一、JPDA中联合事件概率的计算（论文文献综述）
郑丹阳,曹林,王涛,王东峰[1]（2021）在《一种基于变分推断的雷达多目标跟踪JPDA算法》文中认为针对雷达邻近多目标跟踪问题,提出了一种基于变分推断的联合概率数据关联算法（Joint Probability Data Association, JPDA）。通过建立关于目标状态和两个关联指示的概率图模型,并根据不同变量之间的信息传递构造对应的自由能目标函数,迭代该目标函数求解出目标和当前检测量测之间的最佳边缘关联概率。将所提算法与经典JPDA和k近邻联合概率数据关联（k Nearest Neighbor-Joint Probability Data Association, kNN-JPDA）算法进行对比,结果表明新算法具备更高的跟踪位置精度,并且能够有效地避免因邻近目标数量增多而引起的计算上的组合爆炸问题。
焦浩[2]（2021）在《FMCW雷达多目标探测与跟踪技术研究》文中进行了进一步梳理调频连续波（FMCW）雷达具有距离分辨率高、结构简单、功耗低等优点,被广泛应用于军事及民用领域。雷达探测及跟踪是雷达信号及数据处理的核心任务。雷达接收到反射信号后,需要对接收信号进行处理,从而检测并提取出目标的距离、速度、角度等信息,再经过滤波、数据关联等处理,实现对目标的跟踪。在实际中,由于噪声、杂波及目标间的相互影响,研究如何利用已有的先验信息实现杂波环境下的多目标数据关联,进而实现多目标的跟踪具有深远的意义。在此研究背景下,本文介绍了FMCW雷达目标探测、跟踪原理及相关算法,主要研究了多目标跟踪中的数据关联算法,并提出了一种基于损失函数的联合概率互联（LJPDA）算法,用来在有限的存储资源及规定的时间约束下,获取较为理想的跟踪性能。主要工作如下:首先,介绍了FMCW雷达的测距、测速等基本原理,并对其进行了详细分析,给出了提取目标距离及速度的方法。以空间谱估计为基础,介绍了传统FFT测角方式及MUSIC和ESPRIT超分辨率测角的方法,并通过仿真对其进行了分析。其次,对跟踪部分的滤波及一些常用的数据关联算法进行了研究分析,阐明了在密集杂波环境下多目标数据关联算法的时效性与准确性不能同时满足的问题,并针对性的推导和提出了LJPDA算法。该算法将联合概率思想与损失函数思想相结合,根据波门之间的相互关系及相交波门内的回波数量进行分类划分,采用贡献系数用来描述有效回波对关联目标的贡献大小,并定义了与贡献系数密切相关的损失函数。然后,通过使损失函数最小,利用牛顿迭代法得到最优贡献系数,进而得到各个回波相对于目标的联合概率,从而实现快速、准确的多目标数据关联,实现对多目标的跟踪。通过与JPDA算法进行比较,大量仿真及分析证明了该算法具有关联精度高、实时性强、资源消耗少、易于工程实现等优点。最后,本文综合考虑雷达信号及数据处理的各个步骤,根据实际需求对FMCW雷达信号发射波形、探测及跟踪参数进行合理设计,对整个雷达探测及跟踪系统进行实现。
楼晨风[3]（2021）在《线列红外成像系统目标检测关键技术研究》文中提出随着红外成像技术的不断发展,红外成像系统现已具有探测距离远,探测灵敏度高,抗干扰能力强,可全天时工作等优点,在工业,安防及国防领域发挥了重要作用。在红外成像系统中,红外目标的检测与识别算法扮演了重要角色。近年来,国产处理器蓬勃发展,但其种类与性能依然与世界先进水平存在一定差距,因此,本文立足于现有国产处理器平台,围绕复杂背景下红外目标检测的客观难点,提出了一种可扩展的异构计算框架,并设计了对应的红外目标算法。着重进行了:（1）针对线列扫描探测器优化的快速红外目标预检测算法研究。该算法针对线列探测器的带状噪声特点,定义了衡量离散像素圆度的指标,并提出了一种利用疑似目标的圆度对噪声和目标进行快速分类,最后利用局域分割得到目标的方法。该方法的计算速度具有较佳的伸缩性,在国产DSP上最高可提供4000万像素/秒的目标识别性能,同时具有低虚警率和优于典型实时检测算法的识别率。（2）基于梯度增强的红外小目标检测算法研究。该算法针对（1）中难以判别的场景,利用红外目标的梯度对称性和线列探测器校正方法存在的不足,提出了一种在梯度空间上对红外目标进行多尺度融合增强的算法。首先,计算图像四方向上的前向差分图,寻找差分图中的互补像素,增强互补像素的对比度,并积分还原图像,然后融合叠加不同尺度,不同方向的增强还原图像,最后利用背景杂波的峰-峰值计算自适应分割阈值,分割红外小目标。算法实验表明,该算法具有较佳的小目标检测能力,在高对比度的复杂场景下,具有优秀的识别率与虚警率,同时计算开销较低。（3）基于深度学习的红外目标检测难度估计算法。利用深度学习直接对红外小目标进行端到端检测存在缺少训练集的困难,而通过合理的阈值或参数设置,传统特征工程目标检测算法在红外小目标的识别率上仍具有提升空间,因此,本文提出一种名为iRCNN的多重网络阈值估计框架,利用多个子网对待检测区域进行阈值估计并加权获得预测阈值,且利用子网预测结果的分布特性导出预测阈值的可信度,最后综合两者以指导传统算法的阈值确定。实验表明,相较于Ranking-CNN,iRCNN网络结构更适合对算法阈值进行基于场景的动态估计,且效果优于人为设置的固定阈值或超参数。（4）基于运动特性建模的低帧率航迹匹配算法。由于线列红外探测器产生的图像帧率低,小目标帧间相关性差,传统的多帧红外小目标检测算法往往不能很好地对航迹进行估计,因此,本文对红外小目标的运动特性进行建模,利用小目标之前的运动特性估计目标机动能力,并以此确定搜索空间,最后利用搜索空间边界条件构建目标评价函数,对红外小目标进行自适应拟合,最终获得航迹。实验表明,该方法对机动目标具有良好的检测能力。（5）一种实时目标检测系统设计。针对我国对芯片生产独立自主的追求,利用本文所提及的各种技术,本文提出了一种异构计算框架,以融合DSP和通用计算机的优势实现实时目标检测。首先,在系统运行前,利用iRCNN网络对整个空域进行背景阈值预标定,以降低深度学习方法对性能的需求;其次,发挥DSP的实时处理能力,利用DSP对整个红外图像场景进行实时检测,产生对应的粗检测区域;然后,整合梯度空间小目标检测算法与iRCNN的预测阈值,对粗检测区域进行详细检测,分割获得疑似目标,并使用航迹匹配算法整合目标输出结果。该框架在提供较高性能的目标检测能力的前提下,通过充分优化算法流程,掩盖了线列扫描探测器的低实时性问题,具有较高的实用价值。
张鑫怡[4]（2021）在《交通场景中基于MMW雷达的目标识别方法研究》文中认为智能交通系统（Intelligent Transportation System,ITS）是当今交通系统的发展趋势,也是实时、准确、高效的综合交通运输管理系统。在智能交通系统中,毫米波（Millimeter-Wave,MMW）雷达作为一种道路交通辅助工具,可获得雷达照射区域内多个车道车辆的速度,距离和角度等信息,被广泛应用于道路超速卡口抓拍和交通信息监控。在MMW雷达交通场景中,目标车辆行驶距离较近会增加目标识别的难度,从而导致聚类和数据关联问题。因此,本文主要针对MMW雷达目标识别技术中的聚类和数据关联算法进行创新,并将创新算法和实际的道路交通场景结合设计了一款MMW交通雷达目标识别系统,具体工作总结如下:（1）针对许多传统算法需要预先确定聚类个数的问题,改进并提出了自适应距离密度噪声模糊（Density-Based Adaptive Distance Fuzzy,DB-ADF）聚类算法。DB-ADF聚类算法通过自适应距离对雷达数据初次聚类得到初始聚类中心点以及聚类类别数,而后通过对隶属矩阵和聚类中心不断迭代,从而对初次聚类的结果进行修正,最终得到聚类的结果。实验结果表明,该算法在临近距离车辆交通场景应用中具有更高的聚类精度和更好的聚类效果。（2）针对临近车辆交通场景中现有聚类算法初始聚类中心点的选择精度低、聚类效果不佳的问题,改进并提出了自适应椭圆距离密度峰值模糊（Adaptive Ellipse Distance Density Peak Fuzzy,AEDDPF）聚类算法。AEDDPF算法使用自适应椭圆距离对雷达数据进行描述。AEDDPF算法通过引入指数函数对聚类中心进行快速且准确地选择,得到初始聚类中心的个数及坐标值。初始化后的聚类中心点作为算法后续的输入条件,不但减少了算法的聚类迭代次数,也使得算法最终聚类结果更为准确。本文对AEDDPF算法的时间复杂性进行了分析。最后,本文还分析了 AEDDPF聚类算法对其他类型数据的概括能力。实验结果证明AEDDPF聚类算法在临近行驶车辆交通场景应用中聚类效果好,准确率达到96%以上。（3）针对联合概率数据关联（Joint Probability Data Association,JPDA）算法在计算关联事件过程中计算量大、关联事件组合多的问题,改进并提出了一种GK模糊联合概率数据关联（Gustafson-Kessel Fuzzy Joint Probability Data Association,GK-FJPDA）算法。GK-FJPDA算法将模糊集合理论引入到JPDA算法中,结合了 GK算法和JPDA算法各自的优点,在不降低JPDA算法精度的条件下,将目标属于量测的关联度矩阵引入多目标数据关联中。仿真数据被用来对最近邻数据关联（Nearest Neighbor Data Association,NNDA）,JPDA和GK-FJPDA三种算法进行对比,结果表明GK-FJPDA算法具有更高的精度。（4）针对MMW雷达交通场景中临近行驶车辆区分不清和数据关联不准确的问题,设计了一款MMW交通雷达目标识别系统。该系统主要基于上述创新聚类算法和数据关联算法,完成系统功能的需求分析、软件设计与实现,同时验证了创新算法应用于实际车辆行驶环境的可行性和有效性。MMW交通雷达目标识别系统可以满足实际路测时用户对实时性和准确度要求,达到了预期的效果。MMW交通雷达目标识别技术中的聚类和数据关联算法是本文创新与应用的重点,同时本文结合工程实现提出了基于MMW交通雷达的目标识别系统用以验证创新算法的实用价值。
蔡秀梅,王妍,卞静伟,吴成茂[5]（2021）在《多目标跟踪数据关联算法综述》文中研究表明多目标跟踪在军事、医疗和交通等方面应用广泛。考虑存在误检、漏检和噪声的情况,数据关联问题成为多目标跟踪中一个核心难点问题。通过介绍最近邻法、多假设关联、概率数据关联、联合概率数据关联、粒子滤波和模糊目标跟踪等6种经典数据关联算法,分析各种算法的优点和局限性,以及近几年的研究进展,展望其未来的发展趋势。
吴婧[6]（2021）在《多被动声呐纯方位目标跟踪算法研究》文中提出
刘建锋[7]（2020）在《一种面向互联概率加权的JPDA多传感器数据融合方法》文中认为针对单传感器联合概率数据互联（Joint Probabilistic Data Association,JPDA）在复杂环境下难以跟踪多个目标的问题,提出一种基于JPDA量测目标互联概率统计加权并行式和序贯式多传感器数据融合方法。首先,给出单传感器JPDA算法。然后,介绍多传感器JPDA数学模型,基于这一模型,使用互联概率加权,推导并行式和序贯式多传感器数据融合公式,这对多传感器数据融合有一定指导意义。最后,对单传感器JPDA方法在不同杂波密度、不同过程和不同观测噪声下目标跟踪的距离RMSE进行仿真,结果表明,随着这3项指标皆增大,目标距离RMSE增大;同时,对本文的2类多传感器JPDA方法与其他几类跟踪方法在数据集PETS2009下有关行人跟踪性能进行仿真,结果表明,本文并行式和序贯式多传感器JPDA方法相较于其他方法在跟踪准确性、跟踪位置准确性、航迹维持以及航迹遗失上皆为最优,而且序贯式融合略优于并行式多传感器JPDA。
王瑛琪[8]（2020）在《机载预警雷达无意干扰抑制与目标跟踪方法研究》文中研究说明相比于地基警戒雷达,机载预警雷达在检测敌方空中目标方面有着得天独厚的优势,因此在现代战争中具有非常重要的地位。近年来,随着电子对抗技术和装备的不断发展,机载预警雷达面临的电磁环境日益复杂,不仅受地面（海面）杂波的影响,而且还面临着各种电磁干扰的威胁,这些强杂波和干扰信号的存在,严重影响了雷达系统的目标检测性能,还导致雷达对目标的参数估计、跟踪难以进行。在机载雷达信号处理领域,虽然可以采用空时自适应处理（STAP）技术在一定程度上抑制杂波与干扰,但干扰环境复杂多变,仅靠STAP技术很难保证机载雷达在电子对抗中取得优势。在干扰数量较多的情况下,干扰抑制会消耗STAP的自由度,降低系统的杂波抑制能力。因此,为了提高机载雷达的目标检测性能,开展机载雷达干扰抑制的其它信号处理技术研究具有重要意义。另一方面,在机载雷达数据处理领域,多目标跟踪因其在军事和民用领域的突出地位和广泛应用,一直是国内外的热门研究课题之一。多目标跟踪中经常出现的算法计算量大、数据错误关联是一直没有很好解决的问题。本文对机载雷达无意干扰抑制和多目标跟踪方法进行了研究。通过研究获得了不同类型干扰的检测和抑制方法、密集干扰抑制方案和机载雷达多目标跟踪算法。论文工作主要包括:1.机载预警雷达无意干扰检测方法研究。在深入分析了窄带干扰及异步干扰这两种无意干扰产生原因的基础上,建立了对应的干扰信号模型,并根据干扰信号与回波信号在时频域的特性差异,给出三种干扰检测方法:针对窄带干扰研究了一种基于二维频率域的检测方法;针对异步干扰提出一种基于脉冲压缩前数据的检测方法和一种基于脉冲相消的奇异值检测方法。仿真和实测数据处理验证了所提方法能够很好地检测干扰,为后续的干扰抑制研究打下基础。2.机载雷达密集无意干扰抑制方法研究。针对窄带干扰,研究了基于频域陷波和基于子空间投影两种不同的干扰抑制方法,对给出的两种窄带干扰抑制方法从干扰抑制效果和目标信号损失程度两方面进行性能评估。针对异步干扰,给出了一种对脉冲压缩前数据进行陷波和一种基于脉冲对消的奇异脉冲剔除两种干扰抑制方法,针对异步脉冲剔除异步干扰抑制方法由于脉冲相消处理造成的奇异脉冲位置模糊,提出一种奇异脉冲定位算法,能够很好的解决这个问题。通过实测数据验证了上述方法的有效性;最后针对上述方法无法同时有效抑制两种无意干扰的问题,设计出一套完整的机载雷达密集干扰抑制方案,实测数据处理结果证明该方案能够很好地抑制干扰。3.对多目标跟踪理论进行了研究。着重分析了三种常见的基于Bayes理论的数据关联算法。针对多目标跟踪实时性和精确度之间难以调和的矛盾,提出一种JPDA的改进算法,该算法在保证跟踪精度的前提下降低了算法复杂度,并改善了对临近目标的跟踪性能。通过仿真实验,验证了改进算法的有效性。
郁玲玲[9]（2020）在《合作目标辅助的扩展目标跟踪方法研究》文中研究说明目标跟踪广泛应用于机器人、智能车等领域,随着传感器技术的不断发展,扩展目标跟踪在跟踪领域显得尤为重要,尤其是带有辅助信息的扩展目标跟踪方法很大程度上提高了跟踪性能,而合作目标作为一种辅助信息,可用来改善现有的扩展目标跟踪方法。因此,研究合作目标辅助的扩展目标跟踪方法具有重要的理论价值与实际意义。现有的扩展目标跟踪方法中扩展目标跟踪模型的建立和数据关联是两个核心问题。相较于现有的扩展目标跟踪模型,本文改进的扩展目标跟踪模型在状态空间中引入了目标的宽高特征、航向角特征和合作目标的身份特征。在改进模型的基础上本文给出了改进的跟踪门设计方法,该方法首先利用扩展目标的宽高特征和航向角特征设计一个跟踪门对所有量测集进行筛选;然后根据扩展目标的位置特征设计一个跟踪门进行二次筛选得到候选回波量测;最后进行关联和滤波。对应的实验验证了该跟踪门设计方法可以删除杂波等无效量测,提高关联效率和跟踪精度。针对合作目标辅助的点目标跟踪方法使用模型单一的问题,给出了改进的交互式多模型算法框架,并分别应用于稀疏目标与密集目标场景。针对稀疏场景,根据扩展目标的宽高、身份和航向角特征来对概率数据关联算法进行改进。该方法首先利用合作扩展目标的身份特征重构一步预测值;然后计算候选回波量测集源于扩展目标的概率;最后进行滤波。对应的实验也证明了该场景下改进的扩展目标跟踪方法的有效性。针对密集场景,在交互式多模型算法框架下利用扩展目标的宽高、身份和航向角特征来对联合概率数据关联算法进行改进。该方法首先是利用合作扩展目标的身份特征重构一步预测值;然后根据扩展目标的候选回波量测之间的几何关系给出确认矩阵,拆分确认矩阵得到可行事件和关联事件来计算候选回波量测集中量测与扩展目标的关联概率;最后进行滤波。对应的实验也证明了该场景下改进的扩展目标跟踪方法的有效性。
盛涛,夏海宝,杨永建,肖冰松[10]（2020）在《密集杂波环境下的简化JPDA多目标跟踪算法》文中研究说明为简化联合概率数据关联算法（Joint Probabilistic Data Association, JPDA）的计算复杂度,增强JPDA算法的实时性,设计了一种新的JPDA简化算法。首先根据目标航迹与量测之间的关联规则,定义了一种新的计算关联概率的方法,之后分析公共量测对目标的影响,引入公共量测影响因子修正关联概率。该算法不用进行确认矩阵拆分,有效解决了在密集杂波环境下因回波密度增加而造成的计算上的组合爆炸问题。仿真结果表明,简化的JPDA算法能够在保持对目标有效跟踪的情况下,大大缩短计算时间,提高算法的实时性。
二、JPDA中联合事件概率的计算（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、JPDA中联合事件概率的计算（论文提纲范文）
（1）一种基于变分推断的雷达多目标跟踪JPDA算法（论文提纲范文）
| 0 引 言 |
| 1 联合概率数据关联算法 |
| 2 基于变分推断的JPDA算法 |
| 2.1 概率图模型 |
| 2.2 基于变分推断数据关联 |
| 2.3 算法流程 |
| 3 实验结果 |
| 3.1 实验1 |
| 3.2 实验2 |
| 3.3 跟踪性能 |
| 4 结束语 |
（2）FMCW雷达多目标探测与跟踪技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 引言 |
| 1.2 研究背景及意义 |
| 1.3 国内外研究现状 |
| 1.4 论文研究内容及章节安排 |
| 2 FMCW雷达探测原理 |
| 2.1 引言 |
| 2.2 FMCW雷达信号分析 |
| 2.3 测距测速原理 |
| 2.3.1 测距原理 |
| 2.3.2 测速原理 |
| 2.3.3 速度分辨率及最大无模糊速度 |
| 2.4 测角原理 |
| 2.4.1 空间谱估计测角原理 |
| 2.4.2 空时等效性 |
| 2.4.3 MIMO虚拟天线技术 |
| 2.4.4 FFT测角原理 |
| 2.5 子空间测角原理 |
| 2.5.1 信号子空间与噪声子空间 |
| 2.5.2 MUSIC测角原理 |
| 2.5.3 ESPRET测角原理 |
| 2.6 仿真分析 |
| 2.6.1 测距、测速仿真 |
| 2.6.2 测角仿真 |
| 2.7 本章小结 |
| 3 目标跟踪技术 |
| 3.1 引言 |
| 3.2 Kalman滤波 |
| 3.3 数据关联 |
| 3.4 数据关联算法 |
| 3.4.1 PDA数据关联 |
| 3.4.2 JPDA数据关联 |
| 3.4.3 CJPDA数据关联 |
| 3.5 仿真分析 |
| 3.5.1 Kalman滤波仿真 |
| 3.5.2 数据关联仿真 |
| 3.6 本章小结 |
| 4 基于损失函数的联合概率数据关联算法 |
| 4.1 引言 |
| 4.2 LJPDA算法基本思想 |
| 4.3 LJPDA算法基本模型 |
| 4.3.1 情况一 |
| 4.3.2 情况二 |
| 4.3.3 情况三 |
| 4.3.4 LJPDA算法实现过程 |
| 4.4 相关证明及推导 |
| 4.4.1 引理1证明 |
| 4.4.2 式4-17推导过程 |
| 4.5 仿真分析 |
| 4.5.1 LJPDA算法有效性仿真 |
| 4.5.2 算法精度仿真 |
| 4.5.3 算法时效性分析 |
| 4.6 本章小结 |
| 5 目标探测及跟踪系统设计 |
| 5.1 硬件系统概述 |
| 5.1.1 硬件平台 |
| 5.1.2 波形设计 |
| 5.1.3 数字信号处理算法 |
| 5.1.4 数据处理算法 |
| 5.2 软件系统概述 |
| 5.3 本章小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间主要科研成果 |
（3）线列红外成像系统目标检测关键技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景 |
| 1.2 红外目标算法相关研究现状 |
| 1.2.1 主流红外小目标检测方法及特点 |
| 1.2.2 主流多目标航迹匹配方法及特点 |
| 1.3 本文内容及章节安排 |
| 1.3.1 研究动机 |
| 1.3.2 主要研究内容 |
| 1.3.3 论文章节安排 |
| 第2章 基于像素聚拢度的快速红外目标检测方法 |
| 2.1 研究背景 |
| 2.2 目标特征分析 |
| 2.2.1 线列探测器的带状噪声 |
| 2.2.2 Robinson-Guard滤波器的优缺点 |
| 2.2.3 像素聚拢度 |
| 2.2.4 像素聚拢度的作用 |
| 2.2.5 利用像素聚拢度和目标能量扩展Robinson-Guard滤波器 |
| 2.3 目标识别算法设计 |
| 2.3.1 窗口分布热力图 |
| 2.3.2 目标概率图 |
| 2.3.3 算法流程与参数确定 |
| 2.4 算法性能评价 |
| 2.4.1 在线列探测器真实图像上的性能评价 |
| 2.4.2 在线列探测器合成图像上的性能评价 |
| 2.4.3 在公开红外数据集上的评价 |
| 2.4.4 算法运行速度对比 |
| 2.5 在国产DSP上的算法简化移植 |
| 2.5.1 分支预测与受其影响的热点函数 |
| 2.5.2 针对窗口设置与移动逻辑的简化 |
| 2.5.3 针对计算ERG的简化 |
| 2.5.4 简化算法的目标检测性能 |
| 2.6 小结 |
| 第3章 增强图像梯度检测红外小目标 |
| 3.1 研究背景 |
| 3.2 线列探测器的误差分析 |
| 3.2.1 线列探测器的两点校正与高阶误差 |
| 3.2.2 基于图像梯度的局域校正 |
| 3.3 利用单向梯度图进行目标增强 |
| 3.3.1 红外小目标的梯度特性与增强约束 |
| 3.3.2 一种增强红外小目标单向梯度图的方法 |
| 3.4 基于增强单向梯度图的红外目标检测 |
| 3.4.1 堆叠抑制随机噪声 |
| 3.4.2 基于目标尺度金字塔融合图像 |
| 3.4.3 自适应局域化分割融合图像 |
| 3.5 性能测试与对比 |
| 3.5.1 使用复杂空地背景红外数据集评价 |
| 3.5.2 使用线列探测器无人机图像评价 |
| 3.6 小结 |
| 第4章 基于深度学习的红外目标检测阈值估计 |
| 4.1 研究背景 |
| 4.1.1 卷积神经网络的优势 |
| 4.1.2 使用卷积神经网络检测红外小目标的困难 |
| 4.2 针对特征工程算法的深度学习阈值增强框架 |
| 4.2.1 利用CNN解决回归问题的相关工作 |
| 4.2.2 针对阈值分布概率的CNN子网设计 |
| 4.2.3 iRCNN框架设计 |
| 4.2.4 iRCNN的预测误差 |
| 4.2.5 iRCNN的目标函数与交叉训练流程 |
| 4.3 实验与分析 |
| 4.3.1 数据集构建与训练流程 |
| 4.3.2 阈值预测精度分析 |
| 4.3.3 算法增益性能分析 |
| 4.4 小结 |
| 第5章 基于有限机动假设的LM-JPDA目标航迹匹配算法 |
| 5.1 引言 |
| 5.2 基于有限机动假设的JPDA |
| 5.2.1 JPDA的基本原理 |
| 5.2.2 多假设跟踪的基本原理 |
| 5.2.3 基于有限机动能力的搜索门限估计 |
| 5.2.4 量测关联概率估计 |
| 5.2.5 静止目标过滤与径向速度估计 |
| 5.3 实验与分析 |
| 5.4 小结 |
| 第6章 基于长波红外线列探测器的实时目标检测系统设计 |
| 6.1 引言 |
| 6.2 系统框架设计 |
| 6.2.1 系统硬件组成 |
| 6.2.2 图像预处理与死点去除 |
| 6.2.3 背景检测与阈值标定 |
| 6.2.4 基于DSP的目标粗检测 |
| 6.2.5 航迹拟合与目标确认 |
| 6.3 系统测试与分析 |
| 6.3.1 多场景测试 |
| 6.3.2 实时性分析 |
| 6.4 小结 |
| 第7章 总结与展望 |
| 7.1 全文工作总结 |
| 7.1.1 主要工作 |
| 7.1.2 工作的特色与创新点 |
| 7.2 未来展望 |
| 参考文献 |
| 致谢 |
| 作者简历及攻读学位期间发表的学术论文与研究成果 |
（4）交通场景中基于MMW雷达的目标识别方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 多目标数据聚类 |
| 1.2.2 多目标数据关联 |
| 1.3 本文的结构安排 |
| 1.4 本章小结 |
| 第2章 FSK雷达工作原理及信号处理 |
| 2.1 引言 |
| 2.2 FSK体制雷达工作原理 |
| 2.3 MMW交通场景雷达 |
| 2.3.1 MMW交通场景雷达性能 |
| 2.3.2 MMW交通雷达信号处理 |
| 2.4 本章小结 |
| 第3章 自适应距离密度噪声模糊聚类算法 |
| 3.1 引言 |
| 3.2 聚类算法的介绍 |
| 3.2.1 DBSCAN聚类算法 |
| 3.2.2 GK聚类算法 |
| 3.3 DB-ADF算法的实现 |
| 3.3.1 基于自适应距离密度噪声的初次聚类算法 |
| 3.3.2 DB-ADF算法主体 |
| 3.3.3 实验结果及对比分析 |
| 3.4 本章小结 |
| 第4章 自适应椭圆距离密度峰值模糊聚类算法 |
| 4.1 引言 |
| 4.2 CFSFDP聚类算法 |
| 4.3 AEDDPF聚类算法的实现 |
| 4.3.1 AEDDPF聚类算法的初始化 |
| 4.3.2 AEDDPF算法的主体部分 |
| 4.3.3 AEDDPF算法的时间复杂度分析 |
| 4.3.4 实验设计与对比 |
| 4.3.5 讨论 |
| 4.4 本章小结 |
| 第5章 GK模糊联合概率数据关联算法 |
| 5.1 引言 |
| 5.2 联合概率数据关联算法 |
| 5.2.1 关联事件生成 |
| 5.2.2 关联概率计算 |
| 5.3 创新数据关联算法的实现 |
| 5.3.1 GK-FJPDA关联隶属度矩阵的构造 |
| 5.3.2 GK-FJPDA算法的主体 |
| 5.4 仿真实验对比及道路测试结果 |
| 5.4.1 仿真实验对比 |
| 5.4.2 道路测试结果 |
| 5.5 本章小结 |
| 第6章 MMW交通雷达目标识别系统设计与实现 |
| 6.1 引言 |
| 6.2 MMW交通雷达目标识别系统的设计 |
| 6.2.1 需求分析 |
| 6.2.2 总体设计及内置算法 |
| 6.3 系统实现 |
| 6.3.1 开发运行环境及界面展示 |
| 6.3.2 系统道路测试 |
| 6.4 本章小结 |
| 第7章 总结与展望 |
| 7.1 本文工作总结 |
| 7.2 下一步工作展望 |
| 致谢 |
| 参考文献 |
| 在学期间发表的学术论文与研究成果 |
（5）多目标跟踪数据关联算法综述（论文提纲范文）
| 1 数据关联技术 |
| 2 数据关联经典方法 |
| 2.1 最近邻法 |
| 2.1.1 算法原理及优缺点 |
| 2.1.2 改进方案 |
| 2.2 多假设关联 |
| 2.2.1 算法原理及优缺点 |
| 1)假设生成。 |
| 2)概率计算。 |
| 2.2.2 改进方案 |
| 2.3 概率数据关联 |
| 2.3.1 算法原理及优缺点 |
| 2.3.2 改进方案 |
| 2.4 联合概率数据关联 |
| 2.4.1 算法原理及优缺点 |
| 2.4.2 改进方案 |
| 2.5 粒子滤波 |
| 2.5.1 算法原理及优缺点 |
| 1)初始化。 |
| 2)权重计算。 |
| 3)重采样。 |
| 4)状态估计。 |
| 2.5.2 改进方案 |
| 2.6 模糊目标跟踪 |
| 2.6.1 算法原理及优缺点 |
| 2.6.2 改进方案 |
| 3 结语 |
（8）机载预警雷达无意干扰抑制与目标跟踪方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 符号对照表 |
| 缩略语对照表 |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 研究历史及现状 |
| 1.3 本文主要工作 |
| 第二章 机载雷达无意干扰特征分析及检测方法研究 |
| 2.1 引言 |
| 2.2 窄带连续波干扰及其检测 |
| 2.2.1 窄带连续波干扰信号模型及特征分析 |
| 2.2.2 窄带连续波干扰检测方法 |
| 2.2.3 仿真分析 |
| 2.3 异步短脉冲干扰及其检测 |
| 2.3.1 异步短脉冲干扰信号模型及特征分析 |
| 2.3.2 异步短脉冲干扰检测方法 |
| 2.3.3 仿真分析 |
| 2.4 本章小结 |
| 第三章 机载雷达密集无意干扰抑制方法研究 |
| 3.1 引言 |
| 3.2 窄带连续波干扰抑制方法 |
| 3.2.1 频域陷波干扰抑制方法 |
| 3.2.2 基于投影矩阵的干扰抑制方法 |
| 3.2.3 窄带干扰抑制方法性能评估 |
| 3.2.4 仿真分析 |
| 3.3 异步短脉冲干扰抑制方法 |
| 3.3.1 时域陷波干扰抑制方法 |
| 3.3.2 异步脉冲剔除干扰抑制方法 |
| 3.3.3 仿真分析 |
| 3.4 机载雷达密集干扰抑制总体方案 |
| 3.4.1 方案综述 |
| 3.4.2 仿真分析 |
| 3.5 本章小结 |
| 第四章 杂波环境中的多目标跟踪方法研究 |
| 4.1 引言 |
| 4.2 多目标跟踪的基本理论 |
| 4.3 杂波环境下的多目标跟踪数据关联方法 |
| 4.3.1 概率数据关联算法 |
| 4.3.2 联合概率数据关联算法 |
| 4.3.3 仿真分析 |
| 4.4 改进的联合概率数据关联算法 |
| 4.4.1 T-CJPDA |
| 4.4.2 改进的T-CJPDA算法 |
| 4.4.3 仿真分析 |
| 4.5 本章小结 |
| 第五章 总结与展望 |
| 5.1 工作总结 |
| 5.2 工作展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（9）合作目标辅助的扩展目标跟踪方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 研究现状 |
| 1.3 问题分析 |
| 1.4 研究内容 |
| 1.5 论文组织框架 |
| 第2章 相关技术分析 |
| 2.1 扩展目标运动模型 |
| 2.2 扩展目标的目标跟踪方法 |
| 2.2.1 交互式多模型算法 |
| 2.2.2 跟踪门方法 |
| 2.2.3 数据关联算法 |
| 2.3 本章小结 |
| 第3章 扩展目标跟踪模型 |
| 3.1 合作目标跟踪场景 |
| 3.2 扩展目标跟踪模型 |
| 3.2.1 扩展目标运动模型 |
| 3.2.2 合作目标辅助的贝叶斯跟踪模型 |
| 3.3 扩展目标跟踪门设计 |
| 3.4 仿真实验 |
| 3.5 本章小结 |
| 第4章 稀疏场景下的扩展目标跟踪方法 |
| 4.1 概述 |
| 4.2 改进的交互式多模型算法 |
| 4.3 改进的扩展目标跟踪方法 |
| 4.3.1 改进的概率数据关联算法 |
| 4.3.2 基于改进的PDA的扩展目标跟踪方法 |
| 4.4 实验结果与分析 |
| 4.4.1 改进的概率数据关联算法仿真实验 |
| 4.4.2 改进的扩展目标跟踪方法仿真实验 |
| 4.4.3 实车实验验证 |
| 4.5 本章小结 |
| 第5章 密集场景下的扩展目标跟踪方法 |
| 5.1 概述 |
| 5.2 改进的扩展目标跟踪方法 |
| 5.2.1 改进的联合概率数据关联算法 |
| 5.2.2 基于改进的JPDA的扩展目标跟踪方法 |
| 5.3 实验结果与分析 |
| 5.3.1 改进的联合概率数据关联算法仿真实验 |
| 5.3.2 改进的扩展目标跟踪方法仿真实验 |
| 5.3.3 实车实验验证 |
| 5.4 本章小结 |
| 第6章 总结与展望 |
| 6.1 主要工作与创新点 |
| 6.2 后续研究工作 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间从事的科研工作及取得的成果 |
（10）密集杂波环境下的简化JPDA多目标跟踪算法（论文提纲范文）
| 1 引言 |
| 2 联合概率数据关联 |
| 3 简化JPDA算法 |
| 3.1 简化关联概率计算 |
| 3.2 基于公共量测修正的关联概率 |
| (1)计算每个公共量测所有可能的源目标对关联概率的影响因子Ajt。 |
| (2)在具有公共量测的目标跟踪门内,计算其他量测对于关联概率的影响因子Bt。 |
| 4 仿真分析 |
| 4.1 检验杂波密度对算法的影响 |
| 4.2 不同目标间距下影响因子对算法的影响 |
| 4.3 检验检测概率对算法的影响 |
| 5 结论 |
四、JPDA中联合事件概率的计算（论文参考文献）
- [1]一种基于变分推断的雷达多目标跟踪JPDA算法[J]. 郑丹阳,曹林,王涛,王东峰. 电讯技术, 2021
- [2]FMCW雷达多目标探测与跟踪技术研究[D]. 焦浩. 烟台大学, 2021(09)
- [3]线列红外成像系统目标检测关键技术研究[D]. 楼晨风. 中国科学院大学(中国科学院上海技术物理研究所), 2021(01)
- [4]交通场景中基于MMW雷达的目标识别方法研究[D]. 张鑫怡. 北京信息科技大学, 2021(08)
- [5]多目标跟踪数据关联算法综述[J]. 蔡秀梅,王妍,卞静伟,吴成茂. 西安邮电大学学报, 2021(02)
- [6]多被动声呐纯方位目标跟踪算法研究[D]. 吴婧. 哈尔滨工程大学, 2021
- [7]一种面向互联概率加权的JPDA多传感器数据融合方法[J]. 刘建锋. 计算机与现代化, 2020(08)
- [8]机载预警雷达无意干扰抑制与目标跟踪方法研究[D]. 王瑛琪. 西安电子科技大学, 2020(05)
- [9]合作目标辅助的扩展目标跟踪方法研究[D]. 郁玲玲. 重庆邮电大学, 2020(02)
- [10]密集杂波环境下的简化JPDA多目标跟踪算法[J]. 盛涛,夏海宝,杨永建,肖冰松. 信号处理, 2020(08)