基于SMC-CBMeMBer的前向后向平滑检测前跟踪算法改进

"本文主要介绍了一种改进的SMC-CBMeMBer前向后向平滑检测前跟踪算法，用于解决雷达观测下机动弱小目标的检测前跟踪问题，特别是针对SMC-CBMeMBer-TBD算法存在的目标数目估计不准确和状态估计精度随时间下降的挑战。" 在雷达观测下的机动弱小目标跟踪领域，检测前跟踪(TBD)是一个关键问题。传统的基于序贯蒙特卡洛(Sequential Monte Carlo)的势均衡多伯努利检测前跟踪(SMC-CBMeMBer-TBD)算法在处理目标数目估计和状态估计时存在不足。为了解决这些问题，研究者提出了一种创新的改进算法，结合了多目标粒子群优化(MOPSO)和后向平滑技术。 首先，新算法在预测和更新阶段之间应用MOPSO算法。MOPSO是一种群体智能优化方法，通过设定基于观测值的适应度目标函数，引导粒子集群向后验概率密度较高的区域聚集，有效地解决了粒子贫乏导致的估计精度下降问题。这种方法有助于更准确地估计目标的位置、速度等状态参数。 其次，为了进一步提高状态估计的精度，该算法在更新步骤之后引入了平滑递归技术。通过对已有的观测数据进行平滑处理，修正滤波后的状态估计，尽管这会增加计算时间，但显著提升了目标数目和状态的估计精度。 仿真实验结果显示，与原始的CBMeMBer-TBD算法相比，改进的SMC-CBMeMBer前向后向平滑检测前跟踪算法在机动目标数目估计和目标状态估计的准确性方面都表现出显著的提升。这表明，该算法在应对雷达观测下的复杂机动目标跟踪任务时，具有更高的可靠性和效率。 关键词涵盖了粒子群优化、粒子滤波、势均衡多伯努利滤波、平滑技术以及检测前跟踪，这些是理解本文算法核心的关键词。文章的中图分类号和文献标识码则分别对应了电子与通信领域的分类和期刊的标识，doi则为文章的数字对象标识符，方便后续引用和检索。 这项工作通过融合优化算法和平滑技术，提升了针对机动弱小目标的检测前跟踪能力，对于雷达跟踪系统的设计和优化具有重要的理论和实践意义。