CN110221307B - 一种多被动声纳非合作多目标线谱信息融合方法 - Google Patents
一种多被动声纳非合作多目标线谱信息融合方法 Download PDFInfo
- Publication number
- CN110221307B CN110221307B CN201910469360.9A CN201910469360A CN110221307B CN 110221307 B CN110221307 B CN 110221307B CN 201910469360 A CN201910469360 A CN 201910469360A CN 110221307 B CN110221307 B CN 110221307B
- Authority
- CN
- China
- Prior art keywords
- line spectrum
- frequency
- target
- fusion
- estimation
- 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
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
- G01S15/02—Systems using the reflection or reradiation of acoustic waves, e.g. sonar systems using reflection of acoustic waves
- G01S15/50—Systems of measurement, based on relative movement of the target
- G01S15/58—Velocity or trajectory determination systems; Sense-of-movement determination 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
- G01S15/66—Sonar tracking systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Pure & Applied Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Computer Networks & Wireless Communication (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Acoustics & Sound (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
Abstract
本发明提供的是一种多被动声纳非合作多目标线谱信息融合方法。步骤1、局部跟踪滤波;步骤2、随机有限集建模;步骤3、标签建模;步骤4、数据关联;步骤5、数据融合;步骤6、标签更新;步骤7、判断所有浮标是否都参与完融合;步骤8、随着时间t的递增,循环迭代步骤1‑步骤7,即可持续地对水下目标的进行跟踪,并根据标签的变化规律可以推断出目标的运动态势。本发明在假设目标辐射噪声的线谱频率稳定且缓慢变化的前提下,通过融合多被动声纳的线谱频率信息,实现对水下多目标的位置及运动态势估计,此外本方法还具有结构简单易于工程实现、计算量小等优点。
Description
技术领域
本发明涉及的是一种水声信号融合技术,具体地说是一种多被动声纳非合作多目标线谱信息融合方法。
背景技术
二十一世纪是海洋世纪,当前一股空前的“海洋热”席卷全球,我国拥有1.8万多公里的海岸线,1.4万公里的岛岸线,以及广阔的海洋活动空间和丰富的海洋资源。但是,我国的海上安全形势十分严峻。为保障我国的海洋合法权益,大力发展海洋事业、建设海洋强国势在必行。然而,由于海洋环境的复杂性以及人类在水下活动的日益活跃,这令探测原本隐蔽性就在不断提高的水下目标变得更加困难。20世纪70年代美国偶然发现通过融合多个声纳数据可以提高对目标的探测能力。至此,数据融合技术逐渐出现在人们的视野之中,并广泛地应用在雷达、声纳、自动化等领域。
期刊(方君,戴邵武,聂子健.主动声纳浮标基于CKF的潜艇目标跟踪算法.仪表技术,2018(03):19-35.)、专利文献(李峥,黄海宁,李宇.一种水声多目标自主检测与方位跟踪方法.申请号:CN201310703672)和专利文献(梁洪涛,康凤举,张建春,汪小东.一种多层次信息融合的纯方位水下目标跟踪算法.申请号:CN201710365957)等中利用目标的位置信息,通过时间序列数据的融合方法实现对水下目标的探测。但是,这些方法都是基于单声纳平台的探测数据融合方法,不仅时/空间的探测覆盖范围有限,其系统的可靠性、融合算法的估计精度等都相对不高。为此,基于多声纳平台的探测数据融合方法得到了大力发展。文献(X.Sheng,Y.Chen,L.Guo,J.Yin,and X.Han,"Multitarget tracking algorithm usingmultiple GMPHD filter data fusion for sonar networks,"Sensors(Switzerland),vol.18,no.10,2018.)利用空间分布不同的多声纳组网进行探测,探测性能和传统单声纳探测相比有了提升。但是,这些方法均依赖于主动声纳探测的目标位置信息,不仅容易暴露声源声纳的位置,其探测距离也会大幅受限。
被动声纳不发射探测信号,仅通过接收的目标辐射噪声来获取目标的特征参数,具有很好的隐蔽性,除此之外,由于仅需要考虑单程的传播损失,因此被动式探测声纳的探测距离相对较远,因此在大范围水下目标探测和跟踪场景中,被动式探测声纳得到了更加广泛的应用。但是被动式探测声纳无法像主动式声纳那样可以获取较多可靠的非合作目标特征,因此很多传统上的主动式声纳数据跟踪融合方法都很难使用。文献(战和,杨日杰,周旭.一种浮标被动跟踪系统模型.计算机工程,2009,35(20):278-280.)、专利文献(权恒恒,周彬等.一种基于交互多模型的被动目标跟踪方法.申请号:CN201810697477)以及期刊(高伟.基于小平台的水下目标被动探测技术.水雷战与舰船防护,2015,23(01):1-6.)等利用目标方位信息对目标进行探测,然而目标方位信息通常需要多声纳或矢量声纳才可获得,这样就会导致探测成本的大幅提高。由于目标辐射噪声中的线谱频率特征在短时间相对稳定,而且目标辐射噪声频域特征蕴含着目标较重要的信息,因此成为了被动式声纳对目标探测的主要方式。然而,仅基于频率的声纳数据融合方法相对来说比较少见。文献(GrudenP,White P R.Automated tracking of dolphin whistles using Gaussian mixtureprobability hypothesis density filters.The Journal of the Acoustical Societyof America,2016,140(3):1981-1991.)利用高斯混合概率假设密度滤波器实现对海豚信号的时频谱特征自动提取,然而这种方法也仅仅是在单被动声纳平台的融合方法,并未涉及多被动声纳平台的融合方法。
发明内容
本发明的目的在于提供一种能够实现对水下多目标的位置及运动态势估计,结构简单易于工程实现、计算量小的多被动声纳非合作多目标线谱信息融合方法。
本发明的目的是这样实现的:
步骤5、根据关联矩阵αt中不同局部滤波器线谱频率关联关系分为两部分融合:将这两个不同标签的局部滤波器中所有关联上且关联的目标线谱频率,采用加权数据融合及凸组合法进行数据融合;将未关联上的目标线谱频率进行保留,最后将这两部分结果组合作为得到融合后的估计结果
步骤6、根据数据关联情况,将融合后的估计频率进行标签更新;
步骤7、判断所有浮标是否都参与完融合,若所有浮标都参与完融合,则得到t时刻全局的估计结果否则将重复步骤4至步骤7,将未参与融合的局部融合估计与融合后的估计结果进行数据关联融合,直至得到最终的全局的估计结果
步骤8、随着时间t的递增,循环迭代步骤1-步骤7,持续地对水下目标的进行跟踪,并根据标签的变化规律推断出目标的运动态势。
本发明还可以包括:
1.步骤1中,对于分布式多被动声纳各节点所采集到的目标线谱频率数据,局部跟踪滤波器间相互独立处理。
在t时刻,目标估计线谱频率中包括有限随机的目标线谱频率估计所组成的集合,还包括有限随机的未被局部跟踪滤波器滤掉的干扰线谱频率所组成的集合,t时刻局部跟踪滤波器目标线谱频率估计集合Ft表示为:Ft=Fθ,t∪FK,t,U表示数学上的并集,表示在t时刻由目标线谱频率估计所组成的一个随机有限集,mθ,t表示这个集合的线谱频率个数,表示由未被局部跟踪滤波器滤掉的干扰线谱所组成的一个随机有限集,mκ,t表示这个集合的线谱频率个数。
3.步骤3中,在分布式探测网中共有n部声纳,对各个局部滤波器用一组递增自然数序列作为各个局部滤波器进行标签,即l∈{1,2,…n};
其中,dij表示第i行的线谱频率与第j列的线谱频率的差值的绝对值,即ni和nj分别表示两个不同标签的中的线谱频率个数,令dT表示关联门限,若dij<dT,则表示对应的不同标签中的线谱频率关联上,反之则表示关联不上;
线谱频率关联关系进一步划分为三种情况:关联状态dij仅存在三种可能性:①关联上且dij同时为行、列值最小;②关联上但不满足行、列值最小;③未关联上,即
min(di,:)和min(d:,j)分别表示关联矩阵第i行和第j列的最小值。
5.步骤5中,采用加权数据融合法进行数据融合,对不同的关联状态采取不同的融合策略:①当两数据的关联状态为“关联上且行列最小”时,这两个频率进行凸组合法数据融合,得到对该目标该线谱频率状态的融合后估计;②当两数据的关联状态为“关联上非行列最小”时,将这种情况的数据融合进行忽略;③当两数据的关联状态为“未关联上”时,对这部分的频率状态进行保留,以待后续处理。
9.步骤8中,随着时间t的递增,若多个频率标签变化一致的视为同一目标的线谱频率,多个频率标签变化不同的视为不同目标的线谱频率,即:
若标签随着时间t递增而不发生明显变化,且长期为“0”,则出该频率源自环境噪声、共频干扰或较强声源的干扰目标;
若标签随着时间t递增而发生明显规律性变化,推断出该水下目标随着时间t,从各个出现标签的声纳探测范围内经过,即得到该目标的运动轨迹。
为了解决在大范围监视环境下多被动声纳多目标线谱频率的融合问题,本发明提供了一种多被动声纳非合作多目标线谱信息融合方法。在假设目标辐射噪声的线谱频率稳定且缓慢变化的前提下,通过融合多被动声纳的线谱频率信息,实现对水下多目标的位置及运动态势估计,此外本方法还具有结构简单易于工程实现、计算量小等优点。
本发明的技术要点主要体现在:
1.首先,在仅基于目标线谱频率信息的条件下,本发明提出了多被动声纳目标线谱信息融合方法框架和理论过程。
2.其次,在本发明的融合方法虽采用了凸组合融合方法,但不限于该融合方法,其他方法如分离协方差交叉均可替代本方法中的凸组合融合方法,从而达到相似的效果。
3.再次,本发明中的关联方法虽采用了最近邻方法,但不限于该关联方法,其他方法如k最近邻方法等均可替代本方法中的最近邻方法,从而达到相似的效果。
附图说明
图1是本发明的流程图。
图2是目标运动态势图。
图3是仿真结果图。
具体实施方式
下面举例对本发明做更详细的描述。
步骤5、数据融合。根据关联矩阵αt中不同局部滤波器线谱频率关联关系可分为两部分融合:将这两个不同标签的局部滤波器中所有关联上且关联的目标线谱频率,采用加权数据融合及凸组合法进行数据融合;将未关联上的目标线谱频率进行保留,最后将这两部分结果组合作为得到融合后的估计结果
步骤6、标签更新。根据数据关联情况,将融合后的估计频率进行标签更新;
步骤7、判断所有浮标是否都参与完融合。若所有浮标都参与完融合,则得到t时刻全局的估计结果否则将重复步骤4至步骤7,将未参与融合的局部融合估计与融合后的估计结果进行数据关联融合,直至得到最终的全局的估计结果
步骤8、随着时间t的递增,循环迭代步骤1-步骤7,即可持续地对水下目标的进行跟踪,并根据标签的变化规律可以推断出目标的运动态势。
其中,步骤1中,对于分布式多被动声纳各节点所采集到的目标线谱频率数据,局部跟踪滤波器间是相互独立处理的;
其中,步骤2中,在t时刻,由于目标估计线谱频率中不仅包括有限随机的目标线谱频率估计所组成的集合,还可能包括有限随机的未被局部跟踪滤波器滤掉的干扰线谱频率所组成的集合,因此t时刻局部跟踪滤波器目标线谱频率估计集合Ft可表示为:Ft=Fθ,t∪FK,t。这里,“∪”表示数学上的并集,表示在t时刻由目标线谱频率估计所组成的一个随机有限集,mθ,t表示这个集合的线谱频率个数,表示由未被局部跟踪滤波器滤掉的干扰线谱所组成的一个随机有限集,mκ,t表示这个集合的线谱频率个数;
其中,步骤3中,在分布式探测网中假定共有n部声纳,对各个局部滤波器用一组递增自然数序列作为各个局部滤波器进行标签,即l∈{1,2,…n};
这里,dij表示第i行的线谱频率与第j列的线谱频率的差值的绝对值,即这里ni和nj分别表示两个不同标签的中的线谱频率个数。令dT表示本方法的关联门限,若dij<dT,则表示对应的不同标签中的线谱频率可以关联上,反之则表示关联不上;
其中,步骤4中,线谱频率关联关系可进一步划分为三种情况:关联状态dij仅存在三种可能性:①关联上且dij同时为行、列值最小;②关联上但不满足行、列值最小;③未关联上,即
这里,min(di,:)和min(d:,j)分别表示关联矩阵第i行和第j列的最小值;
其中,步骤5中,在本方法中所采用的加权数据融合法进行数据融合,为对不同的关联状态采取不同的融合策略:①当两数据的关联状态为“关联上且行列最小”时,说明数据关联程度最紧密,最有可能为两个不同声纳对同一目标线谱频率状态估计。因此,在本方法这两个频率进行凸组合法数据融合,得到对该目标该线谱频率状态的融合后估计。②当两数据的关联状态为“关联上非行列最小”时,说明不同声纳的目标估计线谱频率可能来自同一频率,但可能性可能低于“关联上且最小”状态下的两数据。因此,考虑到算法的计算复杂度,在本法中将这种情况的数据融合进行忽略。③当两数据的关联状态为“未关联上”时,说明两线谱频率可能源自两个同一目标不同线谱频率或不同目标不同线谱频率的量测,为了保证对探测目标的最大检测能力,本方法将允许本方法存在一定虚警的,即对这部分的频率状态进行保留,以待后续处理;
其中,步骤8中,随着时间t的递增,若多个频率标签变化一致的视为同一目标的线谱频率,多个频率标签变化不同的视为不同目标的线谱频率,即:
其中,步骤8中,若标签随着时间t递增而不发生明显变化,且长期为“0”,则可推断出该频率可能源自环境噪声、共频干扰或较强声源的干扰目标;
其中,步骤8中,若标签随着时间t递增而发生明显规律性变化,可以推断出该水下目标随着时间t,从各个出现标签的声纳探测范围内经过,即得到该目标的运动轨迹。
其中,步骤8中,如图2所示,该图中所示为两个运动目标运动的态势图,其中一个目标水平从左向右运动,另一个目标从右上向左下运动,图中的“x”代表被动声纳,被动声纳周围的大圆表示的是该声纳的探测范围。图3所示为模拟三个被动声纳、两个运动目标条件下仿真实验结果图,在该实验中多个目标线谱、目标线谱起止时间、生成干扰线谱个数以及干扰线谱的频率值均为随机生成。图中“ο”代表一号声纳探测到的目标估计线谱频率,“x”代表二号声纳探测到的目标估计线谱频率,“□”代表三号声纳探测到的目标估计线谱频率,“*”代表两个声纳可以同时检测到目标估计线谱,图中检测到的目标运动态势与图2的运动态势一致,可见本发明不仅对干扰频率具有良好的滤波性能,而且算法结构简单、具有较小的计算量。通过将多个频率的标签变化一致时判定为同一目标的线谱频率,就可以得到不同目标的出现时间、持续时间和目标的线谱频率值,进而根据不同的标签值、声纳位置和声纳探测范围判断目标的运动态势。
Claims (8)
1.一种多被动声纳非合作多目标线谱信息融合方法,其特征是:
步骤5、根据关联矩阵αt中不同局部滤波器线谱频率关联关系分为两部分融合:将这两个不同标签的局部滤波器中所有关联上的目标线谱频率,采用凸组合法进行数据融合;将未关联上的目标线谱频率进行保留,最后将这两部分结果组合作为得到融合后的估计结果
其中,dij表示第i行的线谱频率与第j列的线谱频率的差值的绝对值,即ni和nj分别表示两个不同标签的中的线谱频率个数,令dT表示关联门限,若dij<dT,则表示对应的不同标签中的线谱频率关联上,反之则表示关联不上;
线谱频率关联关系进一步划分为三种情况:关联状态dij仅存在三种可能性:①关联上且dij同时为行、列值最小;②关联上但不满足行、列值最小;③未关联上,即
min(di,:)和min(d:,j)分别表示关联矩阵第i行和第j列的最小值;
步骤6、根据数据关联情况,将融合后的估计频率进行标签更新;
步骤7、判断所有声纳是否都参与完融合,若所有声纳都参与完融合,则得到t时刻全局的估计结果否则将重复步骤4至步骤7,将未参与融合的局部融合估计与融合后的估计结果进行数据关联融合,直至得到最终的全局的估计结果
步骤8、随着时间t的递增,循环迭代步骤1-步骤7,持续地对水下目标的进行跟踪,并根据标签的变化规律推断出目标的运动态势;
随着时间t的递增,若多个频率标签变化一致的视为同一目标的线谱频率,多个频率标签变化不同的视为不同目标的线谱频率,即:
若标签随着时间t递增而不发生明显变化,且长期为“0”,“0”表示融合后线谱频率估计的标签,则出该频率源自环境噪声、共频干扰或较强声源的干扰目标;
若标签随着时间t递增而发生明显规律性变化,推断出该水下目标随着时间t,从各个出现标签的声纳探测范围内经过,即得到该目标的运动轨迹。
2.根据权利要求1所述的多被动声纳非合作多目标线谱信息融合方法,其特征是:步骤1中,对于分布式多被动声纳各节点所采集到的目标线谱频率数据,局部跟踪滤波器间相互独立处理。
5.根据权利要求1所述的多被动声纳非合作多目标线谱信息融合方法,其特征是:步骤5中,采用加权数据融合法进行数据融合,对不同的关联状态采取不同的融合策略:①当两数据的关联状态为“关联上且行列最小”时,这两个频率进行凸组合法数据融合,得到对该目标该线谱频率状态的融合后估计;②当两数据的关联状态为“关联上非行列最小”时,将这种情况的数据融合进行忽略;③当两数据的关联状态为“未关联上”时,对这部分的频率状态进行保留,以待后续处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910469360.9A CN110221307B (zh) | 2019-05-28 | 2019-05-28 | 一种多被动声纳非合作多目标线谱信息融合方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910469360.9A CN110221307B (zh) | 2019-05-28 | 2019-05-28 | 一种多被动声纳非合作多目标线谱信息融合方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110221307A CN110221307A (zh) | 2019-09-10 |
CN110221307B true CN110221307B (zh) | 2022-12-13 |
Family
ID=67818807
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910469360.9A Active CN110221307B (zh) | 2019-05-28 | 2019-05-28 | 一种多被动声纳非合作多目标线谱信息融合方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110221307B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111220987B (zh) * | 2019-10-28 | 2023-06-30 | 浙江优威科技有限公司 | 低频多线谱远程水下目标探测系统及其方法 |
CN110716203B (zh) * | 2019-10-31 | 2023-07-28 | 海鹰企业集团有限责任公司 | 一种被动声纳目标的时频分析与跟踪方法 |
CN111123247B (zh) * | 2019-12-04 | 2022-04-05 | 杭州电子科技大学 | 一种反蛙人声纳告警装置及方法 |
CN111736158B (zh) * | 2020-08-25 | 2020-11-20 | 东南大学 | 一种基于分布式多浮标匹配的目标线谱特征辩识方法 |
CN111999735B (zh) * | 2020-09-11 | 2023-10-03 | 杭州瑞利海洋装备有限公司 | 一种基于径向速度和目标跟踪的动静目标分离方法 |
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 |
CN117849711A (zh) * | 2023-07-17 | 2024-04-09 | 哈尔滨工程大学 | 声信息关联多目标定位方法、系统、智能设备及存储介质 |
CN118112570B (zh) * | 2024-02-23 | 2024-09-13 | 哈尔滨工程大学 | 一种深海异构主被动声纳融合定位方法及系统 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105223576A (zh) * | 2015-09-24 | 2016-01-06 | 哈尔滨工程大学 | 一种基于单矢量潜标的线谱信号目标自动检测方法 |
Family Cites Families (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7460951B2 (en) * | 2005-09-26 | 2008-12-02 | Gm Global Technology Operations, Inc. | System and method of target tracking using sensor fusion |
CN101539597B (zh) * | 2009-04-29 | 2011-01-26 | 哈尔滨工程大学 | 一种分辨具有相同频带辐射噪声的多目标方法 |
CN101639535A (zh) * | 2009-08-28 | 2010-02-03 | 茂名学院 | 模糊聚类粒子滤波的无线传感器网络多目标跟踪方法 |
CN102833882B (zh) * | 2011-06-15 | 2015-03-18 | 中国科学院声学研究所 | 一种基于水声传感器网络的多目标数据融合方法及系统 |
CN102509020B (zh) * | 2011-11-15 | 2014-08-20 | 哈尔滨工程大学 | 基于传感器网络的复杂环境下多目标信息融合方法 |
CN104751119A (zh) * | 2015-02-11 | 2015-07-01 | 中国科学院大学 | 基于信息融合的行人快速检测跟踪方法 |
GB2561746B (en) * | 2015-11-13 | 2022-02-09 | Flir Systems | Video sensor fusion and model based virtual and augmented reality systems and methods |
CN106443622B (zh) * | 2016-09-13 | 2018-12-07 | 哈尔滨工程大学 | 一种基于改进联合概率数据关联的分布式目标跟踪方法 |
US10160448B2 (en) * | 2016-11-08 | 2018-12-25 | Ford Global Technologies, Llc | Object tracking using sensor fusion within a probabilistic framework |
CN106682615B (zh) * | 2016-12-28 | 2020-01-14 | 西北工业大学 | 一种水下弱小目标检测方法 |
CN107590468B (zh) * | 2017-09-15 | 2020-07-24 | 哈尔滨工程大学 | 一种基于多视角目标亮点特征信息融合的探测方法 |
CN107801190B (zh) * | 2017-09-25 | 2021-10-08 | 同济大学 | 一种基于hdp-nshmm的频谱感知方法 |
CN108333569B (zh) * | 2018-01-19 | 2021-01-12 | 杭州电子科技大学 | 一种基于phd滤波的异步多传感器融合多目标跟踪方法 |
CN109270516B (zh) * | 2018-09-01 | 2022-05-17 | 哈尔滨工程大学 | 一种适用于无人移动平台检测舰艇线谱的波束形成方法 |
CN109285561B (zh) * | 2018-09-06 | 2022-08-19 | 东南大学 | 一种基于自适应窗长的船舶螺旋桨空化噪声调制谱特征保真增强方法 |
CN109444897B (zh) * | 2018-09-13 | 2021-04-13 | 中国船舶重工集团公司第七一五研究所 | 一种基于多特征的多阵航迹关联方法 |
CN109696172B (zh) * | 2019-01-17 | 2022-11-01 | 福瑞泰克智能系统有限公司 | 一种多传感器航迹融合方法、装置及车辆 |
-
2019
- 2019-05-28 CN CN201910469360.9A patent/CN110221307B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105223576A (zh) * | 2015-09-24 | 2016-01-06 | 哈尔滨工程大学 | 一种基于单矢量潜标的线谱信号目标自动检测方法 |
Non-Patent Citations (2)
Title |
---|
分布式水下多传感器多目标模糊跟踪融合方法;陈小惠等;《中国造船》;20060925(第03期);全文 * |
水下机动目标跟踪技术研究;张林琳等;《声学技术》;20110215(第01期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN110221307A (zh) | 2019-09-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110221307B (zh) | 一种多被动声纳非合作多目标线谱信息融合方法 | |
Leung et al. | Detection of small objects in clutter using a GA-RBF neural network | |
CN106443598B (zh) | 基于卷积神经网络的雷达网协同航迹欺骗干扰鉴别方法 | |
RU2649887C1 (ru) | Способ определения координат (пеленга и дистанции) и параметров движения (курса и скорости) морской шумящей цели | |
CN104977585B (zh) | 一种鲁棒的运动声纳目标检测方法 | |
CN104133983B (zh) | 基于加权负一阶rd和的多目标伯努利分布式融合方法 | |
CN109031229B (zh) | 一种杂波环境下目标跟踪的概率假设密度方法 | |
CN107202989A (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 | |
Fang et al. | A tracking approach for low observable target using plot-sequences of multi-frame detection | |
CN110208808B (zh) | 一种被动声纳非合作目标线谱信息融合方法 | |
CN113177097A (zh) | 一种基于属性聚类与时空约束的航迹起始判别方法 | |
CN112835006A (zh) | 一种基于帧间积累的跟踪雷达海上小目标检测方法及系统 | |
CN106154274B (zh) | 一种水下小目标多基地融合跟踪方法 | |
CN115657045A (zh) | 基于方位信息多被动探测平台水下航行器数据的融合方法 | |
Petetin et al. | A tracker based on a CPHD filter approach for infrared applications | |
Gunes | Performance comparison of ToA and TDOA based tracking in underwater multipath environments using bernoulli filter | |
Zhang et al. | Underwater multi-source DOA tracking using uniform linear array based on improved GM-PHD filter | |
Guo et al. | SA-HPMHT for maritime dim targets tracking with sensor location uncertainty | |
Uney et al. | Passive Sensor Fusion and Tracking in Underwater Surveillance with the GLMB model | |
Yang | Detection and tracking of infrared dim small image sequence moving target | |
Perera et al. | A gm-phd filter with estimation of probability of detection and survival for individual targets | |
Xie et al. | Multi-UAV Multi-target Tracking in the Presence of Doppler Blind Zone | |
Lan et al. | Joint OTHR multipath state estimation with unknown ionospheric heights | |
CN115657044A (zh) | 基于水下航行器方位信息压缩的多平台被动数据融合方法 | |
Hao et al. | Image Tracking and Prediction of Offshore Tsunami with Particle Filters |
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 |