CN108845299B - 一种基于后验信息融合的多传感器多帧联合检测算法 - Google Patents

一种基于后验信息融合的多传感器多帧联合检测算法 Download PDF

Info

Publication number
CN108845299B
CN108845299B CN201810679463.3A CN201810679463A CN108845299B CN 108845299 B CN108845299 B CN 108845299B CN 201810679463 A CN201810679463 A CN 201810679463A CN 108845299 B CN108845299 B CN 108845299B
Authority
CN
China
Prior art keywords
sensor
probability density
representing
posterior probability
algorithm
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
CN201810679463.3A
Other languages
English (en)
Other versions
CN108845299A (zh
Inventor
易伟
王经鹤
袁野
文鸣
孔令讲
李武军
王亚茹
库飞龙
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 CN201810679463.3A priority Critical patent/CN108845299B/zh
Publication of CN108845299A publication Critical patent/CN108845299A/zh
Application granted granted Critical
Publication of CN108845299B publication Critical patent/CN108845299B/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
    • 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
    • G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
    • 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
    • G01S13/66—Radar-tracking systems; Analogous 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
    • 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
    • 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
    • G01S15/87—Combinations of sonar 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
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/52—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S15/00
    • G01S7/534—Details of non-pulse systems
    • G01S7/536—Extracting wanted echo signals

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明公开了一种基于后验信息融合的多传感器多帧联合检测算法，包括以下步骤：S1、初始化系统参数，包括：系统包含的传感器数目M，传感器回波数据平面大小Nx×Ny，算法联合处理周期数K；初始化变量k＝1；S2、接收回波数据；S3、进行本地后验概率密度函数计算；S4、后验概率密度函数表征参数的近似计算；S5、进行信息传递；S6、进行全局后验概率密度计算；S7、进行目标航迹估计。本发明的算法能够同时发挥多传感器信息融合和多帧联合检测技术的优势，进一步改善算法对微弱目标的检测跟踪性能；并通过高斯混合近似降低了算法的传输代价，在保证算法性能的同时提高算法实现效率；可以广泛应用于组网雷达，MIMO雷达、阵列声呐等多个领域。

Description

一种基于后验信息融合的多传感器多帧联合检测算法
技术领域
本发明属于目标检测跟踪领域，涉及了多传感器融合和微弱目标检测跟踪技术领域，特别涉及一种基于后验信息融合的多传感器多帧联合检测算法。
背景技术
多传感器融合是目标状态估计领域的一个研究热点。该方法能够利用多部传感器从多个角度对目标的观测数据，获得目标的空间分集同时提升目标状态估计精度。近些年来，多传感器融合算法的研究受到了广泛关注。但这些研究工作主要集中在单帧检测领域，即算法只利用多个传感器当前时刻的回波数据完成目标的检测估计。当目标的信噪比较高时，该方法可以获得比较好的检测跟踪性能。但当目标的信噪比较低时，其回波信号无法超过检测门限，算法性能会大幅下降。
多帧联合检测算法是一种有效的检测低信噪比目标的方法。该方法在每个时刻联合处理多帧回波数据，通过利用目标的空时相关性积累目标能量同时抑制噪声和杂波，最终改善目标的信噪比，提高检测性能。目前，多帧联合检测算法方面也存在很多研究，但这些研究主要以单传感器为背景，无法直接应用于多传感器系统中。
如上所述，多传感器融合和多帧联合检测算法在目标检测跟踪方面各自存在一定的优势。直观地，二者结合将进一步提升算法性能。一方面，可以利用多传感器的平台优势获取空间分集，另一方面，可以通过数据积累改善目标信噪比。但目前，多传感器多帧联合检测算法的研究还很少。这主要是因为，不同于单传感器多帧联合检测算法或者多传感器单帧检测算法，多传感器多帧联合检测算法无论在数据处理量还是算法复杂度上都大大增加，难以实现。
发明内容
本发明的目的在于克服现有技术中针对多传感器多帧联合检测算法复杂度高，难以实现的的不足，提供一种能够同时发挥多传感器信息融合和多帧联合检测技术的优势，并通过高斯混合近似降低了算法的传输代价，在保证算法性能的同时提高算法实现效率的基于后验信息融合的多传感器多帧联合检测算法。
本发明的目的是通过以下技术方案来实现的：一种基于后验信息融合的多传感器多帧联合检测算法，包括以下步骤：
S1、初始化系统参数，包括：系统包含的传感器数目M，传感器回波数据平面大小Nx×Ny，算法联合处理周期数K；初始化变量k＝1；
S2、接收回波数据，第m个传感器接收第k帧回波数据记为
Figure BDA0001710588330000021
m＝1,…,M；
Figure BDA0001710588330000022
Figure BDA0001710588330000023
表示第(x,y)个分辨单元的量测值；
S3、进行本地后验概率密度函数计算；
S4、后验概率密度函数表征参数的近似计算；
S5、进行信息传递；
S6、进行全局后验概率密度计算；
S7、进行目标航迹估计。
进一步地，所述步骤S3包括以下子步骤：
S31、计算当前时刻的值函数：
Figure BDA0001710588330000024
Figure BDA00017105883300000223
Figure BDA0001710588330000025
其中，xk表示k时刻的目标状态，
Figure BDA0001710588330000026
Figure BDA0001710588330000027
表示当前时刻值函数，
Figure BDA0001710588330000028
表示上一时刻的值函数，
Figure BDA0001710588330000029
表示似然函数，p(xk|xk-1)表示状态转移函数，ε(xk)表示状态xk前一时刻的状态估计值，X1:K表示从1到K时刻状态序列，
Figure BDA00017105883300000210
表示1到K时刻的状态空间，
Figure BDA00017105883300000211
表示可能是目标的状态序列的集合，s(xk)表示可能转移到xk的k-1时刻状态集合；
S32、判断k是否满足1≤k＜K，若是则令k＝k+1，返回步骤S2；如果k＝K，则得到本地后验概率密度为：
Figure BDA00017105883300000212
其中，
Figure BDA00017105883300000213
表示离散状态空间，
Figure BDA00017105883300000214
表示迪拉克函数。
进一步地，所述步骤S4具体实现方法为：具体实现方法为：Nm表示用来近似第m个传感器本地后验概率密度的高斯分布的个数，
Figure BDA00017105883300000215
表示第m个传感器第n个高斯分布的均值，
Figure BDA00017105883300000216
表示第n个高斯分布的方差，
Figure BDA00017105883300000217
为加权系数，其中，n＝1,…,Nm；
Figure BDA00017105883300000218
的计算方法包括以下步骤：
S41、令i＝0，初始化
Figure BDA00017105883300000219
和
Figure BDA00017105883300000220
的值为
Figure BDA00017105883300000221
和
Figure BDA00017105883300000222
S42、令i＝i+1，计算：
Figure BDA0001710588330000031
Figure BDA0001710588330000032
Figure BDA0001710588330000033
Figure BDA0001710588330000034
Figure BDA0001710588330000035
表示均值为
Figure BDA0001710588330000036
方差为
Figure BDA0001710588330000037
时，
Figure BDA0001710588330000038
的后验概率密度；
S43、计算相邻两次迭代的误差，即
Figure BDA0001710588330000039
判断相邻两次迭代的误差是否小于预设的阈值，若误差小于预设的阈值，则令
Figure BDA00017105883300000310
Figure BDA00017105883300000311
否则，返回步骤S42。
进一步地，所述步骤S5具体实现方法为：传递
Figure BDA00017105883300000312
值至融合中心，并在融合中心根据下式恢复本地传感器后验概率密度，
Figure BDA00017105883300000313
其中，
Figure BDA00017105883300000314
表示高斯分布。
进一步地，所述步骤S6具体实现方法为：在融合中心根据广义协方差交叉融合准则计算全局后验概率密度，如下：
Figure BDA00017105883300000315
其中，ωm＝1/M。
进一步地，所述步骤S7具体实现方法为：按照下式计算目标航迹全局估计，
Figure BDA0001710588330000041
其中，
Figure BDA0001710588330000042
表示从分布
Figure BDA0001710588330000043
中得到的状态序列的采样。
本发明的有益效果是：本发明能够同时发挥多传感器信息融合和多帧联合检测技术的优势，进一步改善算法对微弱目标的检测跟踪性能；并通过高斯混合近似降低了算法的传输代价，在保证算法性能的同时提高算法实现效率；可以广泛应用于组网雷达，MIMO雷达、阵列声呐等多个领域。
附图说明
图1为本发明的基于后验信息融合的多传感器多帧联合检测算法的流程图；
图2为本发明实施例得到的仿真图像；
图3为本发明的航迹估计误差与本地单传感器多帧检测算法的航迹估计误差对比图。
具体实施方式
下面结合附图进一步说明本发明的技术方案。
如图1所示，一种基于后验信息融合的多传感器多帧联合检测算法，包括以下步骤：
S1、初始化系统参数，包括：系统包含的传感器数目M，传感器回波数据平面大小Nx×Ny，算法联合处理周期数K；初始化变量k＝1；
S2、接收回波数据，第m个传感器接收第k帧回波数据记为
Figure BDA0001710588330000044
m＝1,…,M；
Figure BDA0001710588330000045
Figure BDA0001710588330000046
表示第(x,y)个分辨单元的量测值；同时将回波数据输入存储器进行缓存，存储器用来存储1到K帧数据，缓存之前的
Figure BDA00017105883300000414
为最新一帧数据输入，缓存之后的数据表示一起把存储的1到K帧数据
Figure BDA00017105883300000415
都输出。
S3、进行本地后验概率密度函数计算；具体包括以下子步骤：
S31、计算当前时刻的值函数：
Figure BDA0001710588330000047
Figure BDA0001710588330000048
Figure BDA0001710588330000049
其中，xk表示k时刻的目标状态，
Figure BDA00017105883300000410
Figure BDA00017105883300000411
表示当前时刻值函数，
Figure BDA00017105883300000412
表示上一时刻的值函数，
Figure BDA00017105883300000413
表示似然函数，p(xk|xk-1)表示状态转移函数，ε(xk)表示状态xk前一时刻的状态估计值，X1:K表示从1到K时刻状态序列，
Figure BDA0001710588330000051
表示1到K时刻的状态空间，
Figure BDA0001710588330000052
表示可能是目标的状态序列的集合，s(xk)表示可能转移到xk的k-1时刻状态集合；
S32、判断k是否满足1≤k＜K，若是则令k＝k+1，返回步骤S2；如果k＝K，则得到本地后验概率密度为：
Figure BDA0001710588330000053
其中，
Figure BDA0001710588330000054
表示离散状态空间，
Figure BDA0001710588330000055
表示迪拉克函数。
S4、后验概率密度函数表征参数的近似计算；具体实现方法为：具体实现方法为：Nm表示用来近似第m个传感器本地后验概率密度的高斯分布的个数，
Figure BDA0001710588330000056
表示第m个传感器第n个高斯分布的均值，
Figure BDA0001710588330000057
表示第n个高斯分布的方差，
Figure BDA0001710588330000058
为加权系数，其中，n＝1,…,Nm；
Figure BDA0001710588330000059
Figure BDA00017105883300000510
的计算方法包括以下步骤：
S41、令i＝0，初始化
Figure BDA00017105883300000511
Figure BDA00017105883300000512
和
Figure BDA00017105883300000513
的值为
Figure BDA00017105883300000514
Figure BDA00017105883300000515
和
Figure BDA00017105883300000516
S42、令i＝i+1，计算：
Figure BDA00017105883300000517
Figure BDA00017105883300000518
Figure BDA00017105883300000519
Figure BDA00017105883300000520
Figure BDA00017105883300000521
表示均值为
Figure BDA00017105883300000522
方差为
Figure BDA00017105883300000523
时，
Figure BDA00017105883300000524
的后验概率密度；
S43、计算相邻两次迭代的误差，即
Figure BDA00017105883300000525
判断相邻两次迭代的误差是否小于预设的阈值，若误差小于预设的阈值，则令
Figure BDA00017105883300000526
Figure BDA0001710588330000061
否则，返回步骤S42。
S5、进行信息传递；具体实现方法为：传递
Figure BDA0001710588330000062
值至融合中心，并在融合中心根据下式恢复本地传感器后验概率密度，
Figure BDA0001710588330000063
其中，
Figure BDA0001710588330000064
表示高斯分布。
S6、进行全局后验概率密度计算；具体实现方法为：在融合中心根据广义协方差交叉融合准则计算全局后验概率密度，如下：
Figure BDA0001710588330000065
其中，ωm＝1/M。
S7、进行目标航迹估计；具体实现方法为：按照下式计算目标航迹全局估计，
Figure BDA0001710588330000066
其中，
Figure BDA0001710588330000067
表示从分布
Figure BDA0001710588330000068
中得到的状态序列的采样。
本实施例令M＝2，Nx×Ny＝100×100，K＝12，Nm＝3,m＝1,2；得到其仿真结果如图2所示，图3为本发明的航迹估计误差与本地单传感器多帧检测算法的航迹估计误差对比图。从图2中可以看出，本发明可以有效估计目标航迹，验证了算法的检测跟踪性能。从图3中可以看出，相比于传统的单传感器多帧检测算法，本发明的目标状态估计精度更高。
本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。

Claims (4)

1.一种基于后验信息融合的多传感器多帧联合检测算法，其特征在于，包括以下步骤：
S1、初始化系统参数，包括：系统包含的传感器数目M，传感器回波数据平面大小Nx×Ny，算法联合处理周期数K；初始化变量k＝1；
S2、接收回波数据，第m个传感器接收第k帧回波数据记为
Figure FDA0002394631530000011
Figure FDA0002394631530000012
Figure FDA0002394631530000013
表示第(x,y)个分辨单元的量测值；
S3、进行本地后验概率密度函数计算；
S4、后验概率密度函数表征参数的近似计算；具体实现方法为：Nm表示用来近似第m个传感器本地后验概率密度的高斯分布的个数，
Figure FDA0002394631530000014
表示第m个传感器第n个高斯分布的均值，
Figure FDA0002394631530000015
表示第n个高斯分布的方差，
Figure FDA0002394631530000016
为加权系数，其中，n＝1,…,Nm；
Figure FDA0002394631530000017
Figure FDA0002394631530000018
的计算方法包括以下步骤：
S41、令i＝0，初始化
Figure FDA0002394631530000019
和
Figure FDA00023946315300000110
的值为
Figure FDA00023946315300000111
和
Figure FDA00023946315300000112
S42、令i＝i+1，计算：
Figure FDA00023946315300000113
Figure FDA00023946315300000114
Figure FDA00023946315300000115
Figure FDA00023946315300000116
Figure FDA00023946315300000117
表示均值为
Figure FDA00023946315300000118
方差为
Figure FDA00023946315300000119
时，
Figure FDA00023946315300000120
的后验概率密度；
S43、计算相邻两次迭代的误差，即
Figure FDA00023946315300000121
判断相邻两次迭代的误差是否小于预设的阈值，若误差小于预设的阈值，则令
Figure FDA00023946315300000122
Figure FDA00023946315300000123
否则，返回步骤S42；
S5、进行信息传递；具体实现方法为：传递
Figure FDA00023946315300000124
值至融合中心，并在融合中心根据下式恢复本地传感器后验概率密度，
Figure FDA0002394631530000021
其中，
Figure FDA0002394631530000022
表示高斯分布；
S6、进行全局后验概率密度计算；
S7、进行目标航迹估计。
2.根据权利要求1所述的一种基于后验信息融合的多传感器多帧联合检测算法，其特征在于，所述步骤S3包括以下子步骤：
S31、计算当前时刻的值函数：
Figure FDA0002394631530000023
Figure FDA0002394631530000024
Figure FDA0002394631530000025
其中，xk表示k时刻的目标状态，
Figure FDA0002394631530000026
Figure FDA0002394631530000027
表示当前时刻值函数，
Figure FDA0002394631530000028
表示上一时刻的值函数，
Figure FDA0002394631530000029
表示似然函数，p(xk|xk-1)表示状态转移函数，ε(xk)表示状态xk前一时刻的状态估计值，X1:K表示从1到K时刻状态序列，
Figure FDA00023946315300000210
表示1到K时刻的状态空间，
Figure FDA00023946315300000211
表示可能是目标的状态序列的集合，s(xk)表示可能转移到xk的k-1时刻状态集合；
S32、判断k是否满足1≤k＜K，若是则令k＝k+1，返回步骤S2；如果k＝K，则得到本地后验概率密度为：
Figure FDA00023946315300000212
其中，
Figure FDA00023946315300000213
表示离散状态空间，
Figure FDA00023946315300000214
表示迪拉克函数。
3.根据权利要求1所述的一种基于后验信息融合的多传感器多帧联合检测算法，其特征在于，所述步骤S6具体实现方法为：在融合中心根据广义协方差交叉融合准则计算全局后验概率密度，如下：
Figure FDA00023946315300000215
其中，ωm＝1/M。
4.根据权利要求1所述的一种基于后验信息融合的多传感器多帧联合检测算法，其特征在于，所述步骤S7具体实现方法为：按照下式计算目标航迹全局估计，
Figure FDA0002394631530000031
其中，
Figure FDA0002394631530000032
表示从分布
Figure FDA0002394631530000033
中得到的状态序列的采样。
CN201810679463.3A 2018-06-27 2018-06-27 一种基于后验信息融合的多传感器多帧联合检测算法 Active CN108845299B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810679463.3A CN108845299B (zh) 2018-06-27 2018-06-27 一种基于后验信息融合的多传感器多帧联合检测算法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810679463.3A CN108845299B (zh) 2018-06-27 2018-06-27 一种基于后验信息融合的多传感器多帧联合检测算法

Publications (2)

Publication Number Publication Date
CN108845299A CN108845299A (zh) 2018-11-20
CN108845299B true CN108845299B (zh) 2020-05-12

Family

ID=64202878

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810679463.3A Active CN108845299B (zh) 2018-06-27 2018-06-27 一种基于后验信息融合的多传感器多帧联合检测算法

Country Status (1)

Country Link
CN (1) CN108845299B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN110888137B (zh) * 2019-12-06 2022-07-15 西北工业大学 基于滑窗式双门限检测的角度跟踪方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5379044A (en) * 1993-12-23 1995-01-03 Hughes Aircraft Company Efficient multi-target tracking method
CN106054169B (zh) * 2016-05-18 2018-09-21 西安电子科技大学 基于跟踪信息的多站雷达信号融合检测方法
CN106054172B (zh) * 2016-06-30 2018-06-19 电子科技大学 一种随机集理论下的分布式多传感器融合方法
CN106291533B (zh) * 2016-07-27 2018-10-16 电子科技大学 一种基于amd的分布式多传感器融合方法
CN106842165B (zh) * 2017-03-16 2020-02-18 电子科技大学 一种基于不同距离角度分辨率雷达集中式异步融合方法
CN106896352B (zh) * 2017-04-17 2020-01-10 电子科技大学 一种基于随机集理论的多雷达异步数据分布式融合方法

Also Published As

Publication number Publication date
CN108845299A (zh) 2018-11-20

Similar Documents

Publication Publication Date Title
CN108387876B (zh) 基于ctls的外辐射源雷达网双基距误差配准方法
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
CN108363054B (zh) 用于单频网络和多路径传播的被动雷达多目标跟踪方法
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
CN107340517B (zh) 一种多传感器多帧检测前跟踪方法
CN104793200B (zh) 一种基于迭代处理的动态规划检测前跟踪方法
CN110503071A (zh) 基于变分贝叶斯标签多伯努利叠加模型的多目标跟踪方法
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
CN108845299B (zh) 一种基于后验信息融合的多传感器多帧联合检测算法
CN107037424B (zh) 一种基于序贯优化的多普勒雷达多帧相干检测前跟踪方法
CN107544066B (zh) 一种基于检测前跟踪分布式异步迭代滤波融合方法
CN110146850B (zh) 用于多基地雷达失序量测融合的粒子滤波集中式跟踪方法
CN113534133B (zh) 基于期望最大迭代算法的雷达多目标联合检测及跟踪方法
CN109671100B (zh) 一种分布式可变扩散组合系数粒子滤波直接跟踪方法
CN109324315A (zh) 基于双层次块稀疏性的空时自适应处理雷达杂波抑制方法
Li et al. Object tracking in satellite videos: Correlation particle filter tracking method with motion estimation by Kalman filter
CN107247257B (zh) 一种基于似然函数近似的分布式多传感器检测前跟踪方法
CN116148837A (zh) 非均匀杂波背景下稳健多传感器多目标跟踪方法
CN117433538A (zh) 一种多源异构传感器航迹融合方法
CN106033120B (zh) 一种多站雷达异步多帧联合检测方法
CN109407047A (zh) 一种基于秩损求根的幅相误差校准和波达方向估计方法
CN110031797B (zh) 用于被动传感系统对具有非连续特性目标的检测跟踪方法
CN114488104A (zh) 基于交互一致性的天波超视距雷达目标跟踪方法
CN113408422B (zh) 一种适用于微弱目标的多帧联合检测跟踪与分类方法
CN111141276A (zh) 一种基于多源传感器的航迹关联置信度评估方法

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