高 林，唐 续，魏 平

（电子科技大学电子工程学院，四川成都611731）

基于PSO的ML-PDA算法及其并行实现

高 林，唐 续，魏 平

（电子科技大学电子工程学院，四川成都611731）

针对密集杂波条件下的目标检测与跟踪问题，开展极大似然-概率数据关联（maximum likelihoodprobabilistic data association，ML-PDA）算法优化与实时计算问题研究。在算法层面，通过在极大化对数似然比（log likelihood ratio，LLR）过程中引入粒子群优化（particle swarm optimization，PSO）方法，并进一步提出基于观测引导的PSO播撒粒子方式，提升算法的计算效率；在实现层面，提出基于图形处理器（graphic processing unit，GPU）的PSO实现策略。仿真实验结果说明了基于观测引导PSO算法搜索的有效性。在GPU平台上实现该算法获得显著的加速比，验证了所提出方法具有工程实时性。

检测前跟踪；极大似然 概率数据关联；粒子群优化；并行处理

0 引 言

高密度杂波环境中的极低可观测目标跟踪问题一直是困难的研究热点。极低可观测意味着目标回波信号中信号能量与噪声功率比值，即信噪比（signal-to-noise ratio，SNR）很低。在传统的检测后跟踪（track after detect，TAD）算法中，若要维持对低SNR目标的高检测概率，势必会降低检测算法的检测门限。然而，这将导致更多的杂波，使得虚警概率上升，导致后续跟踪算法对目标的跟踪精度下降，甚至失效。

处理极低可观测目标跟踪的一类重要方法是检测前跟踪（track before detect，TBD），即同时实施目标的状态估计与检测。TBD与TAD的主要区别在于，前者使用未经过门限的原始数据，或门限设置很低的观测数据，以保证目标的高检测概率。TBD算法分两大类：①基于迭代的TBD算法，如TBD框架下的粒子滤波（particle filter，PF）算法［12］；……