摘要
在密集杂波和复杂场景中，基于空间的雷达多目标跟踪的数据关联是一个重大挑战，这通常会导致跟踪误差和目标丢失。本文提出了一种基于分类的信息传递算法（CA-MP-SBR），用于空间雷达。该算法采用了混合平均场和信念传播（MF-BP）框架，并结合了目标分类信息进行优化。我们利用高分辨率距离剖面（HRRP）数据，通过卷积神经网络（CNN）对目标进行分类。然后将分类结果无缝集成到MF-BP框架中，以共同推断目标运动状态、可见状态、数据关联和类别索引。仿真结果表明，引入基于HRRP的分类方法可以提高数据关联的可靠性和跟踪精度。具体来说，与基于分类的高斯混合概率假设密度算法（CA-GM-PHD）相比，所提出的CA-MP-SBR分别将平均均方根误差（RMSE）、最优子模式分配（OSPA）和广义最优子模式分配（GOSPA）降低了33.4%、31.7%和32.1%；而与基于分类的标记多伯努利跟踪算法（CA-LMB-SBR）相比，相应指标的降低幅度分别为23.2%、25.6%和30.3%。这些结果证实了CA-MP-SBR在密集目标场景中跟踪多种类型目标的有效性。
