高斯混合-概率假设密度滤波器的最优联邦均值融合

来源：电子与信息学报杂志2026年第4期北京时间：

作者：薛昱, 徐磊

单位：1.上海机电工程研究所 上海 2011092.自动目标识别重点实验室(上海) 上海 201109

摘要：为实现最优不确定多目标分布式融合跟踪，该文提出一种高斯混合-概率假设密度(GM-PHD)滤波器的联邦均值融合算法，该算法具有分层式结构。每个传感器节点运行1个局域GM-PHD滤波器，从传感器量测中提取多目标状态估计。融合节点负责1个仅预测上一时刻融合结果的主滤波器，对所有滤波器的GM-PHD进行关联与合并，且为各滤波器分配融合结果和若干滤波器参数。关联将多目标密度融合分解为4种单目标估计融合，该文推导了有无漏检时的单目标最优估计融合方法。信息分配利用协方差上界理论消除了滤波器间的相关性，进而使所提算法能够获得与贝叶斯融合相同的精度。仿真结果表明，所提算法能够获得最优的跟踪精度，优于现有的算术平均(AA)融合算法，且可以灵活地调节各滤波器的相对可靠性。

关键词：不确定多目标, 分布式跟踪融合, 均值融合, 最优估计融合, 协方差上界理论

基金资助：国家自然科学基金(62071386)