论文部分内容阅读
为解决目标数未知或随时间变化的多目标跟踪问题，通常将多目标状态和观测数据表示为随机集形式，通过Cardinalized概率假设密度（CPHD）滤波，递推计算目标的强度（即概率假设密度，PHD）及目标数的概率分布．然而对于被动测角的非线性跟踪问题，CPHD无法获得闭合解．为此，本文提出一种新的高斯混合粒子CPHD算法，利用高斯混合近似PHD，避免了用聚类确定目标状态，同时，将拟蒙特卡罗（QMC）积分方法引入计算目标状态的预测和更新分布，取得了良好的效果．