CN107202989B - 一种适用于被动拖曳线列阵声呐的复杂弱目标检测和跟踪方法 - Google Patents

一种适用于被动拖曳线列阵声呐的复杂弱目标检测和跟踪方法 Download PDF

Info

Publication number
CN107202989B
CN107202989B CN201710318307.XA CN201710318307A CN107202989B CN 107202989 B CN107202989 B CN 107202989B CN 201710318307 A CN201710318307 A CN 201710318307A CN 107202989 B CN107202989 B CN 107202989B
Authority
CN
China
Prior art keywords
target
particle
weight
state
tracking
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
Application number
CN201710318307.XA
Other languages
English (en)
Other versions
CN107202989A (zh
Inventor
易伟
徐璐霄
黎明
孙伟
王经鹤
孔令讲
刘成元
李洋漾
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN201710318307.XA priority Critical patent/CN107202989B/zh
Publication of CN107202989A publication Critical patent/CN107202989A/zh
Application granted granted Critical
Publication of CN107202989B publication Critical patent/CN107202989B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G01S15/00—Systems using the reflection or reradiation of acoustic waves, e.g. sonar systems
    • G01S15/66—Sonar tracking systems
    • 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
    • G01S15/00—Systems using the reflection or reradiation of acoustic waves, e.g. sonar systems
    • G01S15/006—Theoretical aspects
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
    • G01V1/38—Seismology; Seismic or acoustic prospecting or detecting specially adapted for water-covered areas

Landscapes

  • Remote Sensing (AREA)
  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Oceanography (AREA)
  • Acoustics & Sound (AREA)
  • Environmental & Geological Engineering (AREA)
  • Geology (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Geophysics (AREA)
  • Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)

Abstract

本发明公开了一种适用于被动拖曳线列阵声呐的复杂弱目标检测和跟踪方法，以克服传统算法对低信噪比复杂目标检测和跟踪效果差的技术问题。本发明通过常规波束形成处理接收信号得到各分辨单元的空间谱量测，然后通过拟合量测数据统计特性的方法设计似然函数模型以计算粒子的权值实现粒子滤波算法对目标的跟踪；另外，通过积累多次快拍的粒子权值来判断目标的生成和消失。本发明的实施，有效解决了传统算法均衡量测数据损失信息，无法适用于低信噪比目标场景的跟踪和目标数目固定的问题，从而实现被动声呐复杂弱目标的有效跟踪。

Description

一种适用于被动拖曳线列阵声呐的复杂弱目标检测和跟踪 方法
技术领域
本发明属于水下目标探测领域，具体涉及声呐阵列信号处理和多目标检测和跟踪。
背景技术
被动声呐系统不主动发射信号，所接收的所有源信号均是目标自身噪声或其反射的环境噪声。上述特征使得被动声呐具有很好的隐蔽性，并被广泛研究和应用于军事和科研等领域。
对于被动声呐系统，目标发出或反射的噪声被多听声器组成的阵列接收，再通过阵列信号的波束形成算法处理生成反映目标当前入射角度的幅值信息也就是空间谱。然后根据这些信息实现对目标的纯方位(bearing-only tracking)向跟踪。由于入射信号是来自目标的噪声，虽然为被动声呐提供了隐蔽性，但信号的信噪比相比主动声呐较低。并且由于接收信号是来自目标噪声，情况较为复杂，可能随时“生成”或“消失”。这些因素均使得被动声呐目标的检测和跟踪变得困难。文献“Multi-target tracking using multiplepassive bearings-only asynchronous sensors,IEEE Trans.Aerosp.Electron.Syst.,vol.44,pp.1151–1160,2008”公开了一种用均衡后的点迹量测数据配合卡尔曼滤波算法实现对两个目标的纯方位向跟踪，但均衡处理在抑制噪声的同时损失了目标信息，使得上述跟踪方式在目标信噪比较低时跟踪效果差，并且目标的起始时刻、位置和终止时刻是已知的，不能用于随机“生成”和“消失”的复杂目标场景。
发明内容
本发明的目的是，提出一种能充分利用量测信息，适应低信噪比条件，并且能处理目标随机生成和消失的检测和跟踪方法，解决现有被动声呐目标检测跟踪算法量测信息损失，不能有效跟踪低信噪比复杂目标的问题。
本发明的解决方案是：通过常规波束形成(Conventional Beamforming，CBF)算法处理被动声呐阵列接收到的信号，得到目标的方位历程信息也就是空间谱量测，然后通过拟合量测的统计特性设计合适的似然函数模型，根据似然函数模型计算粒子权值，实现粒子滤波算法对目标的跟踪，再通过多次快拍数据粒子的权值门限来判断目标随机“起始”和“终止”。本发明能有效解决了因被动声呐系统接收信号信噪比低、目标随机变化使得目标的检测和跟踪困难的问题，从而实现了对低信噪比复杂目标的检测和跟踪。
为了阐述方便，首先对说明书中将涉及到的术语(分辨单元、纯方位向量测值、多目标粒子)解释如下：
分辨单元：观测区域的一小部分，是对观测区域的划分。每个分辨单元都有对应的量测值，此量测值一般为从信号采样或经过计算得到的某种幅值，用于表示目标是否处于该单元。本说明书中的分辨单元是对观测区域的角度划分。
纯方位向量测值：反映目标在其所处位置产生的信号的入射方向的量测值。本发明中，纯方位向量测值的计算为：根据分辨单元的角度划分的设定，采用CBF波束形成算法对接收阵列信号进行处理、计算得到各分辨单元的空间谱量测值，即为纯方位向量测值。
多目标粒子：对于多目标粒子滤波跟踪算法，粒子需要反映多个目标的状态，因此对粒子进行分区：1个粒子包含多个分区，具体分区数目等同于目标数目，分区内保存某一个目标的状态采样，分区与目标一一对应。分区也称为“子粒子”。
本发明的一种适用于拖拽被动声呐的多目标粒子滤波检测和跟踪方法，具体包括步骤：
步骤一：被动声呐系统的阵列信号与参数的初始化。
被动声呐系统采用均匀线性阵列，其阵列系统的接收信号可表示为：
Figure BDA0001289079050000021
其中
Figure BDA0001289079050000022
表示阵元m的接收信号，m＝1,…,M，M表示阵元数目。
将产生信号的目标的入射角记为θ，针对多目标情况，用θl表示目标l的入射角，目标数记为L(目标数不固定)。纯方位跟踪的目标状态记为一个二元向量
Figure BDA0001289079050000023
其中
Figure BDA0001289079050000024
表示目标的方位向速度，X＝[x1,...,xL]表示多目标状态。向量z＝[z1,z2,...,zB]表示量测值，其中zb表示某个分辨单元b的量测值，B表示观测区域分辨单元数。粒子总数记为Np；用K表示总时刻数。
步骤二：通过CBF算法计算量测数据。
考虑到实际情况，均匀线阵系统的接收信号一般写成如下形式：
y(n)＝As(n)+v(n) (1)
其中，向量s(n)＝[s1(n),s2(n),...,sL(n)]'表示L个目标信号的复包络，v(n)表示加性零均值白噪声。矩阵A是接收信号的导向矩阵：
Figure BDA0001289079050000031
其中，a(θ1)表示第1个目标产生的信号的导向向量；τm表示第m个元的接收信号相比第一个接收信号的时间延迟。
阵列系统输出信号为各阵元接收信号的加权和：
yo(n)＝wHy(n) (3)
其中，w是权值向量，(·)H表示共轭转置。
CBF算法计算输出信号的功率值作为量测值，输出信号功率计算如下：
Figure BDA0001289079050000032
其中，R是空间相关矩阵。然后以导向向量作为各信号的权值向量得到各角度的功率幅值：
P(θ)＝aH(θ)Ra(θ) (5)
在实际计算过程中，空间矩阵R一般通过接收的离散阵列信号(即y(n))估计得到：
Figure BDA0001289079050000033
其中，N表示离散信号的快拍数，即在公式(4)(5)的计算处理时，将
Figure BDA0001289079050000034
的值赋值给空间相关矩阵R。
由此，观测区域分辨单元b(b＝1,...,B)的量测值(纯方位量测值)可以写作：zb＝z(θb)＝a(θb)HRa(θb)，θb表示分辨单元b的入射角；
步骤三：对每个目标进行状态采样、粒子权值计算。
当前时刻设为k，分别对每个目标进行新粒子的采样，以第一个粒子为例，通过目标运动方程对粒子状态进行采样：
Figure BDA0001289079050000041
其中，
Figure BDA0001289079050000042
表示k时刻目标l的状态，
Figure BDA0001289079050000043
表示第1个粒子k时刻第l个分区(l＝1，...，L)的状态采样。
分别对L个分区进行状态采样，得到第一个粒子
Figure BDA0001289079050000044
重复上述关于第一个粒子的状态采样处理，得到Np个粒子
Figure BDA0001289079050000045
其中各粒子分别为
Figure BDA0001289079050000046
基于步骤二得到当前时刻的量测值则粒子分区l的粒子权值可以根据下式计算：
Figure BDA0001289079050000048
因此得到Np个粒子在L个分区的粒子权值
Figure BDA0001289079050000049
步骤四：粒子分区重采样。
对得到的Np个粒子的同一分区，根据对应的粒子权值进行重采样；
步骤五：检测消失的目标并删除；
步骤六：计算粒子的综合权值。
计算用于表示整个粒子的质量的综合权值：
Figure BDA00012890790500000410
其中，j＝1,...,Np，为了简化计算，可直接令得到各粒子的综合权值；
步骤七：估计目标状态。
步骤三到步骤七得到了一组带权值的粒子，用这些粒子和综合权值来估计目标状态：
其中，δ(·)是狄拉克函数，Xk
即将
Figure BDA0001289079050000051
作为目标估计状态。；
步骤八：基于当前时刻的量测值
Figure BDA0001289079050000052
判断新目标起始。
所述步骤五的具体步骤为：
1)对于持续超过Nf个时刻的目标，计算该目标Nf个时刻的粒子权值和∑。
2)设置一个权值门限Λ，若Σ＜Λ则判断目标消失，删除该目标到当前时刻为止Nf个时刻的状态估计，且对应时刻目标数减1。
3)若Σ≥Λ，则目标持续时刻数加1。
所述步骤八的具体步骤为：
(1)用
Figure BDA0001289079050000053
表示分辨单元在当前时刻k的量测值，对B个量测值为
Figure BDA0001289079050000054
首先抑制量测值里较为明显的噪声：对某个分辨单元量测值选取该量测值左右各r个分辨单元的量测值组成一个长度为r的数据窗
(2)对数据窗内的量测值从小到大排序得到
Figure BDA0001289079050000057
选取其中数值较大的一半量测值计算一个门限值β：
Figure BDA0001289079050000058
其中，α是用于调节门限值的参数。
(3)将
Figure BDA0001289079050000059
与门限值β按以下准则比较：
Figure BDA00012890790500000510
(4)重复上述3个步骤，从
Figure BDA00012890790500000511
到
Figure BDA00012890790500000512
滑窗处理量测值得到新的一组量测值
Figure BDA00012890790500000513
(5)设置一个很低的起始门限Λs，甚至Λs可以直接取0，将
Figure BDA00012890790500000514
中超过起始门限Λs的量测值与之前估计的目标状态进行对比：若与任何一个已估计目标状态(目标估计状态)的距离小于预设判断门限ηt，则不作为新目标起始；否则，转步骤(6)；
(6)新的目标起始：对应时刻目标数加1，在该量测值所在分辨单元周围按高斯分布采样粒子，标记该目标在k+1时刻产生。
综上所述，由于采用了上述技术方案，本发明的有益效果是：本发明利用CBF波束形成算法处理接收信号得到空间谱量测，然后拟合量测的统计特性设计似然函数模型，根据选取的似然函数模型计算粒子权值实现粒子滤波算法对目标的跟踪；然后配合多个快拍粒子权值判断目标生成和消失的方法解决了被动声呐系统复杂弱目标的检测和跟踪问题。本发明建立的目标检测和跟踪的方法能适用于被动声呐系统低信噪比和目标生成消失的复杂场景。求解过程简单，跟踪性能好。
附图说明
图1是本发明实施流程框图。
图2是本发明实施例中三个目标在接收信号信噪比-23dB时的跟踪航迹图。
图3是本发明实施例中接收信号信噪比-23dB，50次蒙特卡罗目标数曲线图。
图4是本发明实施例中不同接收信号信噪比下与传统跟踪对比的检测率曲线图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面结合实施方式和附图，对本发明作进一步地详细描述。
实施例
为了验证本发明的技术效果，采用仿真实验的方法对本发明的检测和跟踪方法进行验证，参见图1，具体实施过程如下：
S1：初始化系统参数。
以0.5°分辨率划分观测区域(-90°,90°)，计算可得分辨单元数为361；阵元数M＝40；粒子数目Np＝400；总时刻数：K＝50；
S2：根据式(1)和(2)初始化当前时刻的阵列接收信号y(n)；
S3：根据式(3)～(6)计算当前时刻的量测值：
Figure BDA0001289079050000061
S4：对每个目标进行新粒子状态采样、粒子权值计算：
S401：对于粒子j，用式(8)对第l个分区进行状态采样；
S402：l＝l+1，重复步骤S401；
j＝j+1，重复步骤S401和S402得到Np个粒子的L个分区的状态采样
Figure BDA0001289079050000062
和粒子权值
Figure BDA0001289079050000071
S5：分区内重采样：对不同多目标粒子的同一分区根据权值进行重采样，以分区l为例
S501：初始化权值阶梯函数：c1＝0；
S502：计算所有粒子j＝1,...,Np的权值阶梯函数，
Figure BDA0001289079050000072
S503：生成一个均匀分布随机数：
Figure BDA0001289079050000073
S504：对于粒子j,计算参数
Figure BDA0001289079050000074
设置另一个标号p从1到Np搜索，直到uj≤cp。
S505：将粒子p分区l的状态和权值覆盖到粒子j的分区l。
S506：j＝j+1，重复步骤S504和S505完成Np个粒子的处理。
S507：l＝l+1，重复上述所有步骤，完成对每个分区的重采样。
S6：对每个持续时间超过Nf＝3个时刻的目标，计算到当前时刻为止的3个时刻所有粒子该分区的权值和Σ，与权值门限Λ＝576对比，若Σ＜Λ则删除到当前时刻位置3个时刻该目标分区的信息并更新对应时刻的目标数L：对应时刻目标数减1；若Σ≥Λ，则该目标持续时刻数加1。
S7：经过步骤S5和S6，每个多目标粒子经过了重组，且保留的分区对应目标都是通过了权值门限的。用式(9)计算每个多目标粒子的综合权值：
Figure BDA0001289079050000075
S8：用式(10)对目标状态进行估计，得到目标估计状态。
S9：处理量测值得到
Figure BDA0001289079050000076
并起始新目标，更新目标数L：
S901：对B个分辨单元的各量测值
Figure BDA0001289079050000077
选取量测值
Figure BDA0001289079050000078
左右各r个分辨单元的量测值组成一个长度为r的数据窗
Figure BDA0001289079050000079
S902：对数据窗内的量测值从小到大排序得到
Figure BDA00012890790500000710
并根据公式(11)计算门限值β；
S903：将
Figure BDA00012890790500000711
与门限值β根据公式(12)进行比较，得到
Figure BDA00012890790500000712
S904：重复步骤S901-S903，从
Figure BDA00012890790500000713
到
Figure BDA00012890790500000714
滑窗处理量测值得到新的一组量测值
Figure BDA0001289079050000081
S905：将
Figure BDA0001289079050000082
中超过始门限Λs的量测值与已估计的目标估计状态进行对比：若与任何一个目标估计状态的距离小于判断门限ηt(即与已有目标重复)，则不作为新目标起始，；否则，转步骤S906；
S906：新的目标起始：对应时刻目标数加1，在该量测值所在分辨单元周围按高斯分布采样粒子，标记该目标在k+1时刻产生。
基于本发明的上述实施过程得到的三个目标在接收信号信噪比-23dB时的跟踪航迹图如图2所示。图3是本实施例中接收信号信噪比-23dB，50次蒙特卡罗目标数曲线图。图4是本发明的实施例(PF-TBD)中不同接收信号信噪比下与传统跟踪对比的检测率曲线图。由图可知，本发明跟踪性能好，可以应用于水声目标跟踪等领域。
以上所述，仅为本发明的具体实施方式，本说明书中所公开的任一特征，除非特别叙述，均可被其他等效或具有类似目的的替代特征加以替换；所公开的所有特征、或所有方法或过程中的步骤，除了互相排斥的特征和/或步骤以外，均可以任何方式组合。

Claims (3)

1.一种适用于被动拖曳线列阵声呐的复杂弱目标检测和跟踪方法，其特征在于，包括下列步骤：
步骤1：基于被动声呐系统的阵元接收信号y(n)，通过CBF算法计算当前时刻的量测值
Figure FDA0002227430440000011
其中B为观测区域的分辨单元数目；
步骤2：对每个目标进行状态采样、粒子权值计算：
计算不同粒子在与目标对应的分区的状态采样：
Figure FDA0002227430440000012
其中
Figure FDA0002227430440000013
表示第j个粒子在当前时刻k的第l个分区的状态采样，
Figure FDA0002227430440000014
表示k时刻目标l的状态，j＝1,…,Np，l＝1，...，L，Np表示粒子数目，L表示目标数目；
再根据向量测值zk和
Figure FDA0002227430440000015
计算分区l的粒子权值
Figure FDA0002227430440000016
从而得到Np个粒子在时刻k的L个分区的状态采样和权值；
步骤3：根据同一分区的粒子权值
Figure FDA0002227430440000017
对各分区的粒子状态进行重采样；
步骤4：检测消失的目标并删除：
401：对于持续超过Nf个时刻的目标，计算该目标Nf个时刻的粒子权值和∑；
402：若∑小于权值门限Λ，则判断当前目标消失，并删除当前目标到当前时刻为止Nf个时刻的状态估计，且对应时刻目标数减1；若∑大于或等于权值门限Λ，则目标持续时刻数加1；
步骤5：基于
Figure FDA0002227430440000018
计算各粒子的综合权值
Figure FDA0002227430440000019
其中
Figure FDA00022274304400000110
j＝1,…,Np；
步骤6：由
Figure FDA00022274304400000111
得到目标估计状态，其中
Figure FDA00022274304400000112
δ(·)是狄拉克函数；
步骤7：基于当前时刻的量测值判断新目标起始：
S701：对各量测值
Figure FDA00022274304400000113
选取量测值
Figure FDA00022274304400000114
左右各r个分辨单元的量测值组成一个长度为r的数据窗
Figure FDA00022274304400000115
b＝1,…,B；
S702：对数据窗内的量测值从小到大排序得到
Figure FDA0002227430440000021
并根据公式
Figure FDA0002227430440000022
设置门限值β，其中α为预设值；
S703：将
Figure FDA0002227430440000023
与门限值β进行比较，若则令
Figure FDA0002227430440000025
否则令
Figure FDA0002227430440000026
S704：基于步骤S701-S703，得到新的一组量测值
Figure FDA0002227430440000027
S705：将
Figure FDA0002227430440000028
中超过起始门限Λs的量测值与目标估计状态进行对比：若与目标估计状态的距离小于判断门限ηt，则不作为新目标起始；否则，基于当前量测值所在分辨单元起始新目标。
2.如权利要求1所述的方法，其特征在于，步骤3中，对任意分区的重采样具体为：
初始化权值阶梯函数：c1＝0；
基于粒子权值
Figure FDA0002227430440000029
计算Np个权值阶梯函数
根据公式
Figure FDA00022274304400000211
计算粒子参数uj，其中j＝1,…,Np，u1为
Figure FDA00022274304400000212
的均匀分布随机数；
对每个粒子参数uj，从Np个权值阶梯函数
Figure FDA00022274304400000213
中，查找第一个满足uj≤cp的粒子标号p，将粒子p分区l的状态采样
Figure FDA00022274304400000214
和粒子权值
Figure FDA00022274304400000215
覆盖到粒子j的分区l，其中p∈{1,…,Np}。
3.如权利要求1所述的方法，其特征在于，步骤1具体为：
101：基于当前接收信号y(n)计算空间相关矩阵R的估计值：
Figure FDA00022274304400000216
其中N表示信号的快拍数，(·)H表示共轭转置；
102：由各阵元接收信号的加权和wHy(n)得到被动声呐系统的输出信号yo(n)，其中w表示权值向量；
将赋值给空间相关矩阵R，根据CBF算法计算输出信号yo(n)的功率值P作为量测值，即功率值P＝wHRw；
以接收信号的导向向量a(θ)作为各接收信号的权值向量得到不同入射角θ的功率幅值：P(θ)＝aH(θ)Ra(θ)；
基于入射角的功率幅值得到各分辨单元b在当前时刻的量测值其中分辨单元标识符b＝1,…,B。
CN201710318307.XA 2017-05-08 2017-05-08 一种适用于被动拖曳线列阵声呐的复杂弱目标检测和跟踪方法 Active CN107202989B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710318307.XA CN107202989B (zh) 2017-05-08 2017-05-08 一种适用于被动拖曳线列阵声呐的复杂弱目标检测和跟踪方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710318307.XA CN107202989B (zh) 2017-05-08 2017-05-08 一种适用于被动拖曳线列阵声呐的复杂弱目标检测和跟踪方法

Publications (2)

Publication Number Publication Date
CN107202989A CN107202989A (zh) 2017-09-26
CN107202989B true CN107202989B (zh) 2020-01-14

Family

ID=59906068

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710318307.XA Active CN107202989B (zh) 2017-05-08 2017-05-08 一种适用于被动拖曳线列阵声呐的复杂弱目标检测和跟踪方法

Country Status (1)

Country Link
CN (1) CN107202989B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107229044B (zh) * 2016-03-25 2019-07-09 中国科学院声学研究所 一种基于特征子空间方位稳定性的强弱目标检测方法
CN110456360B (zh) * 2019-08-19 2021-08-27 电子科技大学 一种针对非连续目标被动多阵列声呐检测跟踪方法
CN111505649B (zh) * 2020-04-14 2022-08-23 西北工业大学 一种拖曳式被动阵列声呐低信噪比舰船运动目标检测方法
CN111948657B (zh) * 2020-07-28 2022-08-19 哈尔滨工程大学 一种基于多模粒子滤波的机动弱目标检测前跟踪方法
CN112630783A (zh) * 2020-11-26 2021-04-09 海鹰企业集团有限责任公司 一种被动声呐目标跟踪方法
CN112649798B (zh) * 2020-12-31 2022-09-09 哈尔滨工程大学 水声目标弱线谱软判决被动探测方法
CN113740858B (zh) * 2021-09-09 2023-09-26 哈尔滨工程大学 一种被动声纳水下弱目标检测方法及系统

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR2885225B1 (fr) * 2005-04-29 2007-06-22 Thales Sa Detecteur sequentiel markovien
CN101975575B (zh) * 2010-10-15 2012-03-28 西安电子科技大学 基于粒子滤波的被动传感器多目标跟踪方法
CN103152819B (zh) * 2013-01-29 2015-08-19 浙江大学 一种基于水下无线传感器网络的弱目标跟踪方法
CN103871021B (zh) * 2014-02-27 2017-10-17 电子科技大学 一种由cpu和gpu协同工作的目标航迹初始化方法
CN104820993B (zh) * 2015-03-27 2017-12-01 浙江大学 一种联合粒子滤波和跟踪置前检测的水下弱目标跟踪方法
CN104766320B (zh) * 2015-04-02 2017-06-13 西安电子科技大学 阈值化量测下的多伯努利滤波弱目标检测与跟踪方法
CN106204641B (zh) * 2016-06-29 2018-08-21 电子科技大学 一种基于多假设检验的动态规划检测前跟踪方法

Also Published As

Publication number Publication date
CN107202989A (zh) 2017-09-26

Similar Documents

Publication Publication Date Title
CN107202989B (zh) 一种适用于被动拖曳线列阵声呐的复杂弱目标检测和跟踪方法
CN103885057B (zh) 自适应变滑窗多目标跟踪方法
CN109002835B (zh) 一种基于最大熵模糊聚类的粒子滤波数据关联方法
CN108089183B (zh) 一种用于异步多基地雷达系统的检测跟踪一体化方法
CN112305530B (zh) 一种无人机群目标检测方法、电子设备及存储介质
CN110940970B (zh) 一种针对浮油海面的mimo雷达目标检测方法及系统
CN110007299B (zh) 一种基于混合坐标伪谱技术的微弱目标检测跟踪方法
CN110187335B (zh) 针对具有非连续特性目标的粒子滤波检测前跟踪方法
CN111722214A (zh) 雷达多目标跟踪phd实现方法
CN111460597B (zh) 一种基于改进的多目标粒子群优化算法的雷达布站方法
CN110058222B (zh) 一种基于传感器选择的双层粒子滤波检测前跟踪方法
CN107340517B (zh) 一种多传感器多帧检测前跟踪方法
CN108398678A (zh) 一种集中式mimo雷达快速自适应目标跟踪方法
CN112034433B (zh) 一种基于干扰信号重构的穿墙无源移动目标检测方法
Blanding et al. Directed subspace search ML-PDA with application to active sonar tracking
Pham et al. Multiple sensor multiple object tracking with GMPHD filter
Sheng et al. Maximum likelihood wireless sensor network source localization using acoustic signal energy measurements
CN107329131B (zh) 一种利用粒子滤波的雷达微弱目标检测跟踪方法
CN105652256B (zh) 一种基于极化信息的高频地波雷达tbd方法
Wei et al. Detection and localization of high speed moving targets using a short-range UWB impulse radar
CN107167782B (zh) 基于信杂噪比最大的雷达三维异构阵稀疏重构方法
CN113484866B (zh) 一种基于被动声呐方位历程图的多目标检测跟踪方法
CN115220002A (zh) 一种固定单站的多目标数据关联跟踪方法和相关装置
CN109696671B (zh) 基于组结构与相关性学习的高分辨穿墙雷达成像方法
Zhang et al. Underwater multi-source DOA tracking using uniform linear array based on improved GM-PHD filter

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant