遗传算法优化的多基站无源协同定位

“基于GA-ML-PMHT的多基站无源协同定位方法，针对无源协同定位系统中低可观测目标的航迹初始及维持问题，采用遗传算法优化极大似然概率多假设方法，提高了目标检测跟踪性能。” 本文是一篇研究论文，主要探讨了如何在多基站无源协同定位系统中有效地处理低可观测目标的航迹初始和维持问题。无源协同定位是一种利用多个非合作基站（不发射信号）来确定移动目标位置的技术，它在军事、通信和环境监测等领域具有广泛的应用。然而，对于低可观测性目标，由于其信号弱、易受干扰，定位和跟踪的难度显著增加。 文章首先建立了多基站无源协同定位系统的数学模型，这是理解系统工作原理和设计定位算法的基础。接着，作者提出了基于极大似然概率多假设（ML-PMHT）的航迹初始算法。在传统的概率多假设追踪（PMHT）框架下，极大似然估计被用来确定最可能的目标状态，但其优化问题可能复杂且难以解决。为此，论文创新性地引入了遗传算法（GA），这是一种全局优化方法，能够有效地搜索解决方案空间，找到最优解，从而提升目标检测和跟踪的精度。 遗传算法通过模拟自然选择和遗传机制，将种群中的优秀个体进行组合和变异，逐步进化出更优的解。在本文的背景下，这些优秀解对应于目标的最可能位置估计。通过这种方式，GA-ML-PMHT方法能更好地处理多基站数据中的不确定性，提高对低可观测目标的定位能力。 此外，为了保持目标的连续轨迹，文章还采用了滑窗法。滑窗法是一种常用的数据处理技术，它在一段固定的时间窗口内考虑数据，以更新和维持目标的轨迹信息，避免因单次测量误差导致的轨迹漂移。 仿真结果显示，提出的GA-ML-PMHT方法在解决多基站无源协同定位系统中低可观测目标的航迹初始和维持问题上表现出色，提升了系统的整体性能。这表明该方法对于改善复杂环境下目标定位的准确性和鲁棒性具有实际应用价值。 关键词：无源协同定位，低可观测目标，航迹初始，极大似然概率多假设，遗传算法 中图分类号：TN958.97 文献标识码：A DOI：10.3969/j.issn.1002-0640.2017.07.007 该研究由国家自然科学基金资助项目（61573123）支持，作者郭云飞是杭州电子科技大学自动化学院的一名副教授，专注于目标检测跟踪和信息融合领域的研究。