CN106896352B - 一种基于随机集理论的多雷达异步数据分布式融合方法 - Google Patents
一种基于随机集理论的多雷达异步数据分布式融合方法 Download PDFInfo
- Publication number
- CN106896352B CN106896352B CN201710248595.6A CN201710248595A CN106896352B CN 106896352 B CN106896352 B CN 106896352B CN 201710248595 A CN201710248595 A CN 201710248595A CN 106896352 B CN106896352 B CN 106896352B
- Authority
- CN
- China
- Prior art keywords
- time
- representing
- gaussian
- target
- radar
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000007500 overflow downdraw method Methods 0.000 title claims abstract description 8
- 230000004927 fusion Effects 0.000 claims abstract description 62
- 238000000034 method Methods 0.000 claims abstract description 19
- 239000000203 mixture Substances 0.000 claims abstract description 13
- 238000007499 fusion processing Methods 0.000 claims abstract description 10
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 7
- 230000004083 survival effect Effects 0.000 claims description 30
- 238000013138 pruning Methods 0.000 claims description 25
- 239000011159 matrix material Substances 0.000 claims description 17
- 238000005259 measurement Methods 0.000 claims description 17
- 238000013461 design Methods 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 11
- 230000007704 transition Effects 0.000 claims description 11
- 238000001514 detection method Methods 0.000 claims description 6
- 230000017105 transposition Effects 0.000 claims description 3
- 238000001914 filtration Methods 0.000 abstract description 2
- 238000012545 processing Methods 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/42—Diversity systems specially adapted for radar
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/87—Combinations of radar systems, e.g. primary radar and secondary radar
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于随机集理论的多雷达异步数据分布式融合方法,解决了在随机集融合理论框架下的多部雷达接收数据不同步时的目标跟踪融合问题。它的特点是在融合之前选取固定的融合节点,首先分别对多部雷达检测到的数据建立高斯混合模型,并进行GM‑PHD跟踪滤波,然后在设定的融合区间内分别选取GM‑PHD跟踪后离融合节点最近的概率假设密度,最后利用广义协方差交叉算法进行融合处理,它有效解决了在实际应用中多部雷达对同一检测区域多目标接收数据的不同步而造成目标融合失配跟踪性能差的问题,从而实现了对任意多部雷达的接收数据不同步的跟踪融合处理。
Description
技术领域
本发明属于雷达技术领域,涉及随机集理论下的多目标跟踪、异步雷达数据处理和多传感器融合技术研究。
背景技术
信息化条件下,组网雷达充分发挥单部雷达的作用,把不同体质、不同频段、不同工作模式的雷达适当部署,通过通信数据链构成一个网络,并由一个中心基站进行调控,借助于信息融合技术将各部雷达接收到的信息进行处理进而得到可信度高的雷达情报。
传统的数据融合之前都需要进行多源数据关联,如最近邻数据关联(NNDA)、概率数据关联(PDA)、联合概率数据关联(JPDA)、简易联合概率数据关联(CJPDA)和最近邻联合概率数据关联(NNJPDA)等。这些方法都是利用雷达获取与目标状态向量直接相关的信息来进行多目标关联,采用经典推理和统计方法、贝叶斯推理技术、Dempster-Shafer技术和聚类分析等技术实现融合过程,但是当目标数目较多且虚警概率较大时,其计算量非常大且易出错,造成后续的融合结果很差。针对这一缺点,Mahler在研究多目标贝叶斯滤波问题时提出随机集理论,他利用一阶统计矩近似方法对多目标后验概率密度函数求集合积分运算得到多目标强度,避免了直接计算完全后验概率密度函数,避免了数据关联过程,同时该算法还可以实时地对目标个数进行评估,适用于目标个数未知且时变的场景。随着随机集的发展,学者们相继将随机集理论应用到融合领域。2013年,在文献“Distributed Fusion ofPHD Filters Via Exponential Mixture Densities[J].IEEE Journal of SelectedTopics in Signal Processing,2013,7(3):521-531.”中,将PHD应用到分布式融合理论中,在利用PHD跟踪目标之后,采用协方差交叉方法进行数据的融合处理,但是仅仅是针对数据同步的场景。但是在实际雷达场景中,由于开机时间、扫描周期不同等,导致雷达之间接收到的数据是异步的,因此该模型只能在雷达接收的数据是同步的场景中,不能应用于实际雷达场景中。
发明内容
本发明的目的是针对背景技术存在的缺陷,研究设计了一种针对多雷达异步数据传输下的基于随机集理论分布式融合算法,解决现有利用传统融合跟踪技术来解决异步数据处理的问题。
本发明的解决方案是采用分布式融合跟踪处理的方式,首先对每部雷达的PHD跟踪采用混合高斯模型(Gaussian-Mixture)来表示,在融合之前设定好融合节点,然后分别将各部雷达在融合区间内的接收到的最新的PHD通过Kalman预测的方法外推至融合节点时刻,最后将在融合节点时刻的所有概率假设密度通过广义协方差交叉算法进行融合处理,得到融合数据。该方法有效解决了在实际应用中数据异步且计算量大的问题,从而实现任意部雷达进行目标跟踪时异步数据的处理问题。
本发明提出了一种基于随机集理论的多雷达异步数据序贯式融合方法,具体包括步骤:
步骤1:对高斯混合概率假设密度进行参数化表征;
其中,vk-1(x)表示在k-1时刻时的多目标后验概率强度,x表示目标状态集合;Jk-1表示在k-1时刻的高斯分量的个数;表示在k-1时刻第i个高斯分量的权重;表示在k-1时刻期望为方差为的第i个高斯分量对应的高斯密度函数,且满足
步骤2:建立模型,得到预测的多模型的高斯混合概率密度假设强度;
2.1对幸存目标进行预测:
其中,vS,k|k-1(x)表示在k时刻幸存目标S的强度;pS,k表示k时刻目标S的幸存概率;是幸存目标在k时刻的第i个高斯分量的期望,且满足: 是幸存目标在k时刻的第i个高斯分量的方差,且满足:其中Fk-1表示k-1时刻的状态转移矩阵,Qk-1表示k-1时刻的过程噪声协方差矩阵;
2.2对衍生目标进行预测:
其中,vβ,k|k-1(x)表示在k-1时刻存在的目标在k时刻衍生出状态为x的目标(衍生目标)的强度,Jβ,k表示在k时刻衍生目标高斯分量的个数;是k-1时刻第i个高斯分量的权重;是k时刻衍生的第l个高斯分量的权重;是幸存目标在k时刻的第i个高斯分量衍生出的第j个高斯分量的期望,且满足: 是幸存目标在k时刻的第i个高斯分量衍生出的第j个高斯分量的方差,且满足:
2.3对新生目标进行预测:
步骤3:对多部雷达接收到的数据根据时间序列采用如下公式进行依次更新:
其中,分别表示k时刻第N次更新后和预测后的强度函数; 和分别表示k时刻第N次预测时的幸存强度函数、衍生强度函数和新生强度函数;N表示雷达总数;表示k时刻第N次预测后的强度函数;pD,k表示雷达检测概率;表示时刻第i部雷达的量测集合;Jk|k-1表示k时刻预测状态对应的高斯分量的个数; 和分别表示k时刻利用第i部雷达的量测更新后第j个高斯分量的权重、均值和方差;和分别表示表示k时刻利用第i部雷达的第j个高斯分量的权重、均值和方差;κk(z)表示k时刻的杂波密度,Hk表示k时刻的状态转移矩阵,Rk表示k时刻的量测噪声协方差矩阵;
步骤4:高斯分量的剪枝处理;
剪枝循环开始:
I:=I\L
步骤5:目标个数和状态提取;
剪枝处理后的高斯分量,满足权重值大于0.5的高斯分量即是目标状态。
本发明提出了另一种基于随机集理论的多雷达异步数据分布式融合方法,具体包括步骤:
步骤1:对高斯混合概率假设密度进行参数化表征;
其中,vk-1(x)表示在k-1时刻时的多目标后验概率强度,x表示目标状态集合;Jk-1表示在k-1时刻的高斯分量的个数;表示在k-1时刻第i个高斯分量的权重;表示在k-1时刻期望为方差为的第i个高斯分量对应的高斯密度函数,且满足
步骤2:建立模型,得到预测的多模型的高斯混合概率密度假设强度;
2.1对幸存目标进行预测:
其中,vS,k|k-1(x)表示在k时刻幸存目标S的强度;pS,k表示k时刻目标S的幸存概率;是幸存目标在k时刻的第i个高斯分量的期望,且满足:其中Fk-1表示状态转移矩阵;是幸存目标在k时刻的第i个高斯分量的方差,且满足:其中Qk-1表示过程噪声协方差矩阵;
2.2对衍生目标进行预测:
其中,vβ,k|k-1(x)表示在k-1时刻存在的目标在k时刻衍生出状态为x的目标(衍生目标)的强度,Jβ,k表示衍生目标在k时刻高斯分量的个数;是k-1时刻第i个高斯分量的权重;是k时刻衍生的第l个高斯分量的权重;是幸存目标在k时刻的第i个高斯分量衍生出的第j个高斯分量的期望,且满足: 是幸存目标在k时刻的第i个高斯分量衍生出的第j个高斯分量的方差,且满足:
2.3对新生目标进行预测:
步骤3:进行目标状态的更新:
对于第i部雷达:
其中,分别表示第i部雷达在第k时刻更新后和预测后的状态; 和分别表示k时刻第N次预测时的幸存强度函数、衍生强度函数和新生强度函数;表示时刻第i部雷达的量测集合;pD,k表示雷达检测概率;Jk|k-1表示k时刻预测状态对应的高斯分量的个数;和分别表示k时刻利用第i部雷达的量测更新后第j个高斯分量的权重、均值和方差;κk(z)表示k时刻的杂波密度;表示量测为z时对应的高斯函数的值;
步骤4:得到多部雷达的距离融合节点最近的局部后验密度之后,采用广义协方差交叉算法进行融合处理,得到融合结果:
其中,sk(x)表示融合后的强度函数;Na和Nb分别是雷达a和b的高斯分量在第k个融合节点的个数;ω表示雷达a的权重;和分别表示雷达a和b距第k个融合节点最近的局部后验密度的过程噪声协方差矩阵;Fa,k、和Fb,k、分别表示雷达a和b距第k个融合节点最近的局部后验密度的状态转移矩阵及其转置;和分别表示融合前雷达a和雷达b的均值和协方差;和分别表示雷达a距第k个融合节点最近的局部后验密度预测后的权重、均值和方差;和分别表示雷达b距第k个融合节点最近的局部后验密度预测后的权重、均值和方差;和分别表示雷达a和b在第k个融合节点的融合后的权重、均值和方差;
步骤5:高斯分量的剪枝处理;
T是设定的门限;
剪枝循环开始:
I:=I\L
步骤6:目标个数和状态提取;
剪枝处理后的高斯分量,满足权重值大于0.5的高斯分量即是目标状态。
通过上面的步骤,就可以得到基于随机集理论下的异步数据处理过程,实现对机动多目标的跟踪及运动模型的估计。
本发明的创新点在于针对异步数据处理时,结合随机集理论提出了两种数据处理方式,序贯式融合处理和固定节点融合处理。序贯式融合方法处理利用的原始数据信息较多,误差较小,但是计算量较大;而固定节点融合处理方法是在各部雷达分别进行跟踪处理的同时,在设定好的固定融合节点处进行广义协方差交叉融合,其融合精度高,且所需计算量较小。
附图说明
图1是本发明提供的序贯式融合流程图。
图2是本发明提供的固定节点融合流程图。
图3是本发明提供序贯式融合的示意图。
图4是本发明提供固定节点融合的示意图。
图5是基于序贯式融合的跟踪目标个数。
图6是基于固定节点融合的跟踪目标个数。
图7是基于序贯式融合和固定节点融合处理的跟踪目标误差效果。
具体实施方式
本发明主要采用仿真实验的方法进行验证,所有步骤、结论都在Matlab2015b上验证正确。下面就具体实施方式对本发明作进一步的详细描述。
步骤1:对高斯混合概率假设密度进行参数化表征;
其中,vk-1(x)表示在k-1时刻时的多目标后验概率强度,x表示目标状态集合;Jk-1表示在k-1时刻的高斯分量的个数;表示在k-1时刻第i个高斯分量的权重;表示在k-1时刻期望为方差为的第i个高斯分量对应的高斯密度函数,且满足
步骤2:建立模型,得到预测的多模型的高斯混合概率密度假设强度;
2.1对幸存目标进行预测:
其中,vS,k|k-1(x)表示在k时刻幸存目标S的强度;pS,k表示k时刻目标S的幸存概率;是幸存目标在k时刻的第i个高斯分量的期望,且满足: 是幸存目标在k时刻的第i个高斯分量的方差,且满足:其中Fk-1表示k-1时刻的状态转移矩阵;Qk-1表示k-1时刻的过程噪声协方差矩阵。
2.2对衍生目标进行预测:
其中,vβ,k|k-1(x)表示在k-1时刻存在的目标在k时刻衍生出状态为x的目标(衍生目标)的强度,Jβ,k表示衍生目标在k时刻高斯分量的个数;是k-1时刻第i个高斯分量的权重;是k时刻衍生的第l个高斯分量的权重;是幸存目标在k时刻的第i个高斯分量衍生出的第j个高斯分量的期望,且满足: 是幸存目标在k时刻的第i个高斯分量衍生出的第j个高斯分量的方差,且满足:
2.3对新生目标进行预测:
步骤3:利用接收的数据进行目标状态的更新;
3.1序贯式融合模型:
对多部雷达接收到的数据根据时间序列进行依次更新:
其中,分别表示k时刻第N次更新后和预测后的强度函数; 和分别表示k时刻第N次预测时的幸存强度函数、衍生强度函数和新生强度函数;N表示雷达总数;表示k时刻第N次预测后的强度函数;pD,k表示雷达检测概率;表示时刻第i部雷达的量测集合;Jk|k-1表示k时刻预测状态对应的高斯分量的个数; 和分别表示k时刻利用第i部雷达的量测更新后第j个高斯分量的权重、均值和方差;和分别表示表示k时刻利用第i部雷达的第j个高斯分量的权重、均值和方差;κk(z)表示k时刻的杂波密度;Hk表示k时刻的状态转移矩阵;Rk表示k时刻的量测噪声协方差矩阵;
3.2固定节点的分布式融合模型:
对于第i∈{1,...,N}部雷达:
其中,分别表示第i部雷达在第k时刻更新后和预测后的状态;表示时刻第i部雷达的量测集合;pD,k表示雷达检测概率;Jk|k-1表示k时刻预测状态对应的高斯分量的个数;和分别表示k时刻利用第i部雷达的量测更新后第j个高斯分量的权重、均值和方差;κk(z)表示k时刻的杂波密度;表示量测为z时对应的高斯函数的值;
多部雷达分别更新后,分别找出其距离融合节点最近的局部后验密度,然后采用广义协方差交叉算法进行融合处理,得到融合结果:
其中,sk(x)表示融合后的强度函数;Na和Nb分别是雷达a和b的高斯分量在第k个融合节点的个数;ω表示雷达a的权重;和分别表示雷达a和b距第k个融合节点最近的局部后验密度的过程噪声协方差矩阵;Fa,k、和Fb,k、分别表示雷达a和b距第k个融合节点最近的局部后验密度的状态转移矩阵及其转置;和分别表示融合前雷达a和雷达b的均值和协方差;和分别表示雷达a距第k个融合节点最近的局部后验密度预测后的权重、均值和方差;和分别表示雷达b距第k个融合节点最近的局部后验密度预测后的权重、均值和方差;和分别表示雷达a和b在第k个融合节点的融合后的权重、均值和方差。
步骤4:高斯分量的剪枝处理;
剪枝循环开始:
I:=I\L
直到时结束剪枝循环处理。
步骤5:目标个数和状态提取;
剪枝处理后的高斯分量,满足权重值大于0.5的高斯分量即是目标状态。
通过上面的步骤,就可以得到基于随机集理论下的异步数据处理过程,实现对机动多目标的跟踪及运动模型的估计。
Claims (2)
1.一种基于随机集理论的多雷达异步数据序贯式融合方法,该方法包括:
步骤1:对高斯混合概率假设密度进行参数化表征;
其中,vk-1(x)表示在k-1时刻时的多目标后验概率强度,x表示目标状态集合;Jk-1表示在k-1时刻的高斯分量的个数;表示在k-1时刻第i个高斯分量的权重;表示在k-1时刻期望为方差为的第i个高斯分量对应的高斯密度函数,且满足
步骤2:建立模型,得到预测的多模型的高斯混合概率密度假设强度;
2.1对幸存目标进行预测:
其中,vS,k|k-1(x)表示在k时刻幸存目标S的强度;pS,k表示k时刻目标S的幸存概率;是幸存目标在k时刻的第i个高斯分量的期望,且满足: 是幸存目标在k时刻的第i个高斯分量的方差,且满足:其中Fk-1表示k-1时刻的状态转移矩阵,Qk-1表示k-1时刻的过程噪声协方差矩阵;
2.2对衍生目标进行预测:
其中,vβ,k|k-1(x)表示在k-1时刻存在的目标在k时刻衍生出状态为x的目标(衍生目标)的强度,Jβ,k表示在k时刻衍生目标高斯分量的个数;是k-1时刻第i个高斯分量的权重;是k时刻衍生的第l个高斯分量的权重;是幸存目标在k时刻的第i个高斯分量衍生出的第l个高斯分量的期望,且满足: 是幸存目标在k时刻的第i个高斯分量衍生出的第l个高斯分量的方差,且满足:
2.3对新生目标进行预测:
步骤3:对多部雷达接收到的数据根据时间序列采用如下公式进行依次更新:
其中,分别表示k时刻第N次更新后和预测后的强度函数; 和分别表示k时刻第N次预测时的幸存强度函数、衍生强度函数和新生强度函数;N表示雷达总数;pD,k表示雷达检测概率;表示k时刻第i部雷达的量测集合;Jk|k-1表示k时刻预测状态对应的高斯分量的个数;和分别表示k时刻利用第i部雷达的量测更新后第j个高斯分量的权重、均值和方差;和分别表示k时刻利用第i部雷达的第j个高斯分量的权重、均值和方差;κk(z)表示k时刻的杂波密度,Hk表示k时刻的状态转移矩阵,Rk表示k时刻的量测噪声协方差矩阵;
步骤4:高斯分量的剪枝处理;
T是设定的门限;
剪枝循环开始:
I:=I\L
步骤5:目标个数和状态提取;
剪枝处理后的高斯分量,满足权重值大于0.5的高斯分量即是目标状态。
2.一种基于随机集理论的多雷达异步数据分布式融合方法,该方法包括:
步骤1:对高斯混合概率假设密度进行参数化表征;
其中,vk-1(x)表示在k-1时刻时的多目标后验概率强度,x表示目标状态集合;Jk-1表示在k-1时刻的高斯分量的个数;表示在k-1时刻第i个高斯分量的权重;表示在k-1时刻期望为方差为的第i个高斯分量对应的高斯密度函数,且满足
步骤2:建立模型,得到预测的多模型的高斯混合概率密度假设强度;
2.1对幸存目标进行预测:
其中,vS,k|k-1(x)表示在k时刻幸存目标S的强度;pS,k表示k时刻目标S的幸存概率;是幸存目标在k时刻的第i个高斯分量的期望,且满足:其中Fk-1表示状态转移矩阵;是幸存目标在k时刻的第i个高斯分量的方差,且满足:其中Qk-1表示过程噪声协方差矩阵;
2.2对衍生目标进行预测:
其中,vβ,k|k-1(x)表示在k-1时刻存在的目标在k时刻衍生出状态为x的目标(衍生目标)的强度,Jβ,k表示衍生目标在k时刻高斯分量的个数;是k-1时刻第i个高斯分量的权重;是k时刻衍生的第l个高斯分量的权重;是幸存目标在k时刻的第i个高斯分量衍生出的第l个高斯分量的期望,且满足: 是幸存目标在k时刻的第i个高斯分量衍生出的第l个高斯分量的方差,且满足:
2.3对新生目标进行预测:
步骤3:进行目标状态的更新:
对于第i部雷达:
其中,分别表示第i部雷达在第k时刻更新后和预测后的状态; 和分别表示k时刻第N次预测时的幸存强度函数、衍生强度函数和新生强度函数;表示时刻第i部雷达的量测集合;pD,k表示雷达检测概率;Jk|k-1表示k时刻预测状态对应的高斯分量的个数;和分别表示k时刻利用第i部雷达的量测更新后第j个高斯分量的权重、均值和方差;κk(z)表示k时刻的杂波密度;表示量测为z时对应的高斯函数的值;
步骤4:得到多部雷达的距离融合节点最近的局部后验密度之后,采用广义协方差交叉算法进行融合处理,得到融合结果:
其中,sk(x)表示融合后的强度函数;Na和Nb分别是雷达a和b的高斯分量在第k个融合节点的个数;ω表示雷达a的权重;和分别表示雷达a和b距第k个融合节点最近的局部后验密度的过程噪声协方差矩阵;Fa,k、和Fb,k、分别表示雷达a和b距第k个融合节点最近的局部后验密度的状态转移矩阵及其转置;和分别表示融合前雷达a和雷达b的均值和协方差;和分别表示雷达a距第k个融合节点最近的局部后验密度预测后的权重、均值和方差;和分别表示雷达b距第k个融合节点最近的局部后验密度预测后的权重、均值和方差;和分别表示雷达a和b在第k个融合节点的融合后的权重、均值和方差;
步骤5:高斯分量的剪枝处理;
剪枝循环开始:
I:=I\L
步骤6:目标个数和状态提取;
剪枝处理后的高斯分量,满足权重值大于0.5的高斯分量即是目标状态。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710248595.6A CN106896352B (zh) | 2017-04-17 | 2017-04-17 | 一种基于随机集理论的多雷达异步数据分布式融合方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710248595.6A CN106896352B (zh) | 2017-04-17 | 2017-04-17 | 一种基于随机集理论的多雷达异步数据分布式融合方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106896352A CN106896352A (zh) | 2017-06-27 |
CN106896352B true CN106896352B (zh) | 2020-01-10 |
Family
ID=59196373
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710248595.6A Active CN106896352B (zh) | 2017-04-17 | 2017-04-17 | 一种基于随机集理论的多雷达异步数据分布式融合方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106896352B (zh) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107346020B (zh) * | 2017-07-05 | 2020-02-18 | 电子科技大学 | 一种用于异步多基地雷达系统的分布式批估计融合方法 |
CN109031229B (zh) * | 2017-11-27 | 2022-10-11 | 电子科技大学 | 一种杂波环境下目标跟踪的概率假设密度方法 |
CN108304869A (zh) * | 2018-01-29 | 2018-07-20 | 西北工业大学 | 一种基于多个传感器的综合幅值信息的融合方法及系统 |
CN108732564B (zh) * | 2018-03-13 | 2020-04-17 | 中国电子科技集团公司第二十八研究所 | 一种双雷达修正序贯高斯混合概率假设密度滤波方法 |
CN108845299B (zh) * | 2018-06-27 | 2020-05-12 | 电子科技大学 | 一种基于后验信息融合的多传感器多帧联合检测算法 |
CN109946694A (zh) * | 2019-03-22 | 2019-06-28 | 哈尔滨工业大学 | 基于随机有限集的圆周sar多目标跟踪方法 |
CN110187336B (zh) * | 2019-06-28 | 2021-01-12 | 电子科技大学 | 一种基于分布式phd的多站雷达站址定位和联合跟踪方法 |
CN110646790B (zh) * | 2019-09-30 | 2021-08-03 | 电子科技大学 | 一种用于雷达组网失序量测集中式融合的目标跟踪方法 |
CN112668626A (zh) * | 2020-12-23 | 2021-04-16 | 中国人民解放军海军航空大学 | 一种雷达导引头的可靠性预测方法及系统 |
CN113219452B (zh) * | 2021-05-07 | 2022-05-31 | 电子科技大学 | 未知视域下的分布式多雷达联合配准与多目标跟踪方法 |
CN113466825B (zh) * | 2021-06-17 | 2024-03-29 | 西安电子科技大学 | 基于互信息最大化的组网雷达资源分配方法 |
CN114740467B (zh) * | 2022-04-27 | 2023-05-26 | 电子科技大学 | 基于幅度点迹的集群目标跟踪及数量、轮廓动态估计方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6381243B1 (en) * | 1998-09-18 | 2002-04-30 | Telefonaktiebolaget Lm Ericsson (Publ) | Determining time slot delay for ATM transmission |
CN103345577B (zh) * | 2013-06-27 | 2016-05-18 | 江南大学 | 变分贝叶斯概率假设密度多目标跟踪方法 |
CN104318059B (zh) * | 2014-09-24 | 2018-02-02 | 深圳大学 | 用于非线性高斯系统的目标跟踪方法和跟踪系统 |
CN104849702B (zh) * | 2015-04-30 | 2017-10-27 | 中国民航大学 | 利用ads‑b数据的gm‑ephd滤波雷达系统误差联合估计方法 |
CN105719312B (zh) * | 2016-01-19 | 2018-07-27 | 深圳大学 | 基于序贯贝叶斯滤波的多目标跟踪方法及跟踪系统 |
CN106154259B (zh) * | 2016-06-30 | 2018-12-18 | 电子科技大学 | 一种随机集理论下的多传感器自适应管控方法 |
-
2017
- 2017-04-17 CN CN201710248595.6A patent/CN106896352B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN106896352A (zh) | 2017-06-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106896352B (zh) | 一种基于随机集理论的多雷达异步数据分布式融合方法 | |
Liu et al. | Accurate prediction scheme of water quality in smart mariculture with deep Bi-S-SRU learning network | |
CN107396322B (zh) | 基于路径匹配与编码译码循环神经网络的室内定位方法 | |
CN113537514B (zh) | 一种高能效的基于数字孪生的联邦学习框架 | |
Cakmak et al. | S-AMP: Approximate message passing for general matrix ensembles | |
CN110728698B (zh) | 一种基于复合循环神经网络系统的多目标跟踪系统 | |
WO2021036414A1 (zh) | 一种低轨移动卫星星座下星地下行链路同频干扰预测方法 | |
CN106154259B (zh) | 一种随机集理论下的多传感器自适应管控方法 | |
CN111950711A (zh) | 复值前向神经网络的二阶混合构建方法及系统 | |
Goay et al. | Transient simulations of high-speed channels using CNN-LSTM with an adaptive successive halving algorithm for automated hyperparameter optimizations | |
CN113595666A (zh) | 大规模mimo系统基于时频联合相关性的信道预测方法和系统 | |
Chen et al. | Multitarget multisensor tracking | |
Sekine et al. | LACSLE: lightweight and adaptive compressed sensing based on deep learning for edge devices | |
CN108153519B (zh) | 一种目标智能跟踪方法通用设计框架 | |
Yang et al. | Semantic change driven generative semantic communication framework | |
CN107273692B (zh) | 一种传感器感知能力受限的随机集理论的分布式融合方法 | |
Li et al. | Automatic modulation recognition based on a new deep K-SVD denoising algorithm | |
Zhang et al. | Automatic classification and recognition method based on partially-connected differentiable architecture search for ISAC systems | |
CN116910608A (zh) | 一种基于时空门控图卷积网络的多源数据预测方法和装置及计算机和存储介质 | |
CN110807478A (zh) | 一种观测间歇丢失情况下的协同目标跟踪方法 | |
CN114997422B (zh) | 一种异构通信网络的分组式联邦学习方法 | |
Varshney et al. | Deep Learning based Wireless Channel Prediction: 5G Scenario | |
CN115015908A (zh) | 基于图神经网络的雷达目标数据关联方法 | |
CN110826184B (zh) | 一种在时变时滞下narx模型结构和参数的变分贝叶斯辨识方法 | |
CN112926691A (zh) | 一种提取特征逻辑用于分类的卷积树突方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |