針對密集雜波下現有的多機動目標跟蹤算法計算量大且性能嚴重衰退的問題,提出了聯合幅度信息的多模型標簽多伯努利（AI-MM-LMB）濾波器。首先,對目標狀態(tài)進行擴展,引入幅度信息;然后,建立幅度信息及位置信息的聯合量測似然函數;最后,基于MM-LMB濾波器框架,給出新的更新方程。仿真實驗結果表明:低雜波下,AI-MM-LM算法同MM-LMB算法跟蹤性能相當;高雜波下,AI-MM-LMB算法性能明顯優(yōu)于MM-LMB算法。 

【文章來源】：海軍工程大學學報. 2020,32(02)北大核心

【文章頁數】：6 頁

【部分圖文】：

強雜波下目標勢估計結果

位置觀測噪聲wk～N(0,Qw),Qw=diag([1,1])δ2w,δw=20 m。目標存活概率ps=0.98。設定虛警概率pτF=0.1、信噪比SNR=15 dB,則可計算得到:檢測門限τ為2.146、檢測概率pτD(S)為0.931 9;回波信號信噪比范圍[10 dB,30 dB]。假設雜波在觀測區(qū)域內均勻分布,其個數滿足泊松分布,λ=100,圖1所示為單次實驗的目標航跡圖。圖2、3分別為MM-LMB及AI-MM-LMB濾波器單次實驗結果�？梢钥闯�,在高雜波(λ=100)、高量測誤差(δw=20 m)下,MM-LMB濾波器會將部分雜波錯判為目標,從而導致目標過估,本文算法仍能有效跟蹤目標。

MM-LMB單次實驗結果


本文編號：3623295