1.2　研究历史与现状

1.2.1　单雷达单目标认知跟踪

在单目标跟踪领域，密集杂波环境下的目标跟踪问题一直是一个研究热点[12-17]。1973年，Singer和Sea提出了最近邻域法[10]（Nearest Neighbor，NN）。该算法的核心是将统计距离最小的测量值作为候选回波以进行航迹更新，不适合回波较多的情况，容易发散[60]。针对这个问题，Bar-shalom于1975年研究出了PDA算法[10]。该算法能很好地解决密集杂波环境下的目标跟踪问题，主要过程可描述为：

（1）利用目标前一时刻的状态估计值及其运动模型确定目标预测点的位置，并以预测点为中心建立跟踪波门。

（2）在跟踪波门内设置恒虚警检测门限，由此对波门内的回波数据进行检测。

（3）当跟踪波门内有多个过门限的量测时，数据关联就是确定各个量测来源于目标概率，并利用这些概率对新息进行加权以获得目标的状态估计。

随着研究的深入，许多学者又提出了多种基于PDA的修正算法[19-20]。这些修正算法的主要思想是在概率数据关联的基础上结合机动目标跟踪算法，用于密集杂波环境下的机动目标跟踪问题。相关文献中出现的算法有交互式多模型概率数据关联算法[61]、变维概率数据关联算法[62]、可调白噪声概率数据关联算法[63]等。

在上述算法中，检测和跟踪被看作两个独立的过程。检测中心在完成波门内回波数据的检测后，将过门限的点迹信息传送给跟踪器进行数据关联。若能将跟踪器的输出信息反馈并合理应用，则能有效提升检测器的性能。因此，检测跟踪联合处理算法[21-24]在近年得到了广泛关注。

通常，现有的检测跟踪联合处理方法，根据反馈信息的种类，大致可分为两种方式：直接反馈检测门限；反馈目标位置的预测信息。

在第一种方式中，文献[21]在PDA算法的基础上建立了以检测概率、虚警概率为自变量的目标函数，即PDA算法的跟踪精度，在最优化目标跟踪精度的前提下，设置波门内的检测门限以进行反馈。由于其优化函数的求解需要使用蒙特卡罗积分，因此难以满足实时性需求。文献[22-23]对前文的研究进行了一定的假设和近似，并在Neyman-Pearson（NP）准则下给出了检测门限设置的闭式解。

第二种方式由Peter Willett于2001年提出[24]，假设跟踪器将目标位置的预测分布反馈至检测中心后，检测中心不再依据NP准则，而是以贝叶斯最小风险准则来设计检测系统。此时，波门内检测门限的设置将不同于传统似然比检测算法（波门内各个分辨单元的检测门限相同，可根据每个分辨单元内的虚警概率统一设置）。检测门限的设置规则为：越靠近反馈预测中心，检测门限越低；越远离反馈预测中心，检测门限越高。

检测跟踪联合处理过程能够很好地利用跟踪器反馈的先验信息提升检测器的性能[21-24]。从本质上来讲，现有算法都是通过提升虚警概率（降低检测门限）来提升算法性能的。在这种情况下，当跟踪波门面积（体积或超体积）很大时，超过检测门限的测量数量会很大，有可能导致计算机过载。针对这个缺点，本书给出了波门内平均虚警概率的定义，提出了一种具有恒虚警性质的检测跟踪联合处理算法。