摘要：研究密集杂波环境下的并行多传感器多目标跟踪优化问题,针对传统的数据互联在杂波数量多,虚警率高的情况下测量与航迹关联计算量大,配对正确率低等缺陷,提出了一种采用多级数据压缩的结构化分枝多假设改进算法,设计了一种确定测量与航迹最优配对的测量聚类方法,将已有的单级数据压缩技术扩展为两级数据压缩。利用上述方法对结构化分支多假设算法中的冗余分枝进行压缩和剪枝,产生航迹家族树最优的"等效分支",并给出优化后的状态估计输出。仿真证明,改进算法减少了运算时间,提高了跟踪精度和实时性,为密集杂波环境下的多目标跟踪提供了一种有效方法。

摘要：由于海面目标个数多、密集、进出雷达视野随机变化性强,而且杂波密度高,目标速度模糊等原因导致机载雷达跟踪性能下降。文中提出了基于随机集理论框架下的海面目标跟踪算法。首先,设计了基于LDL分解的高斯混合势概率假设密度(GM-CPHD)滤波算法用来降低算法的计算量;接着,提出了融入径向速度的目标跟踪算法来提高海面目标跟踪性能;最后,设计了仿真示例。仿真结果表明:该算法在提高跟踪性能的同时可以减少20%的计算量。

摘要：为了提高杂波干扰环境下的目标跟踪精度,将概率数据关联与变分贝叶斯理论相结合,提出了一种变分贝叶斯概率数据关联卡尔曼滤波(PDA-VB-KF)跟踪算法。算法首先采用概率数据关联(PDA)技术获取目标的有效量测,随后基于伽马分布设计相应的自适应因子以修正有效量测的噪声协方差。最后在变分贝叶斯(VB)框架下,实现自适应因子和目标状态信息的联合估计。为验证提出算法的跟踪性能,通过两种仿真案例对其进行测试。仿真结果表明,相比于传统的最近邻卡尔曼滤波(NN-KF)算法,k最近邻卡尔曼滤波(KNN-KF)算法和概率数据关联卡尔曼滤波(PDA-KF)算法,提出的算法具有更高的跟踪精度。