[计算机软件及应用]JPDA.pptVIP

JPDA 4.7 联合概率数据关联（JPDA）算法 由于PDA算法没有能够准确考虑处在多个目标关联门相交区域中的公共回波对航迹更新的影响，因此其跟踪性能在回波密集时不太理想。JPDA算法被公认为解决密集回波下多目标数据关联的最有效算法之一。 JPDA算法利用落在跟踪门限内的当前扫描周期中的点迹，计算点迹和相应航迹的关联概率，利用关联概率对当前点迹求加权和来修正航迹，权值就是跟踪中的点迹来自于目标的概率。实际计算中就是通过找出所有可能点迹－航迹的组合集合，通过求点迹－航迹关联集合的概率来获得权值。它与PDA的区别就是对于概率互联概率的计算不同。 算法分两个部分：联合事件生成和关联概率计算。除了关联概率的计算不同以外，JPDA滤波器与PDA滤波器基本上相似。JPDA计算的概率为联合概率，这是由于测量值可能来自不只一个目标。在一些文献上对JPDA算法有具体的介绍，这里简介如下： 4.7.1 互联事件与互联矩阵 4.7.2 对确认矩阵的拆分来获得互联矩阵 4.7.3 量测互联指示与目标检测指示 4.7.4 互联事件概率的计算 4.7.5 JPDA算法仿真 互联矩阵和互联事件之间是一一对应的。实际应用中，一般是通过对确认矩阵的拆分来得到互联矩阵，进而确定互联事件。根据拆分原则，一个确认矩阵可以拆分成许多互联矩阵。当目标个数和有效回波数量增大时，互联矩阵的数量会迅速增大，通常呈指数增长，这时联合概率的计算量也是按照指数增加。所以跟踪大量目标时，JPDA不是一种具有吸引力的好算法。另外，当目标相距较近时，某一目标的航迹会受到相邻目标的吸引，所以对目标航迹的加权平均有时会导致航迹偏离，偏差的大小与目标靠近的距离有关。 4.8 “简单的”JPDA算法 4.8 次优JPDA算法 当一个量测来自多个目标时，在关联中目标不能被单独处理，所以对个移动目标的跟踪比在个时刻跟踪同一个目标要麻烦得多。在JPDA算法中，计算关联概率是一项非常艰巨的工作。为了计算航迹和回波1之间的关联概率，JPDA算法必须计算所有的可行性关联事件，利用公式（2-65）或（2-67）计算关联概率，然后利用这些关联概率对量测进行加权。由于计算所有关联事件，使得计算量随着目标数量的增加呈指数形式上升。由于这种原因，给出了一些快速近似算法，使得计算量随目标数量的增加呈线性增长。文献的算法是利用单个关联事件（单个回波－航迹关联）来近似计算关联概率，一些文献则是利用两个关联事件。 Rocker给出一种次优JPDA算法，利用全关联事件计算关联概率 [2.30]。由于只使用最有可能的事件，所以结果是次优的，优点是不会因计算所有关联事件而使得计算量呈指数增长。 次优JPDA算法是介于快速、精度较低的简单算法和慢速、最优JPDA算法之间。次优JPDA算法利用部分关联事件来计算关联概率，简单近似算法只是利用一个关联事件。当存在大量互相影响的目标时，次优JPDA算法利用全部关联事件来保证精度。该算法与最优算法区别的是：该算法不用计算所有的关联事件，只计算那些高可能性事件，那些对计算关联概率没有大的影响的关联事件不被考虑，而最优算法利用全部关联事件；该算法与快速简单近似算法的区别是：次优算法利用全关联回波－航迹关联事件，而简单近似只是利用部分关联事件。 4.9 一种点迹选取的改进方法 在PDA和JPDA算法中，跟踪门的大小很关键：跟踪门太大，会使得很多无关的点迹混入跟踪门内；跟踪门太小，会漏掉一些点迹。在密集环境下，跟踪门确定后，在跟踪门内可能有多个点迹。 利用JPDA算法计算全部关联事件的概率是一种最优算法，但是计算复杂，计算量大。为了减少计算量，需要尽量减少跟踪门内点迹的数量；同时为保证跟踪精度，还不能漏掉一些关键点迹。 在以往的算法中，Fitzgerald给出的简单近似（或最近邻域）数据关联算法，该算法只用距离预测量测位置最近的点迹来修正航迹。这种算法虽然计算简单，但是由于距离预测量测位置最近的点迹并不一定就是真实的点迹，所以在密集环境下容易造成错误。Fitzgerald曾经考虑用关联概率最大的三个点迹来更新航迹，算法虽然减少了计算量，但是会造成有用点迹的丢失。尤其当多个点迹和预测量测位置之间距离相近时，会造成选取点迹的困难，影响跟踪精度。 根据JPDA算法计算出个联合概率，由于去掉了一些作用比较小的点迹，所以联合概率之和不为1，所以要对这个联合概率进行归一化处理。 该方法通过阈值的选取，在保证计算精度的前提下，解决了PDA和JPDA算法中计算量太大的问题。 参考文献 2．01. Singer R A, Kanyuck A T. Computer control of multiple site track data automation.