与公用状态矢量的量测相关的公用状态观察模型研究动态地来自雷达和成象传感器的数据融合。本文考虑的重点是雷达提供的反射中心量测值可能与真实目标中心不太相符这一事实。而且当目标方位改变时,反射中心可能会围绕真实目标中心变化。对远距离的小目标来说,这一影响可以忽略不计,但对半延伸或延伸(semi-extended or extended)的对象来说,这种失配就要加以考虑。本文研究的方法是根据球面坐标中真实目标中心未知恒定偏差的随机扰动,模拟雷达反射中心量测。这些偏差估计用于采用雷达和成象传感器数据跟踪目标的广义卡尔曼滤波方法中。产生跟踪滤波的性能由计算机仿真来评估。     

基于Jerk模型的一种改进多传感器数据融合算法

简要介绍了目前存在的一些机动模型和基于状态估计的滤波算法。将Jerk模型与强跟踪滤波算法有机地结合起来,并提出了一种通过时空综合分析的测量方差自适应估计方法以优化强跟踪滤波算法中次优渐消因子和滤波增益的在线选择,同时结合多传感器数据融合具有改善滤波精度的性质,最终给出了一种基于Jerk模型的改进多传感器数据融合算法。最后,通过蒙特卡罗仿真验证了该算法的有效性。     

数据融合与雷达目标识别综述

数据融合技术是70年代兴起的一门新学科。现代战争中,随着雷达、红外、激光及光电等传感器的数量日趋增多,数据融合技术正日益得到广泛应用。介绍数据融合在雷达目标识别中的应用,并揭示出数据融合是解决雷达目标识别之捷径。     

基于模糊多传感器数据融合的目标跟踪系统

为了克服使用单个传感器的局限性,目标跟踪系统中引入了多传感器数据融合(MSDF)算法。MSDF能有效减小污染传感器测量量的噪声,又可排除估计过程中的无效测量量。它既能处理线性传感器的数据融合问题,又能处理含噪声的非线性传感器的数据融合问题。为了克服缺乏目标运动的前期信息的不足,目标跟踪系统中还运用了模糊运动学过程模型。因此,尽管缺乏有关目标运动及估计过程中所包含的传感器前期统计信息,该目标跟踪系统的性能却与基于已知目标精确过程模型的广义卡尔曼滤波器的目标跟踪系统相当。     

分布式多频带雷达数据融合目标高分辨分析方法

宽带雷达接收的目标散射回波提供了目标散射点的散射类型及距离高分辨.由于条件限制,很难获得宽带及超宽带回波数据.采用状态空间法融合不同频带下的雷达回波数据得到目标高分辨分析.仿真证明,该方法能够有效地利用多部不同频带雷达的回波来获得目标的散射特征,明显优于同条件下单部雷达所得到的结果.该方法提供了一种以多部窄带雷达等效获得宽带、超宽带雷达的可行方法.     

用于舰艇的多目标多传感器数据融合技术

本文描述了在数据融合和决策支持技术发展中领先的多目标、多传感器、非线性、非高斯Nodestar工具的技术原理和方法。     

多站遥测数据加权融合方法

针对靶场试验中遥测数据融合处理问题,提出了一种多站遥测数据加权融合处理方法。依据对加权融合思想的分析,构建了融合权重与测量精度之间的对应计算模型;依据地面测量站对导弹实测数据的统计分析,构建了测量设备实时测量精度模型。基于典型算例对所提算法进行验证,结果表明所提算法能够较好地解决遥测数据融合处理问题,具有一定的理论意义和较好的应用价值。     

基于UKPF的雷达与红外传感器融合跟踪算法

针对异类传感器融合跟踪中状态估计与量测的非线性问题,分析了粒子滤波器在解决非线性和非高斯问题的优势,提出了一种基于unscented Kalman粒子滤波器(UKPF)的雷达与红外传感器融合跟踪算法,给出了算法的详细步骤.然后将该算法用于三维空间的目标跟踪上,仿真结果表明该算法比现有算法具有更高的跟踪精度.     

基于被动雷达和红外传感器的数据融合

提出基于被动雷达和红外传感器组成的复合探测系统,利用D-S证据理论提高目标识别率,借助神经网络改善目标跟踪算法的性能,同时保持跟踪滤波的计算结构尽可能简单,尤其是减少了数字计算上的复杂性。仿真结果表明了应用新算法的复合探测系统的有效性。     

基于模糊聚类的多目标跟踪算法

提出了一种新的基于模糊聚类的多目标跟踪算法,该算法通过一种改进的模糊聚类算法,首先得到可能的目标数和测量点迹与目标预测位置之间的隶属度,然后结合Kalman滤波将隶属度作为权值系数对预测新息向量进行加权,来实现目标状态估计的更新。仿真结果表明,传统数据融合多目标跟踪算法,一般需要假定目标数并且在多目标密集时易产生关联错误而导致跟踪发散,新算法通过模糊聚类客观有效地确定了目标数并且通过加权过程保证了对多目标密集时的高精度。     

一种新的多传感器多机动目标快速跟踪算法

基于FAFDA滤波算法,根据Houles和Shalom将PDA算法推广到解决两个传感器单目标的跟踪问题的思路中,构造一种两个同类传感器的序列观测数据的融合来跟踪多个机动目标的数据关联方法(MSFAFDA)。它主要使用的是点/航迹联合和序列估计法。算法计算量远小于原先的顺序和并行多传感器联合概率数据关联算法,蒙特卡洛仿真结果也表明它对多机动目标的跟踪具有比FAFDA更好的跟踪性能。     

极坐标下雷达多目标跟踪及其实现

导出极坐标下雷达多目标跟踪的非线性滤波方程和预测方程 ,获得了稳定和渐近无偏估计 ;采用最优配对法进行点迹与航迹相关 ,避免相关模糊 ;利用记分法进行航迹质量管理 ,并在计算机上实现了多目标跟踪数据处理     

分布式多传感器多目标跟踪融合算法

在多传感器多目标跟踪系统中,通常采用分布式融合方法和集中式融合方法。分布式融合方法具有结构简单、计算量小等优点,采用分布式融合方法更为广泛。对分布式多传感多目标跟踪融合方法、关联和估计算法进行了分析和综述,并重点讨论了传统的关联算法和神经网络、模糊技术关联算法,指出了有待进一步研究的方向。     

战场数据融合仿真系统设计与实现

介绍了一种战场数据融合仿真系统的设计与实现方法。该系统由场景设定、信号产生、融合跟踪处理、目标识别、态势与威胁估计与数据库支持等功能子系统组成,模拟了数据融合的整个信息处理流程,包括:主动探测雷达、雷达侦察设备、通信侦察设备和敌我识别器获取敌我目标观测信息、利用多传感器跟踪数据对目标进行融合跟踪、提取辐射源电磁信息特征对敌方目标识别,进而形成态势与威胁估计。最终在Visual C#开发平台上利用MapX和ORACLE开发了战场数据融合仿真系统,并成功应用于实际系统中,取得了较好的效果。     

多传感器多目标信号融合算法

多传感器信号融合是数据融合的一个重要方面,ＣｈａｉｒＺ．和ＶａｒｓｈｎｅｙＰ．Ｋ．在这个领域进行了深入研究,提出了基于贝叶斯推理的最佳融合规则,但该推理不能用于多目标的信号判定。推导了用于多目标信号融合的多传感器融合算法,该算法运用假设检验理论,充分考虑了位置数据互联的正确性和目标信号的历史信息,得出了一个可以递推计算的判定准则     

密集杂波环境下用于多目标跟踪的改进PDA算法

概率数据关联(PDA)算法在密集波环境下跟踪单目标时具有良好的效果,但当跟踪多目标时,由于未能考虑相邻目标间的相互影响,因此效果不佳,针对PDA算法的不足,基于多目标跟踪中相邻目标间相互影响的特点,提出了一种新的改进概率数据关联(NIPDA)算法.新算法引入量测J属于目标t的概率Bjtk,并用其对关联概率进行修正,从而在计算互联概率时考虑了相邻目标间的影响.仿真结果表明,新算法在计算量与PDA算法相近的情况,提高了目标跟踪成功率.     

舰艇编队多声纳数据融合(英文)

分析了标准kalman滤波(KF)和自适应kalman滤波(AKF)的原理,通过仿真实验,对两种滤波算法的性能进行比较。结合各种声纳的探测特性和水下目标的特点,建立了舰艇编队的数据融合方案。选用简单凸组合融合算法作为舰艇编队协同反潜的航迹融合算法,将多声纳融合系统的融合结果和简单交叉定位算法进行了比较研究。仿真实验结果表明:自适应kalman滤波比标准kalman滤波具有更好的目标跟踪性能,多声纳融合结果较简单交叉定位结果的性能有大幅度提高,所选用的融合算法航迹能够较好的与真实航迹吻合。     

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。