测向交叉定位思想简单, 所需测量信息少, 在无源定位领域被广泛应用。针对传统测向交叉定位算法难以解决未知目标数目的定位问题, 提出了一种基于网格密度峰值的测向交叉定位算法, 将网格划分和密度峰值聚类引入测向交叉定位中, 并结合Hough变换制定了一种挑选类簇中心的规则。仿真实验和实测数据实验结果表明, 在含有噪声的情况下, 该算法能够自动识别目标的数目和位置, 具有较强鲁棒性, 可适用于实际问题。
无源定位 测向交叉定位 网格划分 密度峰值聚类 Hough变换 passive positioning direction-finding cross positioning meshing density peak clustering Hough transform
中国电子科技集团公司第二十七研究所, 郑州 450047
首先归纳了舰船激光无源侦察定位技术的**需求, 然后分析海战场激光源技术特性, 介绍了无源测向交叉定位原理, 建立了激光无源测向交叉定位仿真模型。对测量子集(φ1,ε1,φ2)进行了仿真计算, 获得了激光无源定位距离及定位误差数据, 定位距离、单站测向精度、基线长度、布站策略相关性信息, 提出了激光无源定位工程应用要点, 对舰船激光无源侦察定位的工程实现有较好的指导意义。
无源定位 激光探测 测向交叉定位 定位误差 passive location laser detection direction finding cross-locating location error
海军航空工程学院信息融合研究所，山东 烟台264001
利用多个无源观测站对多个目标进行测向交叉定位时，会产生大量的虚假交叉点。针对这个问题，提出一种新的基于改进K-means的聚类融合定位算法。算法对每条测向线上的交叉定位点进行聚类，获得每条测向上的目标位置估计，从而可以剔除大部分虚假交叉点，然后对各个观测站的聚类结果进行分步融合，充分利用各个观测站的聚类结果，进一步消除残余虚假交叉点的影响，最终获得目标的估计位置。仿真结果证明了该算法在进行多站交叉定位时具有更好的定位效果和鲁棒性。
测向交叉定位 K-means聚类 虚假点 数据融合 bearing-crossing localization K-means cluster false intersection point data fusion
