雷达机动目标航迹追踪数据关联问题算法研究
舰载指控系统雷达目标航迹信息融合算法研究
文章编号 ： ｌ ０ ｏ ６ — ９ ３ ４ ８ （ ２ ０ ｌ ６ ） ０ ３ 一 ｏ ０ ０ ９ 一 ｏ ４
计
算
机
仿
真
２ ０ １ ６ 年３ 月
舰 载 指 控 系统 雷 达 目标 航迹 信 息 融 合算 法研 究
刘 蜀 ， 侯 国超 ， 吉 玉洁
（ ９ １ ３ ３ ６部队 ， 河北 秦 皇岛 ０ ６ ６ ３ ２ ６ ） 摘要 ： 舰 载指控 系统 雷达 目标航迹信 息融合 通过对多信 息源 目标航迹 信息进行关联 ， 进而计算得 到融合 目标航 迹信息 。针 对计算机生 成兵力 中舰 载指控 系统雷达 目标 航迹信息融合算法如何设计 的问题 ， 首先 将来 自不同信 息源 的 目标航迹信息进
行两 两比对 ， 利用变权 加权 欧几里得距离计算方法确定两两 目标航迹信 息的差异度 ， 然后根据差异 度大小对 目 标 航迹信息 进行关联 ， 最后对关联 上的 目 标航 迹信息求 均值 ， 得 到融合 目标航迹信 息。实例分析证 明 ， 信息融合算 法能够 实现两坐标 、
三坐标雷达之 间 目标融 。
Ｌ Ｉ ｕ Ｓ ｈ ｕ，ＨＯＵ Ｇｕ ｏ — ｃ ｈ ａ ｏ ，Ｊ Ｉ Ｙｕ — ｉ ｉ ｅ
（ Ｕ ｎ ｉ ｔ ９ １ ３ ３ ６ ｏ ｆ Ｐ Ｌ Ａ，Ｑ ｉ ｎ ｈ ｕ ａ ｎ ｇ ｄ ａ ｏ Ｈ ｅ ｂ ｅ ｉ ０ ６ ６ ３ ２ ６， Ｃ ｈ ｉ ｎ ａ ）
．
ｆ ｅ ｒ ｍｅ ｔ ｈ ｏ ｄ ｏ ｌ ｏ ｇ ｉ ｃ ａ ｌ ｓ ｕ ｐ ｐ ｏ ￣ｔ ｏ ｓ ｉ ｍｕ ｌ ａ ｔ ｅ ｒ ａ ｄ ｒ ａ ｔ ｒｇ ａ ｅ ｔ ｆ ｕ ｓ ｉ ｏ ｎ ｏ ｆ ｓ ｈ ｉ ｐ ｂ ｏ ｒ ｎ ｅ Ｃ Ｉ ｓ ｙ ｓ ｔ ｅ ｍ．
基于聚类分析的雷达航迹跟踪数据关联算法
关 键词 ：ｃ均值 ；聚类 分析 ； 率数 据关联 算法 ；滤波算 法 ． 概
中图分类号 ：ｒ ３ １ Ｐ ９ 文 献标 识 码 ： Ａ
Ｄａｔ Ａｓ ｏｃ ａｔｏｎ Ａｌ ａ ｓ ｉ ｉ ｇｏｒｔ ｉｈｍ ｎ ｒ ｔ Ｔｒ ｋｉ ｏｃ ｓ ｆ Ｒａｄ ｉ Ｔａ ｇｅ ａｃ ｎｇ Ｐｒ ｅ ｓ ｏ ａｒ Ｂａ ｄ ｏｎ Ｃｌ ｔ ｒｎｇ Ａｎａ ｙ ｉ ｓｅ ｕｓ ｅ ｉ ｌ ｓｓ
的算法是 最近邻域 算 法 （ Ｎ ）该 方法 是 选择 波 门 ＮＳ，
内与 目标 预 测 位 置最 近 的量 测 作 为 目标 量 测 。在
强海 杂波 区域 、 回波 情 况 下 ， Ｎ 多 Ｎ Ｓ容 易造 成 量 测 点 和航迹关联 错误 ， 响 目标 的跟踪 稳定性 。 影
ＬｉＸｉ ｌ ｎ ｕｉ ｇ ａ
（ ｒ ｐ １０ ，ｅｐｅＳ ｉｅ ｔ ｎＡ ｙｏ ｈ ａＱｎ ｕｎｄｏ０６ ０ ， ｈ ａ Ｔｏ ｓ ４４ Ｐｏｌ ｂ ｒｉ ｒ ｆ ｉ ， ｉ ａｇａ ６ ０ １ Ｃ ｉ ） ｏ ９ Ｌ ａｏ ｍ Ｃｎ ｈ ｎ
Ａｂ ｔ ａ ｔ ｓ ｒ ｃ ：Ｄ ｔ ｓｏ ｉｔ ｎ ａｇ ｒｔｍ ｓｏ ｅ ｏ ｅ ｍｏ ｔ ｒ ｉ ａ ｔｃ ｎ ｌｇｅ ｎ ｒ ｄ ｒｄ ｔ ｐ ｏ ｅ ｓｎ ｙ — ａａ ａ ｓ ｃａｉ ｌｏ ｉ ｏ ｈ ｉ ｎ ｆ ｈ ｓ ｃ ｔ ｌ ｅ ｈ ｏｏ ｉｓｉ ａ ａ ａａ ｒ ｃ ｓｉ ｇ ｓ ｓ ｔ ｉ ｃ
时性 的要 求 ， 因此 限 制 了该 技 术 在 工 程 中 的应 用 。
最 近十几 年 ， 糊 聚类 理 论 在 模 式 识 别 中运 用 广 模 泛 ， 目标跟踪 系 统 中的数 据关 联 问题 也 可 以看 作 而 是量测 集合与 目标 分 类 问 题 。本 文 先 阐述 了概 率
雷达机动目标跟踪技术研究
雷达机动目标跟踪技术研究1.1 课题背景及目的目的跟踪效果实践上就是目的形状的跟踪滤波效果，即依据传感器已取得的目的量测数据对目的形状停止准确的估量[1]。
它是军事和民用范围中一个基本效果，牢靠而准确地跟踪目的是目的跟踪系统设计的主要目的。
在国防范围，目的跟踪可用于反弹道导弹的进攻、空防预警、战场区域监视、准确制导和高空突防等。
在民用范围，那么用于航空和空中交通控制、机器人的路途规划和阻碍规避、无人驾驶车的跟踪行驶、电子医学等。
作为迷信技术开展的一个方面，目的跟踪效果可以追溯到第二次世界大战的前夕，即1937年世界上出现第一部跟踪雷达站SCR-28的时分。
之后，许多迷信家和工程师不时努力于该项课题的研讨，各种雷达、红外、声纳和激光等目的跟踪系统相继失掉开展并且日趋完善。
运动目的的机动会使跟踪系统的功用好转，对机动目的停止跟踪是人们多年来不时关注的效果。
随着现代航空航天技术的飞速开展，机动目的在空间飞行的速度、角度、减速度等参数不时变化，使得目的的位置具有很强的相关性，因此，提高对这类目的的跟踪功用便成为越来越重要的效果，迫切需求研讨更为优越的跟踪滤波方法。
机动目的的跟踪研讨，已成为当今电子战的研讨热点之一。
明天，精细跟踪雷达不只普遍运用于各类武器控制和各类实验靶场，而且还普遍运用于各种空间探测、跟踪和识别范围，以及最先进的武器控制系统。
跟踪模型和婚配滤波是机动目的跟踪的两个关键局部，机动目的的准确跟踪在过去和如今都是一个难题，最基本缘由在于跟踪滤波采用的目的动力学模型和机动目的实践动力学模型不婚配，招致跟踪滤波器发散，跟踪功用严重下降。
本文将机动目的作为研讨对象，从目的的运动建模和婚配滤波算法入手，提出或修正跟踪算法，从而完成对机动目的的准确跟踪。
1.2 机动目的跟踪技术及其开展状况目的机动是指运动当中的目的，其运动方式在不时地发作变化，从一种方式变化为另一种方式，目的的运动能够从匀速到变速，也能够送直线到转弯，它的运动方式并不会从一而终。
雷达数据处理与目标跟踪算法研究
雷达数据处理与目标跟踪算法研究雷达技术作为无线电探测与测距的重要手段，在军事、航空航天、交通运输等领域发挥着重要作用。
随着雷达技术的不断发展，雷达数据处理与目标跟踪算法研究也变得日益重要。
本文将探讨雷达数据处理的关键技术，并介绍一些常用的目标跟踪算法。
首先，雷达数据处理是指对雷达接收到的信号进行预处理、分析和提取有用信息的过程。
雷达信号经过预处理后，通常需要进行目标检测和跟踪。
目标检测是指从雷达数据中找出目标的位置和速度信息，而目标跟踪则是指在多个时间点上连续追踪目标的运动轨迹。
在雷达数据处理中，常用的方法之一是脉压技术。
脉压技术是一种信号处理方法，能够提高雷达系统的距离分辨率和抗干扰能力。
通过对接收到的脉冲信号进行脉冲压缩，可以使目标信号的能量集中在一个更短的时间内，从而提高雷达的距离分辨率。
此外，脉压技术还可以通过对信号进行频谱分析来实现多目标探测。
除了脉压技术，频率多普勒处理也是雷达数据处理中的重要环节。
频率多普勒处理可以用来分析目标的运动状态和速度信息。
通过对接收到的信号进行频谱分析，可以提取出目标的多普勒频率特征，从而得到目标的速度信息。
在目标跟踪过程中，频率多普勒处理能够帮助确定目标的运动轨迹和预测目标的未来位置。
目标跟踪是雷达数据处理中的一个关键环节，常用的目标跟踪算法有卡尔曼滤波、粒子滤波和相关滤波等。
卡尔曼滤波是一种基于状态空间模型的递推滤波算法，广泛应用于雷达目标跟踪。
它通过对目标状态的预测和测量结果的修正来实现目标跟踪，能够有效地处理噪声和不确定性。
粒子滤波是一种基于随机采样的非参数滤波算法，它通过对目标状态进行随机采样并计算权重来实现目标跟踪。
相关滤波是一种基于目标图像与观测图像之间相关性的滤波算法，它能够在复杂环境下有效地跟踪目标。
除了上述算法，深度学习也被应用于雷达数据处理与目标跟踪中。
深度学习通过构建大规模神经网络模型，能够学习和提取雷达数据中的特征，并实现高精度的目标检测和跟踪。
基于聚类分析的雷达航迹跟踪数据关联算法
基于聚类分析的雷达航迹跟踪数据关联算法雷达航迹跟踪是指通过雷达系统获取目标航迹数据，并对目标进行跟踪和预测。
为了提高雷达航迹跟踪的准确性和可靠性，可以使用基于聚类分析的关联算法。
基于聚类分析的雷达航迹跟踪数据关联算法首先会对雷达航迹数据进行聚类，将相似的航迹点归为一类。
聚类分析基于数据点之间的相似性进行分类，目标是找到可以将数据点划分为不同组别的聚类中心。
常用的聚类算法包括K-means算法、DBSCAN算法等。
在雷达航迹跟踪中，聚类分析可以识别具有相同飞行模式的目标。
例如，在一段时间内，来自同一飞机的航迹点趋于聚集，而来自不同飞机的航迹点可能分散在不同的区域。
通过将相似的航迹点聚类在一起，可以识别出同一航班的航迹点，从而实现雷达航迹的跟踪和关联。
聚类分析的关联算法可以通过以下步骤实现：1.数据预处理：将原始雷达航迹数据进行预处理，包括去除异常值、平滑航迹数据等。
2.聚类分析：使用聚类算法对预处理后的雷达航迹数据进行聚类。
根据问题的需求和数据特点选择合适的聚类算法，并设置合适的参数。
3.聚类评估：评估聚类结果的质量，包括内部评估和外部评估。
内部评估使用聚类结果内部的统计指标来评估聚类的紧密度和分散度。
外部评估使用外部信息来评估聚类结果的正确性，例如与实际目标航迹进行对比。
4.跟踪关联：根据聚类结果进行目标跟踪的关联。
将同一航班的航迹点关联在一起，并更新目标的预测位置。
5.跟踪预测：基于聚类分析的关联结果，进行目标的位置预测。
根据目标的历史位置和速度信息，使用预测算法对目标的未来位置进行预测。
6.更新关联：在每个时间步骤中，根据更新的雷达航迹数据和预测的目标位置，重新进行聚类分析和关联，保持目标航迹跟踪的准确性和实时性。
基于聚类分析的雷达航迹跟踪数据关联算法可以提高雷达航迹跟踪的准确性和可靠性。
通过将相似的航迹点聚类在一起，可以实现航迹的关联和预测，从而提供更准确的航迹跟踪结果。
同时，该算法可以根据目标的飞行模式进行自适应的聚类和关联，适用于不同类型的目标跟踪任务。
基于雷达技术的目标跟踪与定位算法研究
基于雷达技术的目标跟踪与定位算法研究引言：雷达技术作为一种常用的无线电技术，广泛应用于目标跟踪与定位领域。
目标跟踪与定位是一项重要的技术，可以在军事、航空、海洋、交通以及智能安防等领域中发挥重要作用。
该领域的研究对提升目标识别、目标追踪和场景感知能力具有重要意义。
本文将针对基于雷达技术的目标跟踪与定位算法进行研究探讨。
一、雷达技术的基本原理雷达（RAdio Detection And Ranging）利用电磁波的反射原理，通过发射电磁波并接收其反射信号，来实现对目标物体的距离、角度和速度等信息的获取。
1.1 雷达工作原理雷达系统由发射器、接收器、信号处理装置和显示/记录装置组成。
首先，雷达发射器产生一束电磁波，并将其向目标物体发送。
目标物体被电磁波照射后，会反射一部分能量，形成回波信号。
这些回波信号会被雷达接收器接收并转化为相应的电信号。
然后，通过信号处理装置对接收到的信号进行处理，提取目标物体的相关信息。
最后，通过显示/记录装置将目标物体的信息进行展示或记录。
1.2 目标跟踪与定位问题目标跟踪与定位问题是指在雷达系统中，通过对目标物体的回波信号进行处理，实现对目标物体的追踪与定位。
该问题的目标是确定目标物体的位置坐标、运动状态以及其他相关特征。
二、雷达目标跟踪算法的分类2.1 基于单一雷达的目标跟踪基于单一雷达的目标跟踪算法主要通过分析回波信号的特征，实现对目标物体的位置和运动状态的估计。
常见的算法包括卡尔曼滤波、粒子滤波以及扩展卡尔曼滤波等。
其中，卡尔曼滤波是一种常用的线性滤波算法，在实时性和准确性方面具备优势，被广泛应用于目标跟踪领域。
2.2 基于多雷达的目标跟踪基于多雷达的目标跟踪算法通过融合多个雷达的观测数据，提高目标跟踪的精度和稳定性。
常见的算法包括多普勒频移法、关联滤波法和最大似然法等。
多普勒频移法通过分析雷达接收到的多普勒频移特征，实现对目标速度的估计。
关联滤波法通过对多个雷达观测到的目标进行关联处理，提高跟踪的准确性。
基于卡尔曼滤波的雷达航迹跟踪算法的综述
基于卡尔曼滤波的雷达航迹跟踪算法的综述1. 引言1.1 背景介绍雷达航迹跟踪是无人系统、航空航天、军事等领域中的重要问题。
随着雷达技术的不断发展和应用，对高效准确的航迹跟踪算法的需求也变得日益迫切。
传统的雷达航迹跟踪算法存在着一些问题，如对目标动态特性变化适应性差、对目标运动模型假设严苛等。
基于卡尔曼滤波的雷达航迹跟踪算法凭借其良好的性能和广泛的应用，成为当前研究的热点之一。
1.2 研究目的本文旨在对基于卡尔曼滤波的雷达航迹跟踪算法进行全面的综述和分析。
具体来说，研究目的主要包括以下几点：通过对卡尔曼滤波原理和雷达航迹跟踪算法的详细介绍，帮助读者全面理解这一领域的基础知识和研究现状。
通过对基于卡尔曼滤波的雷达航迹跟踪算法进行优缺点分析，探讨该算法在实际应用中的表现和局限性，为相关领域的研究者提供参考和借鉴。
讨论该算法在不同应用领域的具体运用情况，探索其在不同场景下的适用性和效果。
对当前相关研究进展进行梳理和总结，指出该领域目前存在的问题和挑战，展望未来的研究方向和发展趋势。
通过这些研究目的，本文旨在为读者提供一份全面而深入的基于卡尔曼滤波的雷达航迹跟踪算法综述，促进该领域的进一步研究和应用。
2. 正文2.1 卡尔曼滤波原理卡尔曼滤波原理是一种用于估计系统状态的优化算法。
它基于系统的动态模型和传感器的测量数据，通过不断更新状态估计值来实现对系统状态的精确跟踪。
卡尔曼滤波算法主要包括两个关键步骤：预测和更新。
在预测步骤中，根据系统的动态模型和上一时刻的状态估计值，通过运算得到系统在当前时刻的状态的预测值以及与之相关的状态协方差矩阵。
这一步骤主要利用系统的动态行为来预测系统的状态。
卡尔曼滤波原理通过不断地将动态模型的预测值和传感器的测量值进行融合，实现对系统状态的最优估计，从而在航迹跟踪等应用中发挥重要作用。
2.2 雷达航迹跟踪算法雷达航迹跟踪算法是指通过对雷达返回的目标信号进行处理和分析，从而确定目标的航迹信息。
雷达跟踪算法论文目标跟踪算法论文
雷达跟踪算法论文目标跟踪算法论文雷达多目标跟踪算法摘要:文章简述了雷达多目标跟踪系统中状态估计和航迹数据关联两大问题的研究现状并对主流算法进行分析对比。
状态估计问题主要分析了线性滤波及非线性滤波的主流算法。
数据关联问题主要分贝叶斯类和最大似然概率类进了行讨论分析。
关键词:雷达；目标跟踪；卡尔曼滤波；数据关联1引言将数学算法引入到雷达系统，已经有百年历史，雷达数据处理方法始于高斯将最小二乘算法应用于神谷星的轨道预测，随后R.A.Fisher的极大似然估计法、N.Wiener的维纳滤波法都曾给雷达数据处理带来巨大变革，而由Kalman滤波逐步完善而来的卡尔曼滤波估计理论已经在雷达数据处理中占有非常重要的地位。
雷达目标跟踪算法主要有状态估计、航迹点迹处理两个部分。
2状态估计状态估计是对目标过去的运动状态进行平滑、对目标现在运动状态进行滤波以及对目标未来的运动状态进行预测的方法。
2.1线性滤波算法在所有的线性形式的滤波器中，线性均方估计滤波器是最优的。
线性均方误差准则下的滤波器包括：维纳滤波器和卡尔曼滤波器，稳态条件下两者是一致的，但卡尔曼滤波器适用于有限观测间隔的非平稳问题，它是适合于计算机计算的递推算法。
[1]表1列出详细对比。
2.2 非线性滤波无源探测系统不能测距，欲获得目标状态良好估计需用到非线性滤波方法，包括扩展卡尔曼滤波（EKF）、不敏卡尔曼滤波（UKF）及粒子滤波（PF）[2]。
表二列出了详细对比分析。
由以上对比可知，速度上，EKF具有明显优势，但当系统的非线性强度增大导致线性化误差增大时，EKF的估计精度下降，甚至发散；精度上UKF和PF性能相似，但就计算量而言PF远远超过UKF[3]。
综上，在一般的非线性高斯环境中宜采用UKF，在更复杂的非高斯环境中，PF将具有更广泛的应用前景。
3 多目标跟踪多目标跟踪的基本方法，可以分为极大似然类数据关联算法和贝叶斯类数据互联算法。
极大似然类数据关联算法包括人工标图法、航迹分叉法、联合极大似然算法、0-1整数规划法、广义相关法等。
雷达机动目标运动模型与跟踪算法研究.pdf.doc(正规版)
提交论文日期
工学学科、专业
信号与信息处理
2021年4月
作者简介
刘昌云，四川泸州人。1996年毕业于空军导弹学院，获
学士学位。2002年毕业于空军工程大学导弹学院，获硕士
学位。2021年8月考入西安电子科技大学雷达信号处理国
家重点实验室攻读博士学位。
导师：水鹏朗教授
主要研究方向：时频信号处理和机动目标跟踪。
基于此原因，提出了一种融合不敏变换〔UT〕和扩展卡尔曼滤波的目标跟踪方法，
该方法主要通过把UKF中状态协方差以及状态和测量值的互协方差的多项矢量相
乘转换成多个相加的计算，从而有效减少算法的运算时间。该算法融合UT变换的
多样性Sigma粒子的特点以及EKF的运算时间快的特点，既保存了较好的滤波跟
踪精度，又具有较少的运算时间。〔2〕自适应不敏扩展卡尔曼滤波跟踪算法。在
be realized, such as target threat estimation, command decisions, and so on, which are
based on stable tracking data of the target. For the emergence of new tracking targets
不敏扩展卡尔曼滤波过程中，利用残差信息，采用指数衰减和遗忘因子的方式实
I
雷达机动目标运动模型与跟踪算法研究
时估计和修正两个噪声协方差，实现噪声协方差的自适应估计。实验说明这两种
算法具有比UKF较好的跟踪精度，又具有较少的运算时间。
在提高模型概率估计准确性方面，提出了一种基于模型概率修正的交互多模
型算法。交互多模算法在计算滤波后的状态信息时，加权因子〔即模型概率〕的
改进的组网雷达目标跟踪数据关联算法
有 源 雷 达 与元 源 侦 察 装 备 协 同 的数 据 关 联 进 行 改 良 。通 过 仿 真 比较 得 出改 进 算 法 不 仅 可 以对 目标 成 功 地进 行 跟 踪 ． 低 目标 降 位 置 均 方 根 误 差 ， 且 运算 时 间要 比传 统 的 Ｊ Ｄ 大 为 缩 短 ， 证 了算 法 的 有效 性 。 而 ＰＡ 验
Ｖｏ ． ３ ， ． １ ７ Ｎｏ ５
Ｍ ａ ２０ Ｚ ｙ， １
火 力 与 指 挥 控 制
ＦｉｅＣｏ ｔｏ ｒ ｎ ｒ ｌ＆ Ｃｏｍｍａ ｄ Ｃｏ ｔｏ ｎ ｎｒｌ
第 ３ ７卷 第 ５期 ２１ ０ ２年 ５月
文章 编 号 ： ０ ２Ｏ ４ （ Ｏ ２ Ｏ — ０ ０ ０ １０ 一６ Ｏ ２ １ ）５０ ２—４
ａ ｔｖ ｒ ｄａ ｓ ｏ ｐ ｒ ｔ ｄ ｃ ｉ ｅ ａ ｒ ｃ ｏ ｅ ａ ｅ ｗｉｈ ａ ｓｖ ｅ ｅ ｔ ｏ ｃ ｅ ｏｎ ｉｓ ｎｃ ｅ ｕｉ ｔ ｐ ｓ ｉ ｅ ｌｃ ｒ ｎｉ ｒ ｃ ｎａ ｓ ａ ｅ ｑ ｐｍｅｎ ． Ｔｈｅ ｅ ｕｌｓ ｔ ｒ ｓ ｔ ｏｆ ｏｍｐｕ ｅ ｃ ｔｒ ｓｍ ｕ ａｔｏ ｓ ｗ ｔ ａ ｔ ｅ ｅ ｉ ｌ ｉ ｎ ｈｏ ｈ ｔ ｈ ｎ ｗ ｍｅ ｈｏ ｔ ｔ ｄ ｎｏ ｏｎ ｙ ａ ｔ ａ ｅ ａ ｇ ｔ ｕ ｃ ｓ ｆ ｌ ｌ ｃ ｎ ｒ ｃ ｔ ｒ ｅ ｓ ｃ ｅ ｓ ｕｌｙ， ｄ ｃ ｅ ｓ ｔ ｒ ｅ ｐ ｉｉ ｎ ｅ ｒ ａ ｅ ａ ｇ ｔ ｏｓｔｏ
关 键 词 ： 网雷 达 ， 目标 干 扰 ， 据 关 联 组 假 数
雷达航迹处理算法研究 陈娟
雷达航迹处理算法研究陈娟雷达航迹处理是从每一时刻雷达探测到的点迹中找出目标的运动轨迹并对目标的运动进行跟踪或预测。
雷达航迹处理主要包括雷达航迹起始、雷达航迹数据关联和雷达航迹跟踪滤波。
雷达航迹起始的工作是从众多的点迹中建立目标运动的航迹；雷达航迹数据关联决定如何从多个候选回波中找出最可能的那个回波作为目标点；雷达航迹跟踪滤波根据已有的航迹推测下一个目标点的位置。
本文对各种算法进行了仿真实验，分析了各种算法的性能。
关键词：雷达航迹处理；航迹起始；航迹数据关联；航迹跟踪滤波；引言：雷达航迹起始是目标进入雷达监测范围（被检测到）到建立航迹的过程。
航迹起始是雷达航迹处理的重要问题，如果航迹起始都不正确，那就更加没有办法实现航迹的正确跟踪。
航迹起始的主要任务是在安静或嘈杂环境下建立目标航迹，一般来说，安静环境下的航迹起始更加容易完成，嘈杂环境下的航迹起始更加复杂。
在实际应用中，考虑到战场环境较为复杂，可能的航迹的数量太多，为了保证航迹起始的速度和效率问题，最常用的是直观法和逻辑法。
其他的航迹起始算法，因其复杂度较高或需要先验知识，很少能够应用在实际工程中。
一、雷达航迹处理的基本概念雷达航迹处理的输入是雷达下发过来的点迹的集合，处理完成后输出的是航迹的集合。
一般来说，雷达航迹处理包括点迹预处理，航迹起始和航迹终结，数据互联，航迹滤波等部分，而在航迹起始，航迹终结，数据互联，航迹滤波中，有涉及到数据预处理和波门的概念。
1，常用的坐标系量测的预处理很大一部分内容是坐标系的变换，下面介绍各种坐标系。
1.1 大地雷达测量坐标系大地雷达测量坐标系在航迹的数据处理里面是一种比较常用的坐标系，是以雷达天线为坐标原点建立的一个直角坐标系，Z 轴为垂直于雷达处的地面，指向天顶；Y 轴指向北极；X 轴按右手准则指向东，即通常所说的“北天东坐标系”。
1.2雷达极坐标系（或称雷达测量坐标系）目标在匀速直线运动或者匀加速直线运动的时候在大地雷达测量坐标系中外推和和滤波都是线性运算，此时便于计算。
雷达目标跟踪技术的研究与应用
雷达目标跟踪技术的研究与应用雷达技术在军事、民用等领域得到了广泛应用。
而在雷达目标跟踪技术中，目标跟踪算法是重要的研究方向之一。
其核心目标是通过处理雷达信号数据，追踪目标的时间、位置、速度、航迹以及特征等信息。
因此，遵循这一目的的相关研究已成为雷达目标跟踪技术的重要部分。
下面将从算法原理、算法类型、算法的发展趋势和应用范围四个方面来深入探讨雷达目标跟踪技术的研究现状和应用前景。
一、算法原理雷达目标跟踪算法主要由两个部分构成：目标检测和航迹关联。
目标检测通常使用信号处理、应用波束形成技术和目标特征提取方法等技术对雷达信号数据进行处理，以检测出雷达监测区域内的目标。
而在确定目标的位置和速度之后，航迹关联被用来将目标的位置和航向以及其它特征与之前和之后组成单个目标的所有测量值相关联。
一旦航迹被形成，轨迹预测算法可以使用历史航迹和其他信息来预测未来的位置和速度。
二、算法类型常见的雷达目标跟踪算法有多种类型，例如基于滤波的卡尔曼滤波、无融合数据信息滤波、多假设跟踪滤波、粒子滤波和迭代最近点（ICP）等。
这些算法的特点和应用各有不同，选择什么样的算法主要取决于实际应用的要求。
基于滤波的卡尔曼滤波是最基本的目标跟踪算法之一，其使用统计模型预测目标的位置和速度。
在传感器测量值的基础上，利用贝叶斯滤波器对目标进行航迹预测和更新，以后验概率作为滤波算法的输出。
无融合数据信息滤波技术是一种用于测量数据融合的先进方法，其核心思想是将来自不同传感器的信息组合起来，以达到更好的目标跟踪效果。
这种方法通常采用的是卡尔曼滤波器或再生滤波器等。
多假设跟踪滤波算法的原理是在未知的真实环境中生成多个卡尔曼滤波器，然后筛选出最合适的假设，从而跟踪目标并预测其位置。
在多假设跟踪滤波的过程中，通常会在多个假设中筛选出一个最优解，并利用每个假设的权值和后验概率作为系统输出。
粒子滤波是一种常用的非线性跟踪滤波算法。
其核心原理是利用状态样本来估计后验概率密度，从而实现跟踪目标的位置和速度，同时也可以有效地处理非线性、非高斯分布的系统。
《高频地波雷达海上目标航迹探测算法研究》范文
《高频地波雷达海上目标航迹探测算法研究》篇一一、引言随着现代海运和海洋开发活动的不断增加，海上交通监控和安全防护成为了重要议题。
高频地波雷达作为一种重要的海洋探测手段，其在海上目标航迹探测方面具有独特优势。
本文将针对高频地波雷达海上目标航迹探测算法进行深入研究，以期为提升海洋安全管理和航行辅助提供技术支撑。
二、高频地波雷达技术概述高频地波雷达是一种利用电磁波在地球表面传播特性进行目标探测的雷达系统。
其通过向海面发射高频电磁波，利用反射回来的信号对海上目标进行定位和跟踪。
相较于其他类型的雷达，高频地波雷达具有较高的定位精度和低虚警率的特点，适用于复杂的海洋环境。
三、航迹探测算法研究（一）算法基本原理航迹探测算法是高频地波雷达系统中的关键技术之一。
该算法通过分析雷达接收到的回波信号，提取出目标的位置信息，并利用一定的算法对多个位置点进行连接，形成目标的航迹。
这一过程涉及到信号处理、数据分析和模式识别等多个领域的技术。
（二）算法研究内容1. 信号处理：对接收到的回波信号进行滤波、放大和数字化处理，以提高信噪比和信号质量。
2. 目标检测与提取：通过设置合适的阈值和算法，从处理后的信号中检测出目标并提取其位置信息。
3. 航迹形成与跟踪：利用目标的位置信息，通过一定的跟踪算法将多个位置点连接起来形成航迹，并对航迹进行平滑处理以减少误差。
4. 算法优化与改进：针对不同的海洋环境和目标特性，对算法进行优化和改进，以提高探测精度和效率。
四、算法应用及效果分析（一）应用领域高频地波雷达海上目标航迹探测算法广泛应用于海上交通监控、渔业管理、海洋环境监测等领域。
通过该算法，可以实现对海上目标的实时定位和跟踪，为相关领域提供有力的技术支持。
（二）效果分析通过大量的实验和实际应用数据表明，高频地波雷达海上目标航迹探测算法具有较高的探测精度和稳定性。
在复杂的海洋环境中，该算法能够准确提取出目标的位置信息，并形成清晰的航迹，为相关领域的决策提供重要依据。
《高频地波雷达与AIS船只目标航迹关联方法研究》范文
《高频地波雷达与AIS船只目标航迹关联方法研究》篇一高频地波雷达与S船只目标航迹关联方法研究一、引言随着现代航运业的快速发展，船舶的监控与导航系统变得越来越重要。
其中，高频地波雷达（High Frequency Surface Wave Radar）与自动识别系统（Automatic Identification System，简称S）在船只监控中起到了关键作用。
高频地波雷达能够提供广阔的覆盖范围和较高的分辨率，而S则能够提供船只的详细信息。
然而，如何有效地将高频地波雷达探测到的船只目标与S数据进行航迹关联，成为了一个重要的研究课题。
本文将重点研究高频地波雷达与S船只目标航迹关联方法。
二、高频地波雷达与S系统概述高频地波雷达是一种利用高频电磁波探测地表附近目标的技术。
其优点是探测范围广、分辨率高，能够在复杂海洋环境中对船只进行准确监测。
然而，由于高频地波雷达只能提供船只的位置信息，无法直接获取船只的详细信息。
S系统则是一种通过船舶自动发送其航行状态、位置、身份等信息，供其他船舶和岸基设施接收的系统。
S系统为船舶提供了实时的信息交互平台，使船舶之间的避碰和海上交通管理变得更加便捷。
三、航迹关联方法研究（一）数据预处理在进行航迹关联之前，需要对高频地波雷达和S数据进行预处理。
预处理的目的是去除噪声、修正误差、提取有效信息等。
对于高频地波雷达数据，需要进行信号处理和目标识别；对于S 数据，需要进行数据清洗和格式化处理。
（二）航迹初始化在完成数据预处理后，需要利用高频地波雷达探测到的船只目标信息进行航迹初始化。
航迹初始化包括设定航迹起始点、预测航向和航速等参数。
这一步骤对于后续的航迹关联至关重要。
（三）航迹关联算法航迹关联算法是高频地波雷达与S船只目标航迹关联的核心。
常见的航迹关联算法包括最近邻法、概率数据关联法、联合概率数据关联法等。
这些算法主要通过计算雷达探测到的目标与S船只目标之间的相似度或距离，实现航迹的关联。
《高频低波雷达与AIS航迹跟踪算法研究》范文
《高频低波雷达与AIS航迹跟踪算法研究》篇一高频低波雷达与S航迹跟踪算法研究一、引言随着现代航海技术的快速发展，雷达与自动识别系统（S）的融合应用在船舶交通管理、海洋环境监测以及海上安全等领域发挥着越来越重要的作用。
其中，高频低波雷达和S航迹跟踪算法是当前研究的热点。
本文将重点研究高频低波雷达的特点及其与S航迹跟踪算法的结合应用，以期提高航海安全和效率。
二、高频低波雷达概述高频低波雷达是一种利用高频电磁波进行探测的雷达系统，具有探测距离远、分辨率高、抗干扰能力强等优点。
其工作原理是通过发射高频电磁波并接收反射回来的信号，从而获取目标的位置、速度等信息。
在海上交通管理中，高频低波雷达可用于船舶避碰、航道监控、海洋环境监测等任务。
三、S航迹跟踪算法S（Automatic Identification System）是一种船舶自动识别系统，通过该系统，船舶可以实时向其他船舶和岸基管理机构发送自身的航行信息，如船位、航速、航向等。
S航迹跟踪算法则是利用S数据，通过一定的算法对船舶航迹进行跟踪和预测。
该算法可以有效地提高航海安全和效率，降低海上交通事故的发生率。
四、高频低波雷达与S航迹跟踪算法的结合应用高频低波雷达与S航迹跟踪算法的结合应用，可以实现海上交通的全方位监控和航迹精确跟踪。
具体而言，可以通过以下步骤实现：1. 数据融合：将高频低波雷达探测到的数据与S数据进行融合，形成更为完整、准确的目标信息。
2. 目标识别：利用雷达图像处理技术和模式识别算法，对融合后的数据进行目标识别和分类。
3. 航迹跟踪：通过S航迹跟踪算法，对识别出的目标进行航迹跟踪和预测，为航海决策提供支持。
4. 预警与避碰：根据航迹预测结果，及时发出预警信息，协助船舶进行避碰操作，提高航海安全。
五、研究进展与展望目前，高频低波雷达与S航迹跟踪算法的结合应用已成为研究热点。
国内外学者在数据融合、目标识别、航迹预测等方面取得了显著的成果。
雷达机动目标跟踪技术研究
雷达机动目标跟踪技术研究1 绪论1.1 课题背景及目的目标跟踪问题实际上就是目标状态的跟踪滤波问题，即根据传感器已获得的目标量测数据对目标状态进行精确的估计[1]。
它是军事和民用领域中一个基本问题，可靠而精确地跟踪目标是目标跟踪系统设计的主要目的。
在国防领域，目标跟踪可用于反弹道导弹的防御、空防预警、战场区域监视、精确制导和低空突防等。
在民用领域，则用于航空和地面交通管制、机器人的道路规划和障碍躲避、无人驾驶车的跟踪行驶、电子医学等。
作为科学技术发展的一个方面，目标跟踪问题可以追溯到第二次世界大战的前夕，即1937年世界上出现第一部跟踪雷达站SCR-28的时候。
之后，许多科学家和工程师一直努力于该项课题的研究，各种雷达、红外、声纳和激光等目标跟踪系统相继得到发展并且日趋完善。
运动目标的机动会使跟踪系统的性能恶化，对机动目标进行跟踪是人们多年来一直关注的问题。
随着现代航空航天技术的飞速发展，机动目标在空间飞行的速度、角度、加速度等参数不断变化，使得目标的位置具有很强的相关性，因此，提高对这类目标的跟踪性能便成为越来越重要的问题，迫切需要研究更为优越的跟踪滤波方法。
机动目标的跟踪研究，已成为当今电子战的研究热点之一。
今天，精密跟踪雷达不仅广泛应用于各类武器控制和各类实验靶场，而且还广泛应用于各种空间探测、跟踪和识别领域，以及最先进的武器控制系统。
跟踪模型和匹配滤波是机动目标跟踪的两个关键部分，机动目标的精确跟踪在过去和现在都是一个难题，最根本原因在于跟踪滤波采用的目标动力学模型和机动目标实际动力学模型不匹配，导致跟踪滤波器发散，跟踪性能严重下降。
本文将机动目标作为研究对象，从目标的运动建模和匹配滤波算法入手，提出或修正跟踪算法，从而实现对机动目标的精确跟踪。
1.2 机动目标跟踪技术及其发展状况目标机动是指运动当中的目标，其运动方式在不断地发生变化，从一种形式变化为另一种形式，目标的运动可能从匀速到变速，也可能送直线到转弯，它的运动方式并不会从一而终。
汽车雷达多目标跟踪的模糊数据关联
2003103汽车雷达多目标跟踪的模糊数据关联*党宏社 韩崇昭(西安交通大学,西安 710049)[摘要] 介绍了一种量测(新测目标)到目标(已知目标)之间的模糊数据关联方法,将模糊聚类均值方法和决策逻辑方法相结合,利用M ahalanobis 距离代替聚类运算中的欧氏距离,使量测与目标预测值之间的相似性度量更准确,应用决策逻辑确定量测与目标预测值的关联关系。
仿真表明这种方法简单,在杂波环境下,有较高的跟踪精度,这种方法可以用于道路条件下,基于汽车雷达的多目标的可靠跟踪。
叙词:汽车雷达,多目标跟踪,模糊数据关联Fuzzy Data Association in Automotive Radar M ult-i target T rackingDang Hongshe &Han C hongzhaoXi .an Jiaotong Univ ersity ,Xi .an 710049[Abstract] A method of fuzzy data association betw een the measurement and the prediction of object is proposed in this paper,based on the combination of fuzzy clustering means algorithm and decision logic alg o -rithm.The Euclidean distance measure is replaced w ith Mahalanobis distance m easure in fuzzy clustering meansalgorithm ,making the similarity between the measurement and the prediction more accurate,and the decision logic algorithm is used for determining the association relation.Sim ulation results show that the proposed method is sim ple,and its tracking accuracy in heav ily cluttered condition is high.The method can be used for tracking mult-i target on road w ith automotive radar.Keywords:Automotive radar,Mult-i target tracking,Fuzzy data association*国家重点基础研究发展规划资助项目(2001CB309403)原稿收到日期为2002年10月24日,修改稿收到日期为2003年1月3日。
机动目标跟踪状态估计与数据关联技术的研究的开题报告
机动目标跟踪状态估计与数据关联技术的研究的开题报告一、选题背景随着现代计算机技术的快速发展，机器视觉技术逐渐成为了军事、安防、交通、医疗等领域的核心技术之一。
在实际应用中，机动目标跟踪状态估计与数据关联技术是机器视觉中一个重要的研究领域，它广泛应用于目标跟踪、目标识别、智能监控等多个领域。
本研究旨在深入研究机动目标跟踪状态估计与数据关联技术，并运用该技术解决实际问题，为相关领域的发展和进步做出贡献。
二、研究目的1. 深入研究机动目标跟踪状态估计与数据关联技术的理论基础，掌握该技术的研究进展和最新成果。
2. 利用机动目标跟踪状态估计与数据关联技术，开发实用型应用，将该技术应用于军事、安防、交通、医疗等领域，并探索其应用前景。
三、研究内容1. 机动目标跟踪状态估计的数学模型和算法研究。
2. 机动目标的特征描述方法和跟踪算法研究。
3. 基于数据关联的目标跟踪算法研究。
4. 机动目标跟踪状态估计与数据关联技术的仿真实验与应用研究。
四、预期研究成果1. 提出适用于机动目标跟踪状态估计和数据关联技术的数学模型和算法，并通过实验验证其准确性和鲁棒性。
2. 开发出基于机动目标跟踪状态估计与数据关联技术的实用型应用，可在军事、安防、交通、医疗等领域得到广泛应用。
3. 发表高质量的论文和专利，探索该技术的应用前景和发展趋势。
五、研究计划1. 第一年：调研机动目标跟踪状态估计与数据关联技术的研究现状和发展趋势，深入研究数学模型和算法，并初步尝试开发实用型应用。
2. 第二年：在第一年的基础上，进一步深入研究机动目标跟踪状态估计与数据关联技术，完善数学模型和算法，开发高质量的实用型应用，并进行仿真实验。
3. 第三年：对已有成果进行总结，撰写论文并发表，同时申请专利，探索机动目标跟踪状态估计与数据关联技术的应用前景和发展趋势。
六、研究意义机动目标跟踪状态估计与数据关联技术与现代计算机技术的发展密不可分，其在实际应用中具有重要的地位和作用。
机动目标跟踪技术研究
机动目标跟踪技术研究摘要：机动目标跟踪理论在国防和民用等领域具有重要的应用价值。
本文重点研究机动目标的建模和非线性系统的滤波的问题。
滤波算法是机动目标跟踪过程中一个重要的组成部分。
在对机动目标建模后，通过滤波算法对模型中的状态向量进行预测和估计。
本文首先在估计理论和方法的基础上引入了在线性系统中最常用和最基础的卡尔曼滤波算法。
然后针对本文所研究的问题，介绍了传统的非线性系统滤波算法扩展卡尔曼滤波算(EKF)，重点研究了无迹卡尔曼滤波算法(UKF)。
由于扩展卡尔曼滤波在滤波过程中首先要对非线性系统的模型进行线性化处理，因此就需要引入线性化误差，而无迹卡尔曼滤波是一种新的专门针对非线性系统的滤波算法，具有实现简单、通用性强，性能稳定等特点。
最后，在机动目标选定运动模型和滤波算法的基础上，对机动目标的运动作了仿真实验。
从仿真分析中可以看出，与传统的扩展卡尔曼滤波算法相比较，无迹卡尔曼滤波算法有较小的跟踪误差，较高的跟踪精度。
关键词：非线性系统滤波；机动目标；扩展卡尔曼滤波；无迹卡尔曼滤波Research on Tracking of Maneuvering TargetsAbstract：The problems of building the model of the maneuvering target tracking and thefiltering of the nonlinear systems are studied mainly.Meanwhile，the related simulation experiments are done on the base of the theory introduced.The filtering algorithm is a important part in the process of tracking the maneuvering target.After the model of the maneuvering target is confirmed，the vector of the state will be predicted and estimated through the filtering algorithm.The usual and basic Kalman filtering algorithm is introduced on the base of the theories and the methods of the estimation.Aiming at the studied problem,the traditional filtering algorithms of the nonlinear system named the Extended Kalman Filtering are introduced.the Unscented Kalman Filtering is introduced mostly.Because the model of the nonlinear system firstly must be linearized in the progress of the Extended Kalman Filtering，the error introduced in the progress of linearization is unavoidable.However，the Unscented Kalman Filtering is a new algorithm which study specially the nonlinear system and have some traits such as the realization easily，comprehensive application，stable performance and so on.With a view to the accuracy of tracking，the application of the Unscented Kalman Filtering in the Tracking to the maneuvering target is studied mainly.At last，according to the model and the filter algorithm，the simulation experiments about the movement of the maneuvering target is done.To the conclude from the analyses of the simulation，the Unscented Kalman Filtering has high accuracy in tracking.With the comparison to the Extended Kalman Filtering，the Unscented Kalman Filtering has the less error of the tracking.Keywords：nonlinear system filtering；maneuvering target；Extended Kalman Filtering(EKF)；Unscented Kalman Filtering(UKF)目录第一章绪论 (1)1.1本文研究的目的与意义 (1)1.2目标跟踪算法的研究现状 (1)1.3单机动目标跟踪的基本原理 (4)1.4机动检测与机动辨识 (5)1.5本文所要研究的工作及论文结构安排 (5)第二章机动目标运动模型 (7)2.1概述 (7)2.2坐标系的建立 (7)2.3常用的机动目标运动模型 (9)2.3.1机动目标运动模型概述 (9)2.3.2常速和常加速模型 (9)2.3.3一阶时间相关模型(singer模型) (10)2.3.4“当前”统计模型 (11)2.4量测模型 (13)2.4.1量测坐标系的选择 (13)2.4.2量测模型的表示 (13)2.5本章小结 (15)第三章卡尔曼滤波算法及非线性系统滤波算法 (16)3.1概述 (16)3.2卡尔曼滤波 (16)3.3非线性系统的滤波 (18)3.3.1扩展卡尔曼滤波(EKF) (19)3.3.2 UKF滤波 (21)3.3.2.1 UT变换 (21)3.3.2.2 UKF (23)3.6本章小结 (26)第四章基于UKF滤波算法的单机动目标跟踪 (27)4.1运动模型的推导 (27)4.2机动目标跟踪中的UKF滤波算法 (29)4.3基于CA模型的UKF滤波算法的仿真试验 (31)4.4本章小结 (32)第五章总结与展望 (33)5.1总结 (33)5.2展望 (33)致谢................................ 错误！未定义书签。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
对系数 a j 进行最小二乘估计 a j ，可由下式求解：
A ( P T P ) 1 P T X
式中：
1 0 a a1 1 A , P a m 1 1 1 am
of adaptive window and prediction algorithm is put forward. Is the window of the region beginning, will be the first data to target a, the second data to target two, at the back of the data by using clustering analysis method of small scale, extract the classification of 6 sets of data as the initial data. Because the target path overlapping and separation, need to add window section analysis data trends. For the add window location and size, can be identified by the root mean square error of adaptive trajectory dots. At the same time, have to solve the data correlation data points are available, and forecast the data points movement trend, can be carried out on the next data classification. Programming to realize the algorithm, the classification effect is considerable. For different target trajectory, the target trajectory polynomial fitting, and the target track. Key words： polynomial prediction window multi-target tracking data association self-adaptive prediction algorithm by adding
2
雷达机动目标航迹追踪数据关联问题算法研究
摘 要： 为了解决雷达多目标追踪过程中数据关联的问题， 提出自适应加窗预测 算法。确定始区域窗口时，将第一个航迹点归为目标一，第二个航迹点归为目标 二，后面的数据采用小范围内的聚类分析法，提取了 6 组数据作为分类的起始数 据。目标轨迹有交叉、分离，需要加窗分段分析数据变化趋势。对于所加窗口位 置和大小，通过轨迹点的均方根误差自适应确定。同时，可用已经解决数据关联 的数据点，预测下个数据点运动趋势，可对下个数据进行分类。编程实现此算法， 分类效果可观。研究结果可为发展现代多雷达追踪多目标技术提供借鉴。 关键词：多项式预测、数据关联、自适应加窗预测算法、多目标追踪
[1]
1
法虽然关联正确率高，但随着目标数目的增加，其计算量也呈指数上升。二是基于模糊聚类 [4,5] 的方法，如基于模糊聚类均值(FCM)的数据关联算法，模糊数据关联(FDA)算法 ，但这种算 [6,7] 法易陷入局部最小值且对初始值比较敏感; 三是基于目标空间网络拓扑的数据关联方法 ， 这种方法是利用目标在空间的分布建立参照拓扑矩阵来实现关联，但对全局量测进行全局搜 索时计算量随目标航迹数的增长而急剧增大，使关联概率大幅下降。 本文利用多项式拟合的原理，提出自适应加窗预测算法，解决雷达多目标追踪过程中数 据关联的问题。在 MATLAB 中编程实现本算法，分类效果可观，可为发展现代多雷达追踪多目 标技术提供借鉴。
d 2 ( z (k )) z (k ) z (k | k 1) S 1 (k ) z (k ) z (k | k 1) v' (k ) S 1 (k )v(k )
(5)
其中 v( k ) z ( k ) z ( k | k 1) 表示新息 （滤波器的残差） ， S(k)表示 v(k)的协方差， d(z(k)) 表示目标预测位置 z ( k | k 1) 与有效回波 z(k)之间的距离。 最近邻数据关联运算量小，易于实现，主要适用于对稀疏目标环境的目标跟踪。在目标 密度较大时，容易跟错目标，跟踪性能不高。
0．引言
数据关联是多传感器多目标跟踪系统中必须解决的关键问题之一 。 雷达在追踪机动目标 的过程中，当出现多个机动目标时，除了要获取目标空间位置等信息，还需要解决测量信息 属于哪个目标的问题，即数据关联。在一定的测量精度下，目标之间难于分辨，甚至当两个 目标距离很近的时候，传感器往往只能获得一个目标的测量信息。由于以上多个挑战因素以 及目标机动在战术上主动的优势，机动目标跟踪已成为近年来跟踪理论研究的热点和难点。 国内外研究学者对数据关联方法作了深入研究。目前，解决数据关联问题的方法主要分 [2] 为以下三类 ：一是基于统计的方法，如最近邻域(NN)法、概率数据关联(PDA) 算法、联合概 [3] 率关联(JPDA) 算法 ;但 NN 算法关联正确率较低， PDA 算法只针对单目标的数据关联， JPDA 算
T
[8]
x j ( x j1 , x j 2 ,..., x jp )T 分别表示两个对象,可以采用多种形式的距离来度量它们的相异度:
1) 阂可夫斯基(Miknowski)距离:
1 q
d q ( xi , x j ) xi x j
2) 曼哈坦(Manhattan)距离:
q
xik x jk k 1
俯仰角（°） 89.99 89.50 90.34 89.28 88.93 90.56 89.03 91.09 89.16 90.83 89.20 90.95
方位角（°） 1.74 3.07 1.50 2.98 2.13 1.47 2.35 2.07 2.40 2.21 3.18 2.01
归类 目标一 目标二 目标一 目标二 目标二 目标一 目标二 目标一 目标二 目标一 目标二 目标一
1.2 非交叉区域窗口确定 因为在这部分区域内不同目标数据点距离相隔很远，可用最简单的最近邻方法进行分类。 最近邻算法是提出最早的也是最简单的数据关联方法，有时也是最有效得方法之一。它把落 入关联门之内并且与被跟踪目标的预测位置“最近邻”的观测点迹作为关联点迹，这里的“最 近邻”一般是指观测点迹在统计意义上离被跟踪目标预测位置最近：
本文采用欧几里得(Euelid)距离，也就是空间平面距离作为相异度的度量，对不同目标 数据点分类。提取出 6 组数据如表 1 所示：
表 1 初始窗口的设定
距离（m） Data2（1） Data2（2） Data2（3） Data2（4） Data2（5） Data2（6） Data2（7） Data2（8） Data2（9） Data2（10） Data2（11） Data2（12） 84626.83 85016.58 84757.39 84876.82 84495.60 84588.94 84678.27 84653.03 84608.30 84487.91 84650.77 84481.58
2
2
1
(3)
3
d ( xi , x j ) xi x j
一般地,距离函数 . 应满足如下条件： a. b. c. d.
max xik x jk
k1, 2 ,..0 ，当且仅当 xi x j ；
非负性；即对所有的 i 和 j，恒有 xi x j 0 ； 对称性：即对所有的 i 和 j，恒有 xi x j x j xi ； 满足三角不等式:即对所有的 i、j 和 k,恒有 xi xk xi x j x j xk ；
图 1 自适应加窗预测算法原理图
算法流程如图 2 所示：
2
图 2 自适应加窗预测算法流程图
1.1 初始区域窗口的确定 对于初始区域窗口的确定，需要对原始数据作小范围的聚类分析。聚类 (Clusetring) 就是按照某个特定标准(一般为距离准则)把一个数据集分割成不同的类或簇(Clusetr),使得 在同一个簇内的数据对象的相似性尽可能的大,同时不在同一个簇中的数据对象的差异性也 尽可能的大。也就是说,聚类后同一类别的数据尽可能的聚集在一起,而不同的数据尽量分离。 为了度量对象之间的接近与相似程度,或求两个对象之间的相异度,需要定义一些聚类统 计量,用作聚类分析的数量指标,从而可以定量地进行聚类分析。计算对象间的距离是经常采 用的求相异度的方法。对于有 p 个变量的对象来说,n 个对象可以看作是 p 维空间的 n 个点, 自然可以设想用点间隔距离来度量对象间的接近程度。 设两个 p 维向量 xi ( xi1 , xi 2 ,..., xip ) 和
s (ti ) a j ti j (m n 1)
j 0
m
(6)
其中， ti i T , T 为相邻数据点时间间隔。 由此可见，只要系数 a j 足够精确，就可以对 t n 时刻以后目标轨迹进行预测。为此，根据
2 采用最小二乘法原理， 通过最小化 ( s (ti ) xi ) ， ti (i 1,2,..., n) 时刻目标轨迹的实测值 xi ， i 1 n
Research on Data Association Algorithms of Radar Tracking Maneuvering Target Track
（ ）
Abstract： In order to solve the radar multi-target tracking data association problem, in the process