PSO-PHD-TBD算法：提升雷达低信噪比目标检测精度

本文主要探讨了"基于PHD的粒子滤波检测前跟踪改进算法"的研究。传统的粒子滤波检测前跟踪方法（PHD-TBD）在处理低信噪比目标检测问题时，存在目标位置估计误差较大的问题。为解决这一问题，研究人员提出了结合粒子群优化算法的新型方法PSO-PHD-TBD。 PSO-PHD-TBD算法的主要创新在于，在粒子滤波的预测和更新步骤之间引入了NSGA-II多目标粒子群优化算法。通过这种方式，算法能够有效地利用量测信息，对预测阶段粒子集的分布进行优化，引导所有粒子向后验概率密度较大的区域转移。这种策略显著提高了多目标位置估计的精度，尤其是在低信噪比环境下。 此外，算法还采用了基于密度聚类的DBSCAN算法对粒子进行聚类，进一步提取出目标的状态信息。实验结果显示，PSO-PHD-TBD在多目标数目估计上与PHD-TBD保持一致，但其在位置估计的准确性上有了显著提升，特别是在信噪比较低的情况下，性能优势更为明显。 论文的关键技术包括概率假设密度（PHD）、粒子滤波、粒子群优化（PSO）以及基于密度聚类的DBSCAN算法。这些技术的应用使得该方法在雷达科学与技术领域具有重要的理论价值和实际应用潜力。研究结果表明，对于复杂环境下的目标跟踪任务，PSO-PHD-TBD算法具有较高的鲁棒性和准确性，有望为相关领域的实时目标检测和跟踪提供有效的解决方案。