一种改进的多伯努利多目标跟踪算法

针对在雷达观测下机动弱小目标的检测前跟踪（TBD）问题中，基于序贯蒙特卡洛的势均衡多伯努利检测前跟踪（SMC-CBMeMBer-TBD）算法存在目标的数目估计不准确及状态估计精度随时间下降的问题，提出了一种基于SMC-CBMeMBer前向后向平滑检测前跟踪的改进算法。该算法在预测和更新过程之间加入多目标粒子群优化算法（MOPSO），基于观测值设置适应度目标函数，使粒子集群向后验概率密度较为集中的位置分布，缓解了粒子贫乏的问题；在更新步骤之后加入平滑递归方法，利用观测值平滑滤波值，算法运算时间虽有

针对广义标签多伯努利滤波器(GLMB)预测步和更新步分别需要进行剪枝而导致计算量大、运行效率低且只考虑到单个运动模型的问题,提出一种多模型一步更新广义标签多伯努利机动扩展目标跟踪算法.首先通过公式推导将预测步与更新步合并,给出一种新的一步递归表达式;然后将多模型思想引入到一步递归表达式中,得到最终的多模型一步更新方程,同时基于吉布斯采样提出一种快速剪枝方法对其进行剪枝.由于改进后的滤波算法只涉及到一次剪枝且剪枝方法高效,算法的运行时间大大缩短;同时,由于采用了多模型思想,对机动目标的跟踪精度有了

针对标签多伯努利滤波器在目标处于近邻或目标量测与轨迹关联模糊情况下,更新步中由于近似产生信息丢失,导致跟踪效果下降的问题,引入区间分析技术,结合标签多伯努利滤波器及广义标签多伯努利滤波器各自的优势,提出一种箱粒子滤波下的混合标签多伯努利跟踪算法.建立两种滤波器的参数模型,通过Kullback Leibler散度和熵两项评定标准在两种滤波器间进行切换,在特殊环境中使用广义标签多伯努利滤波器提高跟踪性能,在其他环境中使用标签多伯努利滤波器近似降低算法的复杂度,提高运算效率;同时基于箱粒子滤波实现混合