基于粒子群算法的WSN多目标跟踪能量均衡算法

为了满足无线传感网络下多目标跟踪对于跟踪精度与网络寿命的需求,提出一种基于粒子群算法和势均衡多目标多伯努利滤波（cardinality balanced multi-target multi-bernoulli filter,CBMeMBer）的多目标跟踪能量均衡算法。算法通过粒子群算法计算网络能量中心,围绕能量中心形成传感器簇从而改善网络结构,在CBMeMBer滤波的基础上,借助Cauchy-Schwarz散度作为评价函数优化传感器节点量测更新顺序,以保证多目标跟踪精度。通过仿真结果证明算法在多目标跟踪精度与网络能量均衡性上的优势。     

车辆导航Kalman滤波衰减因子自适应算法实现

系统介绍了车辆导航系统中卡尔曼滤波器的设计,给出了误差校正的方法.提出了一种衰减记忆卡尔曼滤波中衰减因子的自适应估计方法.并在INS/GPS组合导航系统中进行了计算仿真,结果表明该算法能够较好地估计出衰减因子的大小有效地抑制滤波发散,提高导航精度.     

基于滤波算法的对比研究

在处理目标跟踪的过程中,为了与实际接近,动态系统的模型选为非线性,而滤波算法采用非线性系统的滤波方法。在介绍了三种非线性滤波算法(EKF、UKF、PF)的原理和实现的同时,说明了各自适用的范围,以便针对不同问题采取比较便捷的算法来有效地实现算法在实际中的应用。EKF适用于线性化过程中系统对高阶项要求较小的情况下,UKF适用在噪声服从高斯分布的情况下,PF则适用与非高斯分布的情况下。此外,通过实例对三种算法分别进行了跟踪仿真实验,表明UKF、PF算法精度要比EKF算法高,UKF、EKF的实时性比PF好,PF的计算量相对较大。     

基于改进MCMC的目标和拖曳式诱饵分离方法

在拖曳式诱饵干扰场景下,目标和诱饵同处于雷达的半功率波束之内,导致传统单脉冲体制雷达有效对其进行分离。针对这一问题,从单脉冲体制雷达匹配滤波采样模型入手,建立了同波束内目标和诱饵的联合概率模型。在该模型下,提出了一种改进马尔科夫链蒙特卡洛(MCMC)方法,完成目标和诱饵的参数估计。该方法将传统随机游走和独立抽样方法相结合,具有估计准确的优点。仿真结果表明,方法可有效分离同波束内目标和诱饵。     

基于空域相关滤波的雷达回波信号降噪方法

对雷达探测来说,如何有效地增强真实目标回波信号、提高信噪比水平是非常重要的。传统的降噪方法如平滑滤波、傅立叶降噪很难有效地降低与目标频谱相重叠的噪声。空域相关滤波算法是小波滤波算法中的一种,能够有效地解决这个问题。该算法是利用真实信号与噪声在尺度间的不同表现来实现的,能够在保留信号细节的同时,有效地降低噪声。仿真表明,该算法在雷达回波的降噪中取得了较好效果,有效地降低了噪声。     

创造性思维粒子群优化的武器目标分配

现代战争特点为防空作战中武器目标分配(WTA)问题的求解效率和质量提出了新的需求和挑战.建立了WTA问题模型,并选择粒子群优化算法(PSO)求解模型.针对PSO算法在求解WTA模型中出现的早熟收敛特性,从认知心理学角度进行分析,将创造性思维(CT)引入PSO的速度更新公式中,提出了一种基于创造性思维的PSO算法CTPSO.针对WTA模型的离散性特点,设计了编码与解码策略,及位置和速度矢量的离散化运算规则.实验证明了CTPSO算法在WTA问题求解质量和求解效率方面的优越性.     

一种基于级联滤波设计的背景噪声均衡方法

针对阵列信号处理中背景噪声对目标检测影响问题,提出一种基于级联滤波设计的背景噪声均衡方法.该方法依据背景噪声起伏特性设计多尺度组合形态学滤波器对空域重采样数据进行处理,降低不同方位起伏噪声对目标检测的影响;根据噪声特性设计同态滤波器,降低乘性噪声对目标检测的影响;按类内类间离散度比最小准则实现背景噪声门限的自动推荐,进...     

一种多目标航迹处理的方法

通过对等速直航目标的方位随时间变化规律的研究 ,找到了一个形式简洁的方位随时间线性变化的可量测函数。随后利用该函数的线性以及工作点随时间变化的规律 ,根据目标航迹交叉之前的目标方位序列 ,拟合出方位随时间变化的函数 ,再用该函数与交叉后的目标方位序列之间的相关性完成多目标航迹交叉的处理。     

目标自动跟踪与信息处理综合系统的研究与实现

根据将目标自动跟踪与信息处理综合的思想,在目标自动跟踪与信息处理综合的实现方面作了大量工作,并进行了实验.实验结果表明,只有在自动跟踪系统中综合目标信息处理,火控系统性能才能有质的提高.同时,数字信号处理(DSP)技术、自适应滤波算法的应用,使得系统设计能够基本达到实际应用的阶段.     

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。