matlab匹配滤波代码多目标MI-ACE和MI-SMF： 多目标多实例自适应余弦估计器和光谱匹配滤波器，用于使用不确定标记数据的目标检测 James Bocinsky，Susan Meerdink，Connor H.McCurley和Alina Zare 如果您使用此代码，请引用为： James Bocinsky，Susan Meerdink，Connor H.McCurley和Alina Zare。 （2020年，3月25日）。 GatorSense / Multi-Target-MI-ACE_SMF：初始版本（版本v1.0）。 Zenodo。 相关文章为：SK Meerdink，J。Bocinsky，A。Zare，N。Kroeger，CH McCurley，D。Shats和PD Gader。 审查中的IEEE TGRS中的“用于高光谱目标检测的多目标多实例学习”。 在此存储库中，我们提供了多目标MI-ACE和MI-SMF算法的论文和代码。 安装先决条件 此代码使用MATLAB Statistics和Machine Learning工具箱，MATLAB Optimization T

密集杂波环境下的多目标跟踪（MTT）一直是雷达目标跟踪领域的研究难点，关键是有效地将状态滤波与数据关联相结合。 在密集杂波环境中，除了目标点的回波之外，还存在来自未知散射的大量杂波干扰，因此很难处理数据。 本文提出了一种基于轨迹定向多假设跟踪（TOMHT）和支持向量机（SVM）的密集杂波环境下的杂波滤波算法，用于对杂波进行滤波，并为后续的目标跟踪提供先验的环境信息。 。 在满足跟踪精度的前提下，降低了混乱的密度，提高了数据关联的效率。 结果表明，该算法可以有效抑制杂波并提高跟踪性能。

本文档详细介绍了多目标跟踪领域的MHT（多假设跟踪算法原理，具体算法），适合对于多目标跟踪的初学者，以及深入了解MHT的人

提出了一种用于空间配准和多目标跟踪（MTT）的扩展产品多传感器基数化概率假设密度（PM-CPHD）滤波器。 目标的数量和状态以及传感器的偏差是通过这种方法联合估算的，而无需数据关联。 蒙特卡罗（MC）仿真结果表明，所提出的方法（i）的性能优于（i），尽管在计算上要比用于联合空间配准和MTT的扩展多传感器PHD滤波器要好； （ii）优于多传感器联合概率数据关联（MSJPDA）过滤器，该过滤器在杂波相对密集时也适用于联合空间配准和MTT。