改进的并行集中式多传感器数据关联算法

"改进并行集中式数据关联算法 (2012年) - 国家自然科学基金资助项目" 本文主要探讨了在多传感器系统中处理大量目标数据关联时遇到的组合爆炸问题。针对这一问题，作者提出了一个改进的并行集中式多传感器不敏近似联合概率数据关联（JPDA）算法。此算法结合了非线性系统状态估计的Unscented卡尔曼滤波（UKF）技术，以解决非线性环境下的状态跟踪问题。 首先，UKF是一种用于非线性系统的滤波方法，它通过对关键点的变换（unscented变换）来近似高维概率分布，从而避免了传统的线性化误差。在本文中，UKF被用来递推地估计多传感器系统中的目标状态，以提高状态估计的精度。 接下来，改进的并行集中式方法被应用，它能有效地分发和整合来自多个传感器的数据，减少数据处理的时间复杂度。这种方法不同于传统的集中式串行处理，后者在数据量大时容易导致计算效率低下。通过并行化处理，算法能够在保持较高数据关联正确率的同时，显著降低计算耗时。 最后，改进的JPDA方法被用于量测点迹与目标航迹的关联。JPDA是解决多目标跟踪问题的一种常用方法，尤其适用于存在数据关联不确定性的环境。改进的版本进一步优化了数据关联过程，提高了在非线性复杂环境中的性能。 仿真实验结果证明了所提出的算法在数据关联准确性和计算效率方面的优势。在处理大量目标和复杂环境的情况下，该算法能保持较高的数据关联正确率，并且比传统的集中式串行JPDA算法更节省计算资源。这使得该算法对于实时的多传感器监控系统具有很高的实用价值。 关键词：多传感器、多目标、不敏卡尔曼滤波器、近似概率联合数据关联、并行集中式处理、组合爆炸问题 这篇论文发表于《重庆邮电大学学报(自然科学版)》第!卷第#期，是由国家自然科学基金和空军装备部资助的研究成果。