Ｖｏｌ＿２６ Ｎｏ．６ ＪＯＵＲＮＡＬ ＯＦ ＥＬＥＣＴＲＯＮＩＣＳ（ＣＨＩＮＡ） Ｎｏｖｅｍｂｅｒ ２００９ ＳＩＧＮＡＴＵＲＥ ＤＲＩＶＥＮ ＭＵＩ』ＴＩＰＬＥ ＩＩＡＲＧＥＴ ＴＲＡＣＫＩＮＧ Ｓｕｎ Ｓｈｕｙａｎ Ｈｕａｎｇ Ｚｈｉｐｅｉ Ｒｅｎ Ｘｉａｏｙｉ Ｗｕ Ｊｉａｎｋａｎｇ ａｎｄ Ｅｎｇｉｎｅｅｒｉｎｇ，Ｇｒａｄｕａｔｅ Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｃｈｉｎｅｓｅ Ａｃａｄｅｍｙ ｏｆ Ｓｃｉｅｎｃｅｓ （Ｓｃｈｏｏｌ ｏｆ Ｉｎｆｏｒｍａｔｉｏｎ Ｓｃｉｅｎｃｅ Ｂｅｉｊｉｎｇ １ ００１９０，Ｃｈｉｎａ） Ａｂｓｔｒａｃｔ Ｔｒａｃｋｉｎｇ ｍｕｌｔｉｐｌｅ ｍａｎｅｕｖｅｒｉｎｇ ｔａｒｇｅｔｓ ｒｅｍａｉｎｓ ａ ｃｈａｌｌｅｎｇｅ ｄｕｅ ｔｏ ｔｈｅ ｅｘｉｓｔｅｎｃｅ ｏｆ ｃｌｕｔｔｅｒ ａｎｄ ｔｈｅ ｄｉｓｔｕｒｂａｎｃｅ ｏｆ ｓｐｕｒｉｏｕｓ ｔａｒｇｅｔｓ．Ｔｒａｄｉｔｉｏｎａｌ ｔｒａｃｋｉｎｇ ａｌｇｏｒｉｔｈｍｓ ｔｒｅａｔ ｔａｒｇｅｔ ｍｅａｓｕｒｅｍｅｎｔｓ ａｓ ｐｏｉｎｔｓ ｗｈｉｃｈ ｒｅｓｕｌｔｓ ｉｎ ｔｈｅ ｌｏｓｓ ｏｆ ｉｎｆｏｒｍａｔｉｏｎ．Ｗｅ ｈａｖｅ ｐｒｏｐｏｓｅ ａ Ｓｉｇｎａｔｕｒｅ Ｄｒｉｖｅｎ ｍｕｌｔｉｐｌｅ ｔａｒｇｅｔ ｒａｃｋｉＴｎｇ（ＳＤＴ）ｍｅｔｈｏｄ ｗｈｉｃｈ ｕｓｅｓ ｔａｒｇｅｔ ｓｉｇｎａｔｕｒｅ ｉｎ ｓｐｅｃｔｒａｌ，ｓｐａｔｉａｌ ａｎｄ ｔｅｍｐｏｒａｒｙ ｓｐａｃｅｓ ａｓ ｗｅｌｌ ａｓ ｔｈｅ Ｍａｒｋｏｖ ｐｒｏｐｅｒｔｙ ｏｆ ｔａｒｇｅｔ ｍｏｔｉｏｎ．ａｎｄ ｔｈｅ ｄａｔａ ａｓｓｏｃｉａｔｉｏｎ ｐｒｏｃｅｓｓ ｉｎ ＳＤＴ ｉｓ ｖｅｒｙ ｅｆｆｅｃｔｉｖｅ．Ｔｈｅ ｅｘｐｅｒｉｍｅｎｔａｌ ｒｅｓｕｌｔｓ ｈａｖｅ ｓｈｏｗｎ ｉｔｓ ｏｕｔｓｔａｎｄｉｎｇ ｐｅｒｆｏｒｍａｎｃｅ． Ｋｅｙ ｗｏｒｄｓ Ｔｒａｃｋｉｎｇ；Ｆｉｌｔｅｒｉｎｇ；Ｅｓｔｉｍａｔｉｏｎ；Ｓｉｇｎａｔｕｒｅ；Ｓｅｎｓｏｒ ｆｕｓｉｏｎ ＣＬＣ ｉｎｄｅｘ ＴＮ９１１．７２ ＤＯＩ １０．１００７／ｓ１１７６７—００９—００８９—０ Ｉ．Ｉｎｔｒｏｄｕｃｔｉｏｎ Ｄａｔａ ａｓｓｏｃｉａｔｉｏｎ ｆｏｒ ｍｕｌｔｉｐｌｅ ｔａｒｇｅｔ ｔｒａｃｋｉｎｇ ｈａｓ ｍｅａｓｕｒｅｍｅｎｔｓ ｉｎｃｒｅａｓｅ，ｔｈｅ ｎｕｍｂｅｒ ｏｆ ｈｙｐｏｔｈｅｓｅｓ ｗｉｌｌ ｉｎｃｒｅａｓｅ ｄｒａｍａｔｉｃａｌｌｙ ｔｏ ｒｅｓｕｌｔ ｉｎ ｉｎｔｒａｃｔａｂｌｅ ｃｏｍｐｕｔａｔｉｏｎ．Ｆｕｒｔｈｅｒｍｏｒｅ，ｔｈｅ ｕｓａｇｅ ｏｆ ｔｅｍｐｏｒａｌ ｉｎｆｏｒｍａｔｉｏｎ ｉｓ ｓｔｉｌｌ ｒｅｓｔｒｉｃｔｅｄ ｔｏ ｔｒａｃｋ ｓｃｏｒｅ ｉｎ ｔｈｅ ＭＨＴ ｆｒａｍｅｗｏｒｋ．Ａｓ ａ ｍａｔｔｅｒ ｏｆ ｆａｃｔ．ｈｙｐｏｔｈｅ－ ｓｉｓｔｅｓｔｉｎｇ ｉｓ ｎｏｔ ａｎ ｅｆｉｃｉｆｅｎｔ ｗａｙ ｔｏ ｍａｋｅ ｕｓｅ ｏｆ ｔｈｅ ｔｅｍｐｏｒａｌ ｉｎｆｏｒｍａｔｉｏｎ ｉｎ ｔａｒｇｅｔ ｔｒａｃｋｉｎｇ—ｓｉｎｇｌｅ ｔｒａｃｋ ａｌｗａｙｓ ｂｅｅｎ ａ ｃｈａｌｌｅｎｇｉｎｇ ｒｅｓｅａｒｃｈ ｔｏｐｉｃ，Ｉｎ ｔｈｅ ｍｅｔｈｏｄｏｌｏｇｙ ｒｅｓｅａｒｃｈ，ｔｒａｃｋｉｎｇ ａｌｇｏｒｉｔｈｍｓ ａｌｗａｙｓ ｔｒｅａｔ ｔａｒｇｅｔ ｍｅａｓｕｒｅｍｅｎｔｓ ａｓ ｐｏｉｎｔｓ．Ｈｏｗｅｖｅｒ， ｐｏｉｎｔ—ｍｅａｓｕｒｅｍｅｎｔ ａｓｓｕｍｐｔｉｏｎ ｈａｓ ｄｒｏｐｐｅｄ ｔｏｏ ｍｕｃｈ ｉｎｆｏｒｍａｔｉｏｎ ｆｒｏｍ ｔａｒｇｅｔ ｓｉｇｎａｔｕｒｅ．Ｆｏｒ ｅｘ－ ａｍｐｌｅ，ｃｏｌｏｒ ｈｉｓｔｏｇｒａｍ ｂｅｎｅｆｉｔｓ ｄｉｓｔｉｎｇｕｉｓｈｉｎｇ ｔａｒ— ｇｅｔｓ ｉｎ ｖｉｄｅｏ ｔｒａｃｋｉｎｇ，ｂｕｔ ｔｈｉｓ ｐｏｉｎｔ ｍｅａｓｕｒｅｍｅｎｔ ａｓｓｕｍｐｔｉｏｎ ｗｉｔｈｏｕｔ ｔｈｅ ｕｓａｇｅ ｏｆ ｔｈａｔ ｗｉｌｌ ａｃｔｕａｌｌｙ ｓｃｏｒｅ ｈａｓ ｖｅｒｙ ｌｉｍｉｔｅｄ ｒｅｐｒｅｓｅｎｔａｔｉｏｎ ｐｏｗｅｒ，ａｎｄ ｔｏｏ ｍａｎｙ ｈｙｐｏｔｈｅｓｅｓ ｈａｖｅ ｃｏｍｐｌｉｃａｔｅｄ ｔｈｅ ａｌｇｏ— ｒｉｔｈｍ． ｄｒｏｐ ｔｈｉｓ ｉｎｆｏｒｍａｔｉｏｎ．Ｏｎ ｔｈｅ ｏｔｈｅｒ ｈａｎｄ，ａｌｔｈｏｕｇｈ ｐｏｓｔｅｒｉｏｒ ｄｉｓｔｒｉｂｕｔｉｏｎ ｉｓ ｃｏｎｄｉｔｉｏｎｅｄ ｂｙ ａｌｌ ｔｈｅ ｐａｓｔ ｍｅａｓｕｒｅｍｅｎｔ，ｂｕｔ ｔｈｅ ｄｅｃｉｓｉｏｎｓ ａｒｅ ｍａｄｅ ｏｎ ｅｖｅｒｙ ｔｉｍｅ ｓｔｅｐ．Ｐｒｅｓｅｎｔｌｙ，Ｍｕｌｔｉｐｌｅ Ｈｙｐｏｔｈｅｓｉｓ Ｔｒａｃｋｉｎｇ Ｒｅｃｅｎｔｌｙ，ｐｅｏｐｌｅ ｉｎ ｔｒａｃｋｉｎｇ ｂｅｇｉｎ ｔｏ ｒｅａｌｉｚｅ ｔｈｅ ｉｍｐｏｒｔａｎｃｅ ｏｆ ｆｅａｔｕｒｅｓ．ｓｉｇｎａｔｕｒｅｓ ａｎｄ ｔａｒｇｅｔ ＩＤ ｉｎ ｍｕｌｔｉｐｌｅ—ｔａｒｇｅｔ ｔｒａｃｋｉｎｇ［ Ｂｙ ｄｏｉｎｇ ｓｏ，ｔｈｅｙ ｄｏ ｎｏｔ ．ｎｅｅｄ ｔｏ ｆａｃｅ ｓｏ ｍａｎｙ ｈｙｐｏｔｈｅｓｅｓ．Ｏｎ ｔｈｅ ｏｔｈｅｒ ｈａｎｄ ｔｈｅ ａｎａｌｙｓｉｓ ｏｆ ｔａｒｇｅｔ ｓｉｇｎａｔｕｒｅｓ ｉｎ ｓｐｅｃｔｒａｌ，ｓｐａｔｉａｌ （ＭＨＴ）［ Ｊ ｍｅｔｈｏｄ ｉｓ ｒｅｇａｒｄｅｄ ａｓ ｔｈｅ ｂｅｓｔ ｍｕｌｔｉｐｌｅ ｔａｒｇｅｔ ｔｒａｃｋｉｎｇ ａｌｇｏｒｉｔｈｍ，ｗｈｏｓｅ ｆｕｎｄａｍｅｎｔａｌ ｉｄｅａ ａｎｄ ｔｅｍｐｏｒａｌ ｄｏｍａｉｎ ｇｉｖｅｓ ｐｅｏｐｌｅ ｍｕｃｈ ｍｏｒｅ ｆｒｅｅｄｏｍ ｉｎ ｕｓｉｎｇ ｒｉｃｈ ｉｎｆｏｒｍａｔｉｏｎ ｆｒｏｍ ｓｅｎｓｏｒｙ ｄａｔａ ａｎｄ ｐｒｉｏｒ ｋｎｏｗｌｅｄｇｅ． ｉｓ ｔｏ ｕｓｅ ｔｈｅ ｔｅｍｐｏｒａｌ ｉｎｆｏｒｍａｔｉｏｎ ｏｆ ｔｈｅ ｔａｒｇｅｔ ｍｅａｓｕｒｅｍｅｎｔ ｔｈｒｏｕｇｈ ｔｈｅ ｔｒａｃｋ ｓｃｏｒｅｓ ａｃｃｕｍｕｌａｔｅｄ ｏｖｅｒ ｔｉｍｅ．Ｈｏｗｅｖｅｒ，ｉｔ ｉｓ ｂａｓｅｄ ０ｎ ｈｙｐｏｔｈｅｓｉｓ—ｔｅｓｔ ｐｒｉｎｃｉｐｌｅ．Ｗｈｉｌｅ ａｓ ｔｈｅ ｎｕｍｂｅｒ ｏｆ ｔａｒｇｅｔｓ ａｎｄ Ｗｅ ｈａｖｅ ｐｒｏｐｏｓｅｄ ａｎｄ ｄｅｖｅｌｏｐｅｄ ａ Ｓｉｇｎａｔｕｒｅ Ｄｒｉｖｅｎ ｍｕｌｔｉｐｌｅ—ｔａｒｇｅｔ Ｔｒａｃｋｉｎｇ（ＳＤＴ）ａｌｇｏｒｉｔｈｍ ｗｈｉｃｈ ｕｓｅｓ ｔｈｅ ｓｐｅｃｔｒａｌ，ｓｐａｔｉａｌ ａｎｄ ｔｅｍｐｏｒａｒｙ ｆｅａｔｕｒｅｓ ｏｆ ｔｈｅ ｔａｒｇｅｔ ｔｏ ｒｅｄｕｃｅ ｔｈｅ ｎｕｍｂｅｒ ｏｆ ｈｙ— Ｍａｎｕｓｃｒｉｐｔ ｒｅｃｅｉｖｅｄ ｄａｔｅ：Ａｕｇｕｓｔ １０．２００９；ｒｅｖｉｓｅｄ ｄａｔｅ： Ｏｃｔｏｂｅｒ １６，２００９． ｐｏｔｈｅｓｅｓ ａｎｄ ｔｏ ｉｎｃｒｅａｓｅ ｔｈｅ ａｄａｐｔａｂｉｌｉｔｙ ｏｆ ｔｈｅ ａｌｇｏｒｉｔｈｍ． Ｓｕｐｐｏｒｔｅｄ ｂｙ ｔｈｅ Ｎａｔｉｏｎａｌ Ｎａｔｕｒａｌ Ｓｃｉｅｎｃｅ Ｆｏｕｎｄａｔｉｏｎ ｏｆ Ｃｈｉｎａ（Ｎｏ．６０７７２１５４１ ａｎｄ ｔｈｅ Ｐｒｅｓｉｄｅｎｔ Ｆｏｕｎｄａｔｉｏｎ ｏｆ Ｇｒａｄｕａｔｅ Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｃｈｉｎｅｓｅ Ａｃａｄｅｍｙ ｏｆ Ｓｃｉｅｎｃｅｓ ｆＮｏ． ０８５ｌ０２ＧＮ０Ｏ１． Ｃｏｍｍｕｎｉｃａｔｉｏｎ ａｕｔｈｏｒ：Ｓｕｎ Ｓｈｕｙａｎ．ｂｏｒｎ ｉｎ １９８４．ｍａｌｅ． Ｐｈ．Ｄ．ｓｔｕｄｅｎｔ．Ｒｏ０Ｉｌｌ ５０４，Ｍｏｓｈｉ Ｂｕｉｌｄｉｎｇ，Ｉｎｓｔｉｔｕｔｅ ｏｆ Ａｕｔｏｍａｔｉｏｎ， Ｃｈｉｎｅｓｅ Ａｃａｄｅｍｙ ｏｆ Ｓｃｉｅｎｃｅｓ， Ｎｏ．９５ Ｉｎ ｗｈａｔ ｆｏｌｌｏｗｓ，Ｓｅｃｔｉｏｎ ＩＩ ｐｒｏｖｉｄｅｓ ｔｈｅ ｂａｃｋ— ｇｒｏｕｎｄ ｆｏｒ ｍｕｌｔｉ—ｔａｒｇｅｔ ｔｒａｃｋｉｎｇ，ｗｈｉｌｅ Ｓｅｃｔｉｏｎ ＩＩＩ ｄｅｓｃｒｉｂｅｓ ｏｕｒ ＳＤＴ ｔｒａｃｋｉｎｇ ａｌｇｏｒｉｔｈｍ．Ｔｈｅ ｅｘ— ｐｅｒｉｍｅｎｔａｌ ｒｅｓｕｌｔｓ ａｒｅ ｐｒｅｓｅｎｔｅｄ ｉｎ Ｓｅｃｔｉｏｎ ＩＶ． Ｆｉｎａｌｌｙ，Ｓｅｃｔｉｏｎ Ｖ ｉｓ ｔｈｅ ｃｏｎｃｌｕｓｉｏｎ． Ｚｈｏｎｇｇｕａｎｃｕｎ Ｅａｓｔ Ｒｏａｄ，Ｈａｉｄｉａｎ Ｄｉｓｔｒｉｃｔ， Ｂｅｉｊｉｎｇ １００１９０ Ｃｈｉｎａ． Ｅｍａｉｌ：ｓｕｎｓｈｕｙａｎ０７◎ｍａｉｌｓ．ｇｕｅａｓ．ａｃ．ｅｎ． ＩＩ． Ｂａｃｋｇｒｏｕｎｄ Ｔｈｉｓ ｓｅｃｔｉｏｎ ｆｉｒｓｔ ｇｉｖｅｓ ａ ｒｅｖｉｅｗ ｏｆ ｓｉｎｇｌｅ—ｔａｒｇｅｔ ＳＵＮ ｅｔ ａ１．Ｓｉｇｎａｔｕｒｅ Ｄｒｉｖｅｎ Ｍｕｌｔｉｐｌｅ Ｔａｒｇｅｔ Ｔｒａｃｋｉｎｇ Ｂａｙｅｓｉａｎ ｆｉｌｔｅｒｉｎｇ，ｆｏｌｌｏｗｅｄ ｂｙ ｔｈｅ ｆｏｒｍｕｌａｔｉｏｎ ｏｆ ｍｕｌｔｉ—ｔａｒｇｅｔ ｔｒａｃｋｉｎｇ ｉｎ Ｒａｎｄｏｍ Ｆｉｎｉｔｅ Ｓｅｔ（ＲＦＳ） ｆｒａｍｅｗｏｒｋ，ｉｎ ｗｈｉｃｈ ｔｈｅ ｍｕｌｔｉ—ｔａｒｇｅｔ ＲＦＳ Ｂａｙｅｓｉａｎ ｒｅｃｕｒｓｉｏｎ ａｎｄ ｔｈｅ Ｐｒｏｂａｂｉｌｉｔｙ Ｈｙｐｏｔｈｅｓｉｓ Ｄｅｎｓｉｔｙ （ＰＨＤ）ｆｉｌｔｅｒ ｗｉｌｌ ｂｅ ｄｅｓｃｒｉｂｅｄ． １．Ｓｉｎｇｌｅ ｔａｒｇｅｔ ｔｒａｃｋｉｎｇ Ｉｎ ｓｉｎｇｌｅ ｔａｒｇｅｔ ｔｒａｃｋｉｎｇ，ｔｈｅ ｓｔａｔｅ ｏｆ ａ ｔａｒｇｅｔ ｉｓ ａｓｓｕｍｅｄ ｔｏ ｂｅ ａ ｆｉｒｓｔ ｏｒｄｅｒ Ｍａｒｋｏｖ ｐｒｏｃｅｓｓ ｏｎ ｔｈｅ ｓｔａｔｅ ｓｐａｃｅ ∈Ｒ ｗｉｔｈ ｔｒａｎｓｉｔｉｏｎ ｄｅｎｓｉｔｙ ｐ（ ￡ 】）【３］．Ｔｈｉｓ Ｍａｒｋｏｖ ｐｒｏｃｅｓｓ ｉｓ ｐａｒｔｉａｌｌｙ ｍｅａｓｕｒｅｄ ｉｎ ｔｈｅ ｍｅａｓｕｒｅｍｅｎｔ ｓｐａｃｅ Ｚ∈Ｒ ｗｉｔｈ ｌｉｋｅｌｉｈｏｏｄ ｐ（ｚ Ｉｘｔ）． Ｔｈｅ ｐｏｓｔｅｒｉｏｒ ｄｅｎｓｉｔｙ ａｔ ｔｉｍｅ ｔ，ｐ（ Ｉ １：ｔ）， ｗｈｉｃｈ ｉｓ ｔｈｅ ｐｒｏｂａｂｉｌｉｔｙ ｄｅｎｓｉｔｙ ｏｆ ｔｈｅ ｓｔａｔｅ ａｔ ｔｉｍｅ ｔ ｇｉｖｅｎ ａｌｌ ｏｂｓｅｒｖａｔｉｏｎｓ １ ：＝（ｚ１，…， ￡）ｕｐ ｔｏ ｔｉｍｅ ｔ ｃｏｎｔａｉｎｉｎｇ ａｌｌ ｔｈｅ ｉｎｆｏｒｍａｔｉｏｎ ａｂｏｕｔ ｔｈｅ ｓｔａｔｅ ¨ｃａｎ ｂｅ ｃｏｍｐｕｔｅｄ ｕｓｉｎｇ ｔｈｅ Ｂａｙｅｓ ｒｅｃｕｒ— ｓｉｏｎ ｆｒｏｍ ｔｈｅ ｐｒｏｂａｂｉｌｉｔｙ ｄｅｎｓｉｔｙ Ｐ（ 一１ ｌ川）ａｔ ｔｉｍｅ ｔ一】． Ｐ￣－１（ 一 ）＝ｆｐ（ｘ￣ｌｇｇｔ－１ Ｐ（ｘｔ－１ Ｚｌ：ｔ＿１）ｄ ¨（１） ｐ（ Ｉ ：）＝ ｐ（ｆｐ（ｚｚ ，ＩｘｔＩ ）） （鼽ｌｆ （ ｘ．１ｚ¨ ））ｄｘ Ｅｓｔｉｍａｔｅｓ ｏｆ ｔｈｅ ｓｔａｔｅ ａｔ ｔｉｍｅ ｔ ｃａｎ ｂｅ ｄｅｒｉｖｅｄ ｒｆｏｍ ｔｈｅ ｐｏｓｔｅｒｉｏｒ ｄｅｎｓｉｔｙ ｐ（ｘ￡Ｉ １：￡）ｕｓｉｎｇ Ｍｉｎｉ— ｍｕｍ Ｍｅａｎ Ｓｑｕａｒｅｄ Ｅｒｒｏｒ ｆＭＭＳＥ），Ｍａｘｉｍｕｍ Ａ Ｐｏｓｔｅｒｉｏｒｉ（ＭＡＰ），ｏｒ ｏｔｈｅｒ ｃｒｉｔｅｒｉｏｎｓ． Ｉｎ ｔｈｉｓ ｐａｐｅｒ，ｗｅ ａｓｓｕｍｅ ｅａｃｈ ｔａｒｇｅｔ ｆｏｌｌｏｗｓ ａ Ｇａｕｓｓｉａｎ ｄｙｎａｍｉｃａｌ ｍｏｄｅｌ ａｎｄ ｔｈｅ ｓｅｎｓｏｒ ｆｏｌｌｏｗｓ ａ Ｇａｕｓｓｉａｎ ｍｅａｓｕｒｅｍｅｎｔ ｍｏｄｅ１． ．ｅ． ｐ（ ）＝Ｎ（ｘ ；缸 （Ｘｔ＿１）， 一 ） ｐ（Ｚ ＝Ｎ（Ｚ ； （Ｘｔ），Ｒｔ） ｗｈｅｒｅⅣ（・；ｍ，Ｐ）ｄｅｎｏｔｅｓ ａ Ｇａｕｓｓｉａｎ ｄｅｎｓｉｔｙ ｗｉｔｈ ｍｅａｎ １ ｘ １０ ａｎｄ ｃｏｖａｒｉａｎｃｅ Ｐ；ｆ￣ｔ，－１（ ¨）；ｇｔ（ｚ￡）， 】ａｎｄ Ｒ ａｒｅ ｄｙｎａｍｉｃ ｔｒａｎｓｉｔｉｏｎ ｆｕｎｃｔｉｏｎ，ｌｉｋｅ— ｌｉｈｏｏｄ ｆｕｎｃｔｉｏｎ）ｐｒｏｃｅｓｓ ｎｏｉｓｅ ｃｏｖａｒｉａｎｃｅ ａｎｄ ｏｂ— ｓｅｒｖａｔｉｏｎ ｎｏｉｓｅ ｃｏｖａｒｉａｎｃｅ ｒｅｓｐｅｃｔｉｖｅｌｙ． ２．Ｒａｎｄｏｍ ｆｉｎｉｔｅ ｓｅｔ ｆｏｒｍｕｌａｔｉｏｎ ｏｆ ｍｕｌｔｉ－ｔａｒｇｅｔ ｔｒａｃｋｉｎｇ Ｉｎ ＲＦＳ ｆｏｒｍｕｌａｔｉｏｎ ｏｆ ｍｕｌｔｉ—ｔａｒｇｅｔ ｔｒａｃｋｉｎｇ， ｍｕｌｔｉ・－ｔａｒｇｅｔ ｓｔａｔｅ ａｎｄ ｍｕｌｔｉ・・ｔａｒｇｅｔ ｍｅａｓｕｒｅｍｅｎｔ ａｒｅ ｒｅｓｐｅｃｔｉｖｅｌｙ ｒｅｇａｒｄｅｄ ａｓ ａ ｓｅｔ—ｖａｌｕｅｄ ｓｔａｔｅ ａｎｄ ａ ７５５ ｓｅｔ－ｖａｌｕｅｄ ｏｂｓｅｒｖａｔｉｏｎ［４ ９１Ｍａｈｌｅｒ［ ０】 ａｓ ｐｒｅｓｅｎｔｅｄ ．ｔｈｅ Ｂａｙｅｓｉａｎ ｒｅｃｕｒｓｉｏｎ ｆｏｒ ｔｈｅ ｍｕｌｔｉ—ｔａｒｇｅｔ ｔｒａｃｋｉｎｇ ｐｒｏｂｌｅｍ ｉｎ ｔｈｅ ｐｒｅｓｅｎｃｅ ｏｆ ｃｌｕｔｔｅｒ ａｎｄ ｍｉｓｓ—ｄｅｔｅｃｔｉｏｎｓ ｕｎｄｅｒ ｔｈｅ ＲＦＳ ｆｒａｍｅｗｏｒｋ．Ｉｎ ｔｈｉｓ ｆｒａｍｅ ｗｏｒｋ，ｔｈｅ ｍｕｌｔｉｐｌｅ ｔａｒｇｅｔ ｓｔａｔｅ ａｔ ｔｉｍｅ ｔ ｉｓ ｒｅｐｒｅｓｅｎｔｅｄ ａｓ ａ ｆｉｎｉｔｅ ｓｅｔｉａａｏ］． ．ｅ． ： ，…， ）） （５） ｗｈｅｒｅ Ｍ ｆｔ１ ｉｓ ｔｈｅ ｎｕｍｂｅｒ ｏｆ ｔａｒｇｅｔｓ ａｔ ｔｉｍｅ ｔ． Ａｔ ｔｈｅ ｎｅｘｔ ｔｉｍｅ ｓｔｅｐ．ｉ．ｅ．ａｔ ｔｉｍｅ ｔ＋１．ｓｏｍｅ ｏｆ ｔｈｅｓｅ ｔａｒｇｅｔｓ ｍａｙ ｄｉｅ，ｔｈｅ ｓｕｒｖｉｖｉｎｇ ｔａｒｇｅｔｓ ｍａｙ ｅｖｏｌｖｅ ｔｏ ｔｈｅｉｒ ｎｅｗ ｓｔａｔｅｓ，ａｎｄ ｎｅｗ ｔａｒｇｅｔｓ ｍａｙ ａｐｐｅａｒ．Ｔｈｕｓ ｇｉｖｅｎ ａ ｍｕｌｔｉ—ｔａｒｇｅｔ ｓｔａｔｅ Ｘｔ１ ａｔ ｔｉｍｅ ｔ一１．ｔｈｅ ｍｕｌｔｉ—ｔａｒｇｅｔ ｓｔａｔｅ ａｔ ｔｉｍｅ ｔ ｉｓ ｃｈａｒａｃｔｅｒｉｚｅｄ ｂｙ ｔｈｅ ｕｎｉｏｎ ｏｆ ｔｈｅ ｓｕｒｖｉｖｉｎｇ ｔａｒｇｅｔｓ Ｓ ，ｔｈｅ ｓｐａｗｎｅｄ ｔａｒｇｅｔｓ巨ａｎｄ ｔｈｅ ｓｐｏｎｔａｎｅｏｕｓ ｂｉｒｔｈｓ Ｆｔ： Ｘｔ＝ ‘ Ｕ Ｕ （＜）ｌＵ ‘∈ｘｔ １ Ｕ ＵＥＵ （６） —Ａｔ ｔｈｅ ｓｅｎｓｏｒ，ｔｈｅ ｍｕｌｔｉ—ｔａｒｇｅｔ ｍｅａｓｕｒｅｍｅｎｔ ａｔ ｔｉｍｅ ｔ ｇｉｖｅｎ ａ ｍｕｌｔｉ—ｔａｒｇｅｔ ｓｔａｔｅ Ｘｔ，ｉｓ ａｌｓｏ ｒｅｐ— ｒｅｓｅｎｔｅｄ ａｓ ａ ｉｆｎｉｔｅ ｓｅｔ ＝Ｚｔ，１…， 州）） ｗｈｅｒｅ Ｎ（￡１ ｉｓ ｔｈｅ ｎｕｍｂｅｒ ｏｆ ｍｅａｓｕｒｅｍｅｎｔｓ ａｔ ｔｉｍｅ ｔ．Ｏｎｌｙ ｓｏｍｅ ｏｆ ｔｈｅｓｅ ｍｅａｓｕｒｅｍｅｎｔｓ ａｒｅ ａｃ— ｔｕａｌｌｙ ｇｅｎｅｒａｔｅｄ ｂｙ ｔａｒｇｅｔｓ ｗｉｔｈ ｏｔｈｅｒｓ ｂｙ ｃｌｕｔｔｅｒ． Ｔｈｕｓ，ｇｉｖｅｎ ａ ｍｕｌｔｉ—ｔａｒｇｅｔ ｓｔａｔｅ Ｘｔ ａｔ ｔｉｍｅ ｔ，ｔｈｅ ｍｕｌｔｉ—ｔａｒｇｅｔ ｍｅａｓｕｒｅｍｅｎｔ Ｚ．ｒｅｃｅｉｖｅｄ ａｔ ｔｈｅ ｓｅｎｓｏｒ ｉｓ ｆｏｒｍｅｄ ｂｙ ｔｈｅ ｕｎｉｏｎ ｏｆ ｔａｒｇｅｔ ｇｅｎｅｒａｔｅｄ ｍｅａｓ— ｕｒｅｍｅｎｔｓ ａｎｄ ｃｌｕｔｔｅｒ ．ｉ．ｅ． Ｚｔ＝哆Ｕ Ｂｏｔｈ ｉｎ Ｅｑ．（５）ａｎｄ Ｅｑ．（７），ｔｈｅｒｅ ｉｓ ｎｏ ｏｒｄｅｒｉｎｇ ｏｎ ｔｈｅ ｒｅｓｐｅｃｔｉｖｅｌｙ ｓｅｔ－－ｖａｌｕｅｄ ｓｔａｔｅ ａｎｄ ｓｅｔ—－ｖａｌｕｅｄ ｍｅａｓｕｒｅｍｅｎｔ．Ｍａｈｌｅｒ［ 。】ｈａｓ ｄｅｖｅｌｏｐｅｄ ｔｈｅ ｍｕｌｔｉ— ｔａｒｇｅｔ Ｂａｙｅｓｉａｎ ｒｅｃｕｒｓｉｖｅ ｆｏｒｍｕｌａ ｉｎ ｔｈｅ ｆｏｒｍ ｏｆ ｓｅｔ ｓｔａｔｅ ａｎｄ ｓｅｔ ｏｂｓｅｒｖａｔｉｏｎｓ．Ｇｉｖｅｎ ｍｕｌｔｉ—ｔａｒｇｅｔ ｔｒａｎｓｉｔｉｏｎ ｄｅｎｓｉｔｙ ｐ（ ｌ 一１），ｍｕｌｔｉ—ｔａｒｇｅｔ ｌｉｋｅｌｉ— ｈｏｏｄ ｐ（ ｌ ），ａｎｄ ｔｈｅ ｍｕｌｔｉ—ｔａｒｇｅｔ ｐｏｓｔｅｒｉｏｒ ｄｅｎ－ ｓｉｔｙ ｐ（ 一１ ｌ ：ｆ＿１）ａｔ ｔｉｍｅ ｔ一１，ｔｈｅｎ ｔｈｅ ｏｐｔｉｍａｌ ｍｕｌｔｉ－－ｔａｒｇｅｔ Ｂａｙｅｓｉａｎ ｆｉｌｔｅｒ ｐｒｏｐａｇａｔｅｓ ｔｈｅ ｍｕｌｔｉ－－ ｔａｒｇｅｔ ｐｏｓｔｅｒｉｏｒ ｉｎ ｔｉｍｅ ｖｉａ ｔｈｅ ｆｏｌｌｏｗｅｄ ｒｅｃｕｒｓｉｏｎ 、、，、●，Ｕ、璺７５６ ＪＯＵＲＮＡＬ ＯＦ ＥＬＥＣＴＲＯＮＩＣＳ（ＣＨＩＮＡ），Ｖｏｌ。２６ Ｎｏ．６，Ｎｏｖｅｍｂｅｒ ２００９ （Ｘ￣ＩＺ１：Ｈ）＝ ｐ（ ｌ ）Ｐ（Ｘｔ ・ （ ） ｐ（Ｘ ）＝ ｐ（ ｌ ）ｐ啦一 （ ｐ（ ＩＸ）ｐ 一 （ｘｌｚ，： ） （ ） ｗｈｅｒｅ ｉｓ ａｎ ａｐｐｒｏｐｒｉａｔｅ ｒｅｆｅｒｅｎｃｅ ｍｅａｓｕｒｅ＿３Ｉｌ０】． Ｈｏｗｅｖｅｒ，ｔｈｅ ｒｅｃｕｒｓｉｏｎ Ｅｑ．（９）－Ｅｑ．（１０）ｉｎ— ｖｏｌｖｅｓ ｍｕｌｔｉｐｌｅ ｉｎｔｅｇｒａｌｓ，ａｎｄ ｔｈｅ ｃｏｍｐｕｔａｔｉｏｎ ｉｓ ｉｎｔｒａｃｔａｂｌｅ．Ｔｈｕｓ ｔｈｅ ＰＨＤ ｆｉｌｔｅｒ ｗａｓ ｄｅｖｅｌｏｐｅｄ ｂｙ Ｍａｈｌｅｒ ｗｈｉｃｈ ｉｓ ａｎ ａｐｐｒｏｘｉｍａｔｉｏｎ ｔｏ ａｌｌｅｖｉａｔｅ ｔｈｅ ｃｏｍｐｕｔａｔｉｏｎａｌ ｉｎｔｒａｃｔａｂｉｌｉｔｙ ｉｎ ｔｈｅ ｍｕｌｔｉ—ｔａｒｇｅｔ Ｂａｙｅｓｉａｎ ｆｉｌｔｅｒ． Ｉｎ ｔｈｅ ＰＨＤ ｆｉｌｔｅｒｉｎｇ ａｌｇｏｒｉｔｈｍ，ｔｈｅ ｆｉｒｓｔ ｏｒｄｅｒ ｓｔａｔｉｓｔｉｃａ１ ｍｏｍｅｎｔ ｏｆ ｔｈｅ ｐｏｓｔｅｒｉｏｒ ｍｕｌｔｉ—ｔａｒｇｅｔ ｓｔａｔｅ ｉｓ ｐｒｏｐａｇａｔｅｄ ｉｎ ｔｉｍｅ．Ｆｏｒ ａｎ ＲＦＳ ｏｎ ）（∈Ｒ ｗｉｔｈ ｐｒｏｂａｂｉｌｉｔｙ ｄｉｓｔｒｉｂｕｔｉｏｎ Ｐ，ｉｔｓ ｆｉｒｓｔ— ｏｒｄｅｒ ｍｏｍｅｎｔ，ｉ．ｅ．，ＰＨＤ ｆｕｎｃｔｉｏｎ，ｖ，ｉｓ ｄｅｆｉｎｅｄ ａｓ ｆｏｌｌｏｗｓ：ｔｈｅ ｉｎｔｅｇｒａｌ ｏｆ ｖ ｏｖｅｒ ａｎｙ ｒｅｇｉｏｎ Ｓ【。， 。】 ｇｉｖｅｓ ｔｈｅ ｅｘｐｅｃｔｅｄ ｎｕｍｂｅｒ ｏｆ ｅｌｅｍｅｎｔｓ ｏｆ Ｘ ｗｈｉｃｈ ａｒｅ ｉｎ Ｓ．ｉ．ｅ． ｆ ｘＮｓｅ（ｅｘ）＝ｆ￣ （ ）ｄ ｗｈｅｒｅ ｆＸｆ ｇｉｖｅｓ ｔｈｅ ｃａｒｄｉｎａｌｉｔｙ ｏｆ Ｘ．Ｉｆ ｓｏｍｅ ｃｅｒ－ ｔａｉｎ ａｓｓｕｍｐｔｉｏｎｓ ａｒｅ ｈｏｌｄ］ ，ｔｈｅｎ ｔｈｅ ｐｏｓｔｅｒｉｏｒ ｉｎ— ｔｅｎｓｉｔｙ ｃａｎ ｂｅ ｐｒｏｐａｇａｔｅｄ ｉｎ ｔｉｍｅ ｖｉａ ｔｈｅ ＰＨＤ ｒｅｃｕｒｓｉｏｎ： ｖｔｌｔ－１ ｘｔ）＝－ｆＰ ｘｔ一 （ ｆ墨一 ｖｔ ｘｔ一 ）ｄｘｔ一 ＋ （ ｘｔ ｖｔ ｘｔ＿ｄｘｔ一 ＋７（ｘｔ）（１２） （ ）＝Ｉ１一ｐ。（ｘｔ）Ｉｖ （ ） ＋ （１３） ｗｈｅｒｅ ｄｅｎｏｔｅｓ ｔｈｅ ｉｎｔｅｎｓｉｔｙ ｏｆ ｃｌｕｔｔｅｒ ＲＦＳ ａｔ ｔｉｍｅ￡； ｉｓ ｔｈｅ ｍｕｌｔｉ—ｔａｒｇｅｔ ｏｂｓｅｒｖａｔｉｏｎ ａｖａｉｌａｂｌｅ ａｔ ｔｉｍｅ ；７（ｔ）ｄｅｎｏｔｅｓ ｔｈｅ ｉｎｔｅｎｓｉｔｙ ｏｆ ｓｐｏｎｔａｎｅｏｕｓ ｔａｒｇｅｔ ｂｉｒｔｈ ＲＦＳ； ㈠ｉｓ ｔｈｅ ｉｎｔｅｎｓｉｔｙ ｏｆ ｔｈｅ ｔａｒｇｅｔ ＲＦＳ ｓｐａｗｎｅｄ ｂｙ ａ ｔａｒｇｅｔ ｗｉｔｈ ｐｒｅｖｉｏｕｓ ｓｔａｔｅ ａｔ ｔｉｍｅ ；Ｐｓ ｉｓ ｔｈｅ ｐｒｏｂａｂｉｌｉｔｙ ｔｈａｔ ａ ｔａｒｇｅｔ ｓｔｉｌｌ ｅｘｉｓｔｓ ａｔ ｔｉｍｅ ｔ ｇｉｖｅｎ ｉｔｓ ｐｒｅｖｉｏｕｓ ｓｔａｔｅ；Ｐ『Ｊ ｉｓ ｔｈｅ ｐｒｏｂａｂｉｌｉｔｙ ｏｆ ｄｅｔｅｃｔｉｏｎ ｇｉｖｅｎ ａ ｓｔａｔｅ ａｔ ｔｉｍｅ ｔ． Ｔｈｅ ＰＨＤ ｒｅｃｕｒｓｉｏｎ Ｅｑ．（１２）－Ｅｑ．（１３）ｒｅｑｕｉｒｅｓ ｍｕｃｈ ｌｅｓｓ ｃｏｍｐｕｔａｔｉｏｎａｌ ｐｏｗｅｒ ｔｈａｎ ｔｈｅ ｍｕｌｔｉ— ｔａｒｇｅｔ ｒｅｃｕｒｓｉｏｎ Ｅｑ．（９）－Ｅｑ．（１０），ｆｏｒ ｉｔ ａｖｏｉｄｓ ｔｈｅ ｃｏｍｂｉｎａｔｏｒｉａｌ ｃｏｍｐｕｔａｔｉｏｎｓ ａｒｉｓｉｎｇ ｆｒｏｍ ｔｈｅ ａｓｓｏ— ｃｉａｔｉｏｎ ｏｆ ｍｅａｓｕｒｅｍｅｎｔｓ ｗｉｔｈ ｔａｒｇｅｔｓ．ａｎｄ ｔｈｅ ＰＨＤ ｉｎｔｅｎｓｉｔｙ ｉｓ ａ ｆｕｎｃｔｉｏｎ ｏｎ ｔｈｅ ｓｉｎｇｌｅ—ｔａｒｇｅｔ ｓｔａｔｅ ｓｐａｃｅ．Ｈｏｗｅｖｅｒ，ｔｈｅ ＰＨＤ ｒｅｃｕｒｓｉｏｎ ｄｏｅｓ ｎｏｔ ｈａｖｅ ｃｌｏｓｅｄ ｆｏｒｍ ｓｏｌｕｔｉｏｎｓ ｉｎ ｇｅｎｅｒａ１．Ｔｈｕｓ．Ｖｏ ａｎｄ Ｍａ＿３． ｐｒｏｐｏｓｅｄ ｔｈｅ ｃｌｏｓｅｄ ｆｏｒｍ ＰＨＤ ｆｏｒｍｕｌａｔｉｏｎ．ｉ．ｅ．． Ｇａｕｓｓｉａｎ Ｍｉｘｔｕｒｅ Ｐｒｏｂａｂｉｌｉｔｙ Ｈｙｐｏｔｈｅｓｉｓ Ｄｅｎｓｉｔｙ ｆＧＭＰＨＤ １ ｉｎ ｔｈｅ ｃａｓｅ ｏｆ ｌｉｎｅａｒ Ｇａｕｓｓｉａｎ ｄｙｎａｍｉｃ ａｎｄ ｌｉｋｅｌｉｈｏｏｄ ｆｕｎｃｔｉｏｎ，ｅｓｐｅｃｉａｌｌｙ，ｔｈｅｙ ｈａｖｅ ｐｒｏｖｅｄ ｔｈｅ ｃｏｎｖｅｒｇｅｎｃｅ ｏｆ ｔｈｉｓ ｃｌｏｓｅ—ｏｆｒｍ ｆｏｒｍｕｌａ－ ｔｉｏｎ［１２１． ＩＩＩ． ＳＤＴ Ａｌｇｏｒｉｔｈｍ Ｔｈｉｓ ｓｅｃｔｉｏｎ ｆｉｒｓｔ ｐｒｅｓｅｎｔｓ ｔｈｅ ｄｅｆｉｎｉｔｉｏｎ ｏｆ ｔｈｅ ｓｉｇｎａｔｕｒｅ ｆｏｒ ａ ｔａｒｇｅｔ，ａｎｄ ｔｈｅｎ ｔｈｅ ｉｎｆｏｒｍａｔｉｏｎ ｆｕｓｉｏｎ ｆｒａｍｅｗｏｒｋ ｗｉｌｌ ｂｅ ｄｅｒｉｖｅｄ ｂａｓｅｄ ｏｎ ｔｈｉｓ ｄｅｆｉｎｉｔｉｏｎ，ｗｈｉｃｈ ｉｎｃｌｕｄｅｓ ｔｈｅ ｇａｔｉｎｇ ｏｆ ｅｘｉｓｔｅｄ ｓｉｇｎａｔｕｒｅｓ，ｓｉｇｎａｔｕｒｅ ｆｏｒｍａｔｉｏｎ，ａｎｄ ｓｉｇｎａｔｕｒｅ ｃｏｎ— ｉｆｒｍａｔｉｏｎ ａｎｄ ｔｅｒｍｉｎａｔｉｏｎ，ｅｔｃ． １．Ｓｉｇｎａｔｕｒｅ ｏｆ ａ ｔａｒｇｅｔ Ａｓ ｍｅｎｔｉｏｎｅｄ ａｂｏｖｅ，ｔｈｅ ａｎａｌｙｓｉｓ ｏｆ ｔａｒｇｅｔ ｓｉｇ－ ｎａｔｕｒｅｓ ｉｎ ｓｐｅｃｔｒａｌ，ｓｐａｔｉｌａ ａｎｄ ｔｅｍｐｏｒａｌ ｄｏｍａｉｎ ｇｉｖｅｓ ｐｅｏｐｌｅ ｍｕｃｈ ｍｏｒｅ ｆｒｅｅｄｏｍ ｉｎ ｕｓｉｎｇ ｒｉｃｈ ｉｎ— ｆｏｒｍａｔｉｏｎ ｆｒｏｍ ｓｅｎｓｏｒｙ ｄａｔａ ａｎｄ ｐｒｉｏｒ ｋｎｏｗｌｅｄｇｅ］１３】． Ｆｕｓｉｎｇ ａ ｗｅａｌｔｈ ｏｆ ｉｎｆｏｒｍａｔｉｏｎ ｆｒｏｍ ｓｐｅｃｔｒａｌ，ｓｐａ－ ｔｉａｌ ａｎｄ ｔｅｍｐｏｒａｌ ｄｏｍａｉｎ ｗｉｌｌ ｒｅｄｕｃｅ ｔｈｅ ｎｕｍｂｅｒ ｏｆ ｈｙｐｏｔｈｅｓｅｓ ａｎｄ ｗｉｌｌ ｉｎｃｒｅａｓｅ ｔｈｅ ａｄａｐｔａｂｉｌｉｔｙ ｏｆ ｔｈｅ ｄａｔａ ａｓｓｏｃｉａｔｉｏｎ ｐｒｏｃｅｓｓ ｉｎ ｔｈｅ ｍｅａｎｔｉｍｅ．Ｈｅｒｅｉｎ ｔｈｅ ｓｉｇｎａｔｕｒｅ ｏｆ ａ ｔａｒｇｅｔ ｉｓ ｐｒｏｐｏｓｅｄ ａｓ ａ ｆｒａｍｅｗｏｒｋ ｏｆｒ ｔｈｅ ｆｕｓｉｏｎ ｏｆ ｔｈｉｓ ｒｉｃｈ ｉｎｆｏｒｍａｔｉｏｎ． Ｔｈｅ ｓｉｇｎａｔｕｒｅ ｏｆ ａ ｔａｒｇｅｔ ｏ ｉｓ ｄｅｆｉｎｅｄ ａｓ ａ ｄａｔａ ｓｔｒｕｃｔｕｒｅ ｆｒｏｍ ｔｉｍｅ ａ ｔｏ ｔｉｍｅ ｔ ａｓ ｆｏｌｌｏｗｓ： Ｓｉｇｎａｔｕｒｅ（ｏ，ｔ）＝｛ ， ，Ｋ ， ，４｝＝｛ Ｆｅａｔｕｒｅｓ ａｔ ｔｉｍｅ ｔ＜ Ｍｅａｓｕｒｅｍｅｎｔ ｓｅｑｕｅｎｃｅ：Ｌｔ＝（Ｙ。，…，Ｙ￡）； Ｆｅａｔｕｒｅ ｓｅｑｕｅｎｃｅ： ＝｛仉，…， ）； Ｔｅｍｐｏｒａｌ ｓｉｇｎａｔｕｒｅ：Ｋｔ＝ ， ， ）； Ｓｐｅｃｔｒａｌ／ｓｐａｔｉａｌ ｓｉｇｎａｔｕｒｅ：Ｃ￡：｛ ，Ｔｔ）； Ｏｖｅｒａｌｌ ｂｅｌｉｅｆ ｏｆ ｔｈｅ ｓｉｇｎａｔｕｒｅ（ｏ）ａｔ ｔｉｍｅ ｔ： ＝｛０１，Ｐｔ）； ＝ Ｌ ｐ（，ｔ Ｉ厶）＋ ｐ（ ｆ ），＝ Ｐ（ＴＩ厶）＋ Ｆ。Ｐ（Ｔｌ ）， ￡＋ Ｆ１ ．）； ｗｈｅｒｅ ａ＝ｍａｘ（ｔ—Ｎ＋１，ｓ）；８，Ｎ，Ｊ（Ｊ＝ａ：ｔ）ａｎｄ ｔ ａｒｅ ｔｈｅ ｅｍｅｒｇｅｎｃｅ ｔｉｍｅ ｏｆ ｔｈｅ ｔａｒｇｅｔ，ｔｈｅ ｌｅｎｇｔｈ ｏｆ ｔｉｍｅ ｓｅｒｉｅｓ ｔｏ ｂｅ ａｎａｌｙｚｅｄ，ｔｈｅ ｉｎｄｅｘ ｏｆ ｔｉｍｅ ａｎｄ ｔｈｅ ＳＵＮ ｅｔ ａ１．Ｓｉｇｎａｔｕｒｅ Ｄｒｉｖｅｎ Ｍｕｌｔｉｐｌｅ Ｔａｒｇｅｔ Ｔｒａｃｋｉｎｇ ７５７ ｃｕｒｒｅｎｔ ｔｉｍｅ ｒｅｓｐｅｃｔｉｖｅｌｙ；ｔｈｅ ｅｑｕｉｖａｌｅｎｔ ｓｔａｔｕｓ￡ ａｔ ｔｉｍｅ ｔ ｃｏｎｔａｉｎｉｎｇ ｍｏｔｉｏｎ ｉｎｆｏｒｍａｔｉｏｎ Ｃａｌｌ ｂｅ ｄｅｒｉｖｅｄ ｆｒｏｍ Ｎ ｓｌｉｃｅｓ ｏｆ ｍｅａｓｕｒｅｍｅｎｔ ｄａｔａ Ｌｔ； ｓｉｇｎａｔｕｒｅｓ，ａ ｎｅｗ ｓｉｇｎａｔｕｒｅ ｏｌ ｗｉｌｌ ｂｅ ｆｏｒｍｅｄ ｗｉｔｈ ａｓ ｔｈｅ ｆｉｒｓｔ ｍｅａｓｕｒｅｍｅｎｔ ｏｆ ＯＬ． ｔｈｅ ｋｉｎｅｔｉｃｓ Ｍａｒｋｏｖ ｂｅｌｉｅｆ ＝ｐ（毛ｌ厶）ａｎｄ ｔｈｅ ｆｅａｔｕｒｅ Ｍａｒｋｏｖ ｂｅｌｉｅｆ ｔ＝ｐ（叩ｆ ｌ ）ａｒｅ ｕｓｅｄ ｔｏ ｒｅｐｒｅｓｅｎｔ ｔｈｅ ｔｅｍｐｏｒａｌ ｐｒｏｐｅｒｔｙ ａｎｄ ｔｈｅ ｓｐｅｃ— Ａｔ ｔｉｍｅ ｔ＋１，ｔｈｅ ｍｅａｓｕｒｅｍｅｎｔ ｓｅｔ｛ｚｔＪ＋１，Ｊ＝ １，…，ｍｎ｝ｗｉｔｈｉｎ ｔｈｅ ｎｅｉｇｈｂｏｒｈｏｏｄ ｏｆ ｏＬ ｗｉｌｌ ｂｅ ｓｅｔｔｌｅｄ ａｆｔｅｒ ｇａｔｉｎｇ．Ａｓｓｏｃｉａｔｉｎｇ ｔｈｅｓｅ ｍｅａｓｕｒｅ— ｍｅｎｔｓ ｗｉｔｈ ，ｎｅｗ ｍ ＋１ ｓｉｇｎａｔｕｒｅｓ，ｏＬ，， ｔｒａｌ／ｓｐａｔｉａｌ ｐｒｏｐｅｒｔｙ ｏｆ ｔｈｅ ｔａｒｇｅｔ； ＝Ｐ（Ｔ １Ｌｔ） ａｎｄ ７＿￡＝Ｐ（Ｔ ｌ ）ａｒｅ ｔｈｅ ｐｒｏｂａｂｉｌｉｔｉｅｓ ｔｈａｔ ｏ ｉｓ Ｊ＝０，１，…，ｍ ，ｗｈｅｒｅ Ｊ＝０ ｉｎｄｉｃａｔｅｓ ｔｈａｔ ａｌｌ ｏｆ ｔｈｅ ｍｅａｓｕｒｅｍｅｎｔｓ ａｒｅ ｃｌｕｔｔｅｒ，ｗｉｌｌ ｂｅ ｆｏｒｍｅｄ ａｎｄ ｒｅｇａｒｄｅｄ ａｓ ａ ｔａｒｇｅｔ ｂａｓｅｄ ｏｎ ｔｈｅ ｒｅｓｐｅｃｔｉｖｅ ｐｒｏｐ— ｅｒｔｉｅｓ ａｂｏｖｅ ２．Ｓｉｇｎａｔｕｒｅ ｇａｔｉｎｇ Ｉｎ ｔｈｉｓ ｐａｐｅｒ，ｗｅ ａｓｓｕｍｅ ａ ｔａｒｇｅｔ ｗｉｌｌ ｋｅｅｐ ｉｔｓ ｃｏｎｔｉｎｕｉｔｙ ｉｎ ｓｐｅｃｔｒａｌ，ｓｐａｔｉａｌ ａｎｄ ｔｅｍｐｏｒａｌ ｄｏｍａｉｎ ｄｕｒｉｎｇ ｉｔｓ ｍｏｖｅｍｅｎｔ． ．ｅ．ｔｈｅ ｍｏｔｉｏｎ ａｎｄ ｓｐｅｃ— ｔｒａｌ／ｓｐａｔｉａｌ ｓｉｇｎａｔｕｒｅｓ ｐｏｓｓｅｓｓ Ｍａｒｋｏｖ ｐｒｏｐｅｒｔｙ． Ｆｏｒ ｅｘａｍｐｌｅ，ｉｆ ａ ｔａｒｇｅｔ ｆｌｉｅｓ ａｔ ａ ｃｅｒｔａｉｎ ｓｐｅｅｄ ａｔ ｔｉｍｅ ｔ一１．ｔｈｅｎ ａｔ ｔｉｍｅ ｔ ｉｔ ｗｉｌｌ ｃｏｎｔｉｎｕｅ ｍｏｖｉｎｇ ａｔ ｔｈｅ ｓｐｅｅｄ ｗｈｉｃｈ ｎｅａｒｓ ｔｈａｔ ｏｆ ｔｉｍｅ ｔ一１，ｉ．ｅ．，ｔｈｅ ｓｐｅｅｄ ｏｆ ｔｉｍｅ ｔ ｗｉｌｌ ｆａｌｌｓ ｉｎｔｏ ｔｈｅ ｎｅｉｇｈｂｏｒｈｏｏｄ ｏｆ ｔｈｅ ｓｐｅｅｄ ａｔ ｔｉｍｅ ｔ一１．Ｔｈｕｓ ｔｈｅ ｇａｔｉｎｇ ｍｅｔｈｏｄ ｉｓ ｎｅｃｅｓｓａｒｙ ｈｅｒｅ ｒｆｏｍ ｗｈｉｃｈ ｔｈｅ ｎｅｉｇｈｂｏｒｈｏｏｄ ｏｆ ｅａｃｈ ｓｉｇｎａｔｕｒｅ ｃａｎ ｂｅ ｏｂｔａｉｎｅｄ． Ｉｆ ｔｈｅ ｅｑｕｉｖａｌｅｎｔ ｓｔａｔｕｓ ｏｆ ｔｈｅ ｓｉｇｎａｔｕｒｅ ａｔ ｔｉｍｅ ｔ ｉｓ￡，ｔｈｅ ｎｅｉｇｈｂｏｒｈｏｏｄ ｏｆ ｔｈｉｓ ｔａｒｇｅｔ ｉｓ ｄｅｆｉｎｅｄ ａｓ ｆｏｌｌｏｗｓ： Ｇ＝｛ｚＩ（ｚ一９ （ ＋ （毒 ）））Ｔ ｓ （ 一９ （ ＋ （ ））） Ｅ｝ （１４） ｗｈｅｒｅ ｆｔ＋ｌｌｔ（ｘ￡＋ｌ ｌｘ￡）ａｎｄ （ Ｉｘ ）ａｒｅ ｒｅｓｐｅｃｔｉｖｅｌｙ ｄｙｎａｍｉｃ ｔｒａｎｓｉｔｉｏｎ ｆｕｎｃｔｉｏｎ ａｎｄ ｌｉｋｅｌｉｈｏｏｄ ｆｕｎｃｔｉｏｎ， ｗｈｏｓｅ ｆｏｒｍｓ ａｒｅ ｐｒｏｂｌｅｍ ｄｅｐｅｎｄｅｎｔ，ｗｈｉｌｅ ｄｉｆｆｅｒｅｎｔ ｃｈｏｉｃｅ ｏｆ ｔｈｅｓｅ ｆｕｎｃｔｉｏｎｓ ｐｒｅｓｅｎｔｓ ｄｉｆｆｅｒｅｎｔ Ｍａｒｋｏｖ ｐｒｏｐｅｒｔｉｅｓ． ３．Ｓｉｇｎａｔｕｒｅ ｆｏｒｍａｔｉｏｎ ａｎｄ ｍａｎａｇｅｍｅｎｔ Ｔｒａｄｉｔｉｏｎａｌ ｔｒａｃｋｉｎｇ ｍｅｔｈｏｄｓ ｅｍｐｈａｓｉｚｅ ｄａｔａ， ｗｈｉｌｅ ｏｕｒ ｍｅｔｈｏｄ ｅｍｐｈａｓｉｚｅｓ ｉｎｆｏｒｍａｔｉｏｎ ｆｕｓｉｏｎ ｒｆｏｍ ｏｒｇａｎｉｚｅｄ ｓｅｎｓｏｒｙ ｄａｔａ ａｎｄ ｐｒｉｏｒ ｋｎｏｗｌｅｄｇｅ ｉｎ ｄｉｆｆｅｒｅｎｔ ｌｅｖｅｌｓ，ｉ．ｅ．ｔｈｅ ｓｉｇｎａｔｕｒｅ ｏｆ ａ ｔａｒｇｅｔ． Ｔｈｅｒｅｆｏｒｅ，ｔｈｅ ｆｏｒｍａｔｉｏｎ ａｎｄ ｍａｎａｇｅｍｅｎｔ ｐｒｉｎｃｉｐｌｅ ｆｏｒ ａ ｓｉｇｎａｔｕｒｅ ｓｈｏｕｌｄ ｂｅ ｐｒｏｐｅｒｌｙ ｄｅｆｉｎｅｄ． Ｔｈｅ ｅｘｉｓｔｉｎｇ ｓｉｇｎａｔｕｒｅ ｐｒｏｃｅｓｓｅｓ ｃｏｎｔｉｎｕｉｔｙ ｉｎ ｓｐｅｃｔｒａｌ，ｓｐａｔｉａｌ ａｎｄ ｔｅｍｐｏｒａｌ ｄｏｍａｉｎ ａｎｄ ｉｔｓ ｎｅｉｇｈｂｏｒｈｏｏｄ ｃａｎ ｂｅ ｏｂｔａｉｎｅｄ ｕｓｉｎｇ ｇａｔｉｎｇ ｍｅｔｈｏｄ ａｓ ｍｅｎｔｉｏｎｅｄ ａｂｏｖｅ．Ｉｆ ｔｈｅｒｅ ｅｘｉｓｔｓ ａ ｐｏｓｉｔｉｏｎ ｍｅａｓｕｒｅｍｅｎｔ ｚ＋ａｔ ｔｉｍｅ ｔ ｗｈｉｃｈ ｄｏｅｓ ｎｏｔ ｆａＵ ｉｎｔｏ ａｎｙ ｎｅｉｇｈｂｏｒｈｏｏｄ ｏｆ ａｌｌ ｅｘｉｓｔｉｎｇ ｃｏｎｆｉｒｍｅｄ ｏＬ ｗｉｌｌ ｂｅ ｄｅｌｅｔｅｄ．Ｔｈｕｓ ｏｎｅ ｓｉｇｎａｔｕｒｅ ｅｘｔｅｎｄｓ ｔｏ ｍ ＋１ ｎｅｗ ｓｉｇｎａｔｕｒｅｓ ａｎｄ ａｌｌ ｏｆ ｔｈｅｍ ｒｅｐｒｅｓｅｎｔ ｏｎｌｙ ｏｎｅ ｔａｒｇｅｔ ｗｉｔｈ ｔｈｅ ｓａｍｅ ｅｍｅｒｇｅｎｃｅ ｔｉｍｅ ｔ． Ｔｈｅ ｓａｍｅ ｉｍｐｌｅｍｅｎｔａｔｉｏｎ ｗｉｌｌ ｂｅ ｒｅｐｅａｔｅｄ ａｔ ｔｉｍｅ ｔ＋２． ｔ ＋１ ＋２ Ｆｉｇ．１ Ｓｉｇｎａｔｕｒｅ ｆｏｒｍａｔｉｏｎ Ｈｅｎｃｅ ｗｅ ｆｏｒｍ ａ ｔｒｅｅ ｃｏｎｓｉｓｔｉｎｇ ｏｆ ｓｉｇｎａｔｕｒｅｓ． Ｅａｃｈ ｓｉｇｎａｔｕｒｅ ｗｉｌｌ ｂｅ ｃｏｎｆｉｒｍｅｄ ｉｆ ｉｔ ｉｓ ｇｅｎｅｒａｔｅｄ ｆｒｏｍ ｔｒｕｅ ｔａｒｇｅｔ ｍｅａｓｕｒｅｍｅｎｔ ｏｒ ｗｉｌ１ ｂｅ ｔｅｒｍｉｎａｔｅｄ ｉｆ ｉｔ ｉｓ ｃｏｍｐｏｓｅｄ ｏｆ ｃｌｕｔｔｅｒ ｉｎ ａ ｔｒｅｅ ｆｓｅｅ Ｓｕｂｓｅｃｔｉｏｎ ＩＩＩ．６１．Ａ ｔｒｅｅ ｉｓ ｃｏｎｆｉｒｍｅｄ ａｓ ｌｏｎｇ ａｓ ａｎｙ ｓｉｇｎａｔｕｒｅ ｉｎ ｉｔ ｈａｓ ｂｅｅｎ ｃｏｎｆｉｒｍｅｄ．Ｉｆ ｏｎｅ ｃｏｎｆｉｒｍｅｄ ｔｒｅｅ ｈａｓ ｂｅｅｎ ｅｘｉｓｔｅｄ ｆｏｒ ｃｏｎｓｅｃｕｔｉｖｅ Ｎ ｔｉｍｅ ｓｔｅｐｓ，ｔｈｅ ｃｏｎｆｉｒｍｅｄ ｌｅａｆ ｓｉｇｎａｔｕｒｅ ｗｉｔｈ ｔｈｅ ｈｉｇｈｅｓｔ ｏｖｅｒａｌｌ ｂｅｌｉｅｆ ０ ｗｉｌｌ ｂｅ ｓｅｎｔ ｔｏ ｔｈｅ ｓｔａｔｅ ｆｉｌｔｅｒ ａｓ ｔｈｅ ｏｕｔｐｕｔ ｏｆ ｔｈｉｓ ｃｏｎｆｉｒｍｅｄ ｔｒｅｅ， ｗｈｉｌｅ ０ ｈａｓ ｂｅｅｎ ｄｅｆｉｎｅｄ ａｓ ａｂｏｖｅ． ４．Ｔｅｍｐｏｒａｌ ｓｉｇｎａｔｕｒｅ Ｔｈｅ ｃｏｎｔｉｎｕｉｔｙ ｏｆ ａ ｔａｒｇｅｔ ｉｎ ｔｅｍｐｏｒａｌ ｄｏｍａｉｎ ｍａｉｎｌｙ ｒｅｆｅｒｓ ｔｏ ｔｈｅ Ｍａｒｋｏｖ ｐｒｏｐｅｒｔｙ ｏｆ ｔｈｅ ｔａｒｇｅｔ’ｓ ｓｔａｔｅ，ｉ．ｅ．ｔｈｅ ｋｉｎｅｔｉｃｓ Ｍａｒｋｏｖ ｐｒｏｐｅｒｔｙ，ｗｈｉｃｈ ｉｎ— ｅｌｕｄｅｓ ｐｏｓｉｔｉｏｎ，ｖｅｌｏｃｉｔｙ ａｎｄ ａｃｃｅｌｅｒａｔｉｏｎ ｉｎｆｏｒｍａ－ ｔｉｏｎ．Ｇｉｖｅｎ ａ ｔｒｅｅ ｓｔｒｕｃｔｕｒｅ《三）ａｔ ｔｉｍｅ ｔ．ｗｈｉｌｅ ＝｛厶， ， ， ， ）ｂｅｌｏｎｇｓ ｔｏ ．Ａｔ ｔｉｍｅ ｔ＋１，ｗｉｔｈ ｔｈｅ ｍｅａｓｕｒｅｍｅｎｔ ｓｅｔ Ｚｔ＋１＝｛ ｌ， ｉ＝１，…，ｍｎ）ｉｎ ｔｈｅ ｎｅｉｇｈｂｏｒｈｏｏｄ ｏｆ ｏＬ，ｔｈｅ ｍｅａｓ— ｕｒｅｍｅｎｔ ｓｅｔ ｔｈａｔ ｆａｌｌｓ ｉｎｔｏ ｔｈｅ ｎｅｉｇｈｂｏｒｈｏｏｄ ｏｆ《三） ｊｓ： ７５８ ＝ＪＯＵＲＮＡＬ ＯＦ ＥＬＥＣＴＲＯＮＩＣＳ（ＣＨＩＮＡ），Ｖｏ１．２６ Ｎｏ．６，Ｎｏｖｅｍｂｅｒ ２００９ Ｕ ＝ ｉ∥＝ ・ ＝Ｐ（ 扎 ） 刈 ＝｛厶，Ｊ， ，，，Ｋｔ Ｃｔ ，Ｊ｝．Ｊ＝０，１，…，ｍ ，ｔｈｅ ｋｉｎｅｔ— ６．Ｂａｙｅｓｉａｎ ｃｏｎｆｉｒｍａｔｉｏｎ ａｎｄ ｔｅｒｍｉｎａｔｉｏｎ ｌＰｏＧｉｖｅｎ ａ ｓｉｇｎａｔｕｒｅ，ｔｈｅ ｄｅｃｉｓｉｏｎ ｔｈａｔ ｗｈｅｔｈｅｒ ｔｈｉｓ Ｐ ｃ 扎， ¨ ＝Ｐ（￣＋Ｉ’； ： 二≠。 ｓｉｇｎａｔｕｒｅ ｉｓ ｇｅｎｅｒａｔｅｄ ｂｙ ｔｈｅ ｍｅａｓｕｒｅｍｅｎｔｓ ｏｆ ａ ｔａｒｇｅｔ ｓｈｏｕｌｄ ｂｅ ｍａｄｅ．Ｔｈｉｓ ｃａｎ ｂｅ ｄｏｎｅ ｕｓｉｎｇ ｔｈｅ Ｂａｙｅｓｉａｎ ｃｒｉｔｅｒｉｏｎ［ ． ∑（１＋ ｎｃｏ Ａｓ ｆｏｒ ｔｈｅ ｔｅｍｐｏｒａｌ ｉｎｆｏｒｍａｔｉｏｎ，ｏｎｌｙ Ｎ ｔｉｍｅ ｓｌｉｄｅｓ ｏｆ ｄａｔａ ｕｐ ｔｏ ｔｈｅ ｃｕｒｒｅｎｔ ｔｉｍｅ ｔ ｗｉｌｌ ｂｅ ｃｏｎｓｉｄｅｒｅｄ ｉｎ ｏｕｒ ｍｅｔｈｏｄ，ｔｈｕｓ ｗｅ ｈａｖｅ ＝Ｐ（ 扎 ｆＬｔ扎 ）＝Ｐ（毒 ，ｆ ＋ ） （１８） Ｐ（岛扎 ｌ毫）＝Ⅳ（ 一ｇ （ （ ）），ｓ） （１９） ５．Ｓｐｅｃｔｒａｌ／ｓｐａｔｉａｌ ｓｉｇｎａｔｕｒｅ Ｂｅ￣ｒｅ ｌａｕｎｃｈｉｎｇ ｔｈｅ ｔｒａｃｋｉｎｇ ａｌｇｏｒｉｔｈｍ，ａ ｔａｒ— ｇｅｔ ｍｏｄｅｌ ｂａｓｅ ｓｈｏｕｌｄ ｂｅ ｐｒｏｐｅｒｌｙ ｄｅｆｉｎｅｄ ａｎｄ ｅｓｔａｂｌｉｓｈｅｄ．Ｔｈｉｓ ｍａｙ ｉｎｖｏｌｖｅ ｔｈｅ ｓｔｕｄｙ ｏｆ ｓｅｎｓｏｒｙ ｓｙｓｔｅｍ ａｓ ｗｅｌｌ ａｓ ｔｈｅ ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ ｏｆ ｔａｒｇｅｔ ｓｅｎ— ｓｏｒｙ ｄａｔａ ｗｉｔｈ ｃｏｎｓｉｄｅｒａｔｉｏｎ ｏｆ ｒｅｆｌｅｃｔａｎｃｅ，ｔａｒｇｅｔ ｄｙｎａｍｉｃｓ ａｎｄ ｔｈｅ ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ ｏｆ ｔｈｅ ｃｌｕｔｔｅｒ，ｅｔｃ． Ｉｎ ｏｒｄｅｒ ｔｏ ｄｅｒｉｖｅ ｔｈｅ ｔａｒｇｅｔ ｍｏｄｅｌ ｐａｒａｍｅｔｅｒｓ，ｗｅ ｍａｙ ｎｅｅｄ ｔｏ ｃｏｌｌｅｃｔ ｔｒａｉｎｉｎｇ ｄａｔａ ｓａｍｐｌｅｓ ａｎｄ ｄｅ－ ｓｉｇｎ ｐｒｏｐｅｒ ｔｒａｉｎｉｎｇ ａｌｇｏｒｉｔｈｍｓ．Ｆｏｒ ｅｘａｍｐｌｅ，ｃｅｒ— ｔａｉｎ ｔｙｐｅ ｏｆ ａｉｒｃｒａｆｔ ｍａｙ ｆｌｙ ａｔ ｃｅｒｔａｉｎ ｓｐｅｅｄ ａｎｄ ａｃｃｅｌｅｒａｔｉｏｎ，ｗｈｉｃｈ ｃａｎ ｂｅ ｃｈａｒａｃｔｅｒｉｚｅｄ ｂｙ Ｄｏｐｐｌｅｒ ｓｉｇｎａ１．Ｔｈｉｓ Ｄｏｐｐｌｅｒ ｓｉｇｎａｌ ｃａｎ ｂｅ ｕｓｅｄ ａｓ ｔｈｅ ｓｐｅｃｔｒａｌ／ｓｐａｔｉａｌ ｓｉｇｎａｔｕｒｅ．Ｔｈｅ ｃｏｎｔｉｎｕｉｔｙ ｏｆ ａ ｔａｒｇｅｔ ｉｎ ｓｐｅｃｔｒａｌ／ｓｐａｔｉａｌ ｄｏｍａｉｎ ｍａｉｎｌｙ ｒｅａｒｓ ｔｏ ｔｈｅ Ｍａｒｋｏｖ ｐｒｏｐｅｒｔｙ ｏｆ ｔｈｅ ｓｉｇｎａｌ ｌｉｋｅ ｔｈｉｓ，ｗｈｉｃｈ ｉｓ ｐｒｏｂｌｅｍ ｄｅｐｅｎｄｅｎｔ ａｎｄ ｓｈｏｕｌｄ ｂｅ ｐｒｏｐｅｒｌｙ ｄｅｆｉｎｅｄ． Ａｆｔｅｒ ｔｈｅ ｄｅｉｆｎｉｔｉｏｎ ｏｆ ｓｐｅｃｔｒａｌ／ｓｐａｔｉａｌ ｓｉｇｎａｔｕｒｅ， ｗｅ ｏｂｔａｉｎ ｔｈｅ ｓｐｅｃｔｒａｌ／ｓｐａｔｉａｌ Ｍａｒｋｏｖ ｂｅｌｉｅｆ ｉｎ ｔｈｅ ｓａｍｅ ｗａｙ ａｓ ｔｈａｔ ｏｆ ｋｉｎｅｔｉｃｓ Ｍａｒｋｏｖ ｂｅｌｉｅｆ Ｌｅｔ Ｐ（ ＪＴ）ｔｏ ｂｅ ｔｈｅ ｐｒｏｂａｂｉｌｉｔｙ ｔｈａｔ ｔｈｅ ｓｉｇ－ ｎａｔｕｒｅ ｉｓ ｆｏｒｍｅｄ ｂａｓｅｄ ｏｎ ｔｒｕｅ ｏｂｓｅｒｖａｔｉｏｎｓ ｏｆ ａ ｔａｒｇｅｔ，ｔｈｅｎ ｔｈｒｏｕｇｈ Ｂａｙｅｓ Ｒｕｌｅ［ ， Ｐ（ １ ）＝ Ｐ（ｏ￣ＩＴ）Ｐｏ（Ｔ） Ｐ（ＯＬ） Ｐ（￣ｌｒ）Ｐｏ（Ｔ） Ｐ（ａｌＴ）Ｐｏ（Ｔ）＋Ｐ（ｏ￣ＩＦ）Ｐｏ（Ｆ） （ ）＋Ｐ０（Ｆ）＝１ （２２） ｗｈｅｒｅ Ｐ０（ ）ａｎｄ Ｐ０（Ｆ）ａｒｅ ｒｅｓｐｅｃｔｉｖｅｌｙ ｔｈｅ ｉｎｉｔｉａｌ ｐｒｏｂａｂｉｌｉｔｙ ｔｈａｔ ｏＬ ｇｅｎｅｒａｔｅｄ ｂｙ ａ ｔｒｕｅ ｔａｒｇｅｔ ｏｒ ｂｙ ｃｌｕｔｔｅｒ．Ｌｅｔ Ｐ＝Ｐ（ａＩＴ）／Ｐ（￣ＩＦ）ｔｏ ｂｅ ｔｈｅ ｌｉｋｅ－ ｌｉｈｏｏｄ ｒａｔｉｏ，ｔｈｅｎ Ｐ（ ｌ ）＝ ｐｒｏ（Ｔ）＋（ＰＰ０（１一 （Ｔ） ）） （２３） Ｇｉｖｅｎ Ｐ（ １Ｔ）ａｔ ｔｉｍｅ ｔ， ｗｉｌｌ ｅｘｔｅｎｄ ｔｏ ｍ。 ＋１ ｎｅｗ ｓｉｇｎａｔｕｒｅｓ Ｊ，Ｊ＝０，１，…，ｍ ，ａｔ ｔｉｍｅ ｔ＋１，ｗｉｔｈ ｔｈｅ ｃｏｒｒｅｓｐｏｎｄｉｎｇ ｌｉｋｅｌｉｈｏｏｄ ｒａｔｉｏ ＰⅢ，Ｊ，ｔｈｅｎ ｗｅ ｇｅｔ Ｐ（ＴｌａＪ） Ｐ Ｔ ，）＝ （２４） Ｗｉｔｈ ｃｏｎｆｉｒｍａｔｉｏｎ ａｎｄ ｔｅｒｍｉｎａｔｉｏｎ ｔｈｒｅｓｈｏｌｄ Ｇ ａｎｄ弓 ，ｔｈｅ Ｂａｙｅｓｉａｎ ｃｏｎｆｉｒｍａｔｉｏｎ ａｎｄ ｔｅｒ— ｍｉｎａｔｉｏｎ ｌｏｇｉｃ ｉｓ ｇｉｖｅｎ ｂｅｌｏｗ． Ｐ（Ｔ ｏ￣，）＜ ，ｓｉｇｎａｔｕｒｅ ｔｅｒｍｉｎａｔｅｄ ＜Ｐ（ ）＜ ，ｃｏｎｔｉｎｕｅ ｔｅｓｔ （２５） Ｐ（ Ｉ ，）＞ ，ｓｉｇｎａｔｕｒｅ ｃ。ｎｆｉｒｍｅｄ Ｇｉｖｅｎ ａｎｄ Ｐ（Ｔ ｌａ）＝ Ｐ（ＴＩＬ，）＋ Ｆ ｔＰ（ＴＩＦ￣） ａｔ ｔｉｍｅ ｔ，ｗｈｅｒｅ ＝｛厶， ，Ｋｓ，Ｃｔ， ）ａｎｄ ｕ ＋ 。＝１．Ａｔ ｔｉｍｅ ｔ＋１，ＯＬ ｅｘｔｅｎｄｓ ｔｏ ，，Ｊ＝ Ｌ ＳＵＮ ｅｔ ａ１．Ｓｉｇｎａｔｕｒｅ Ｄｒｉｖｅｎ Ｍｕｌｔｉｐｌｅ Ｔａｒｇｅｔ Ｔｒａｃｋｉｎｇ ● Ｊ ７５９ ０ ｍ Ｗｅ ｐｒｏｐｏｓｅ ｔｏ ｕｓｅ ＲＦＳ ｔｒａｃｋｉｎｇ ａｓ ｔｈｅ ｓｔａｔｅ ｉｌｆｔｅｒ［。，１０， ．ａｎｄ ａｔ ｔｈｅ ｓｔａｔｅ ｕｐｄａｔｅ ｓｔａｇｅ，ｗｅ ａｌｌｏｗ ●ｌｔⅣ ｈ Ｃ 鲁Ｐ（ ｔｈｅ ｓｔａｔｅ ｅｓｔｉｍａｔｉｏｎ ｔｏ ｂｅ ｕｐｄａｔｅｄ ｂｙ ａｎｙ ｐｏｓｓｉｂｌｅ ｓｉｇｎａｔｕｒｅ，ａｓ ａ ｓｅｔ ｏｐｅｒａｔｉｏｎ．Ｔｈｅ ｃｏｍｐｌｅｔｅ ａｌｇｏ— ｏ Ｐｔ＋ｌＪ （２６） ｒｉｔｈｍ ｉｓ ｐｒｅｓｅｎｔｅｄ ｂｅｌｏｗ： ｒ ，ｒ １一 ｅ Ｓ ｐ １一 ｏ ｎ ｄ ●ｌ ｎ Ｐ ｇ ｒ ７ｔ＋１，Ｊ １一 （２７） ｔａ ●ｌ ｏ １一 ｗｈｅｒｅ Ｐ。ｉＬ Ｊ ｓ ｔｈｅ ｄｅｔｅｃｔｉｏｎ ｐｒｏｂａｂｉｌｉｔｙ；８ ｉｓ ｔｈｅ ｃｌｕｔｔｅｒ ｓｐａｔｉａ ａｌ ｄｅｎｓｉｔｙ；Ｐ￡＋１ａｒｅ ｒｅ— ，ｓｐｅｃｔｉｖｅｌｙ ｔｎ Ｊ ａｎｄ ＋１，，ｄ ｅｍｐｏｒａｌ ａｎｄ ｓｐｅｃｔｒａｌ／ｓｐａｔｉａｌ Ｍａｒｋｏｖ ｌｉｋｅｌｉｈｏｏｄ ｒａｔｉｏ． Ｔｈｅｎ ｗｅ ｈａｖｅ Ｐ（Ｔ Ｌｔ ，）＝ ，尸（ Ｉ厶） ＋ｌ， Ｐ（ｒ Ｉ厶）＋ （１－Ｐ（ｒｌＬ￣）） （２８） Ｐ（ Ｊ 扎 ）＝ ： 萎 （２９） ｗｈｉｌｅ Ｐ（ＴＩＬｔ＋ｌ＿Ｊ）ａｎｄ Ｐ（ＴＩＦｔ＿１．Ｊ）ａｒｅ ｔｈｅ ｐｒｏｂ— ａｂｉｌｉｔｉｅｓ ｔｈａｔ ｔｈｅ ｓｉｇｎａｔｕｒｅ ｉｓ ｒｅｇａｒｄｅｄ ａｓ ａ ｔａｒｇｅｔ ｂａｓｅｄ ｏｎ ｔｈｅ ｒｅｓｐｅｃｔｉｖｅ ｐｒｏｐｅｒｔｉｅｓ ａｂｏｖｅ． ７．Ｏｖｅｒａｌｌ ｂｅｌｉｅｆ ｏｆ ｔｈｅ ｓｉｇｎａｔｕｒｅ Ｇｉｖｅｎ ｔｅｍｐｏｒａｌ ｓｉｇｎａｔｕｒｅ Ｅｑ．（１６），Ｅｑ．（２８）ａｎｄ ｓｐｅｃｔｒａｌ／ｓｐａｔｉａｌ ｓｉｇｎａｔｕｒｅ Ｅｑ．（２０），Ｅｑ．（２９），ｔｈｅ ｏｖｅｒａｌｌ ｂｅｌｉｅｆ ｏｆ ａ ｓｉｇｎａｔｕｒｅ ｉｓ ｄｅｒｉｖｅｄ ｂｙ ＝０２Ｌ， ｐ（专Ｉ厶）＋ ｐ（ Ｉ ） ｆ３０） ＝ｃｚＬ，ｔＰ（ＴＩＬｔ）＋ａ％ｆ（ＴｌＦ，） （３１） ｗｈｅｒｅ ￡ａｎｄ Ｆ ｔ ａｒｅ ｗｅｉｇｈｔｓ ｏｎ ｔｈｅ ｃｏｎｄｉｔｉｏｎ ．Ｌ．￡＋ Ｆ￡＝１ ｗｈｉｃｈ ａｒｅ ｐｒｏｂｌｅｍ ｉｎｄｅｐｅｎｄｅｎｔ． ．Ｈｅｎｃｅ，ｇｉｖｅｎ ａ ｓｅｑｕｅｎｃｅ ｏｆ ｏｂｓｅｒｖａｔｉｏｎ ｄａｔａ，ａｓ ｗｅｌｌ ａｓ ｐｒｉｏｒ ｋｎｏｗｌｅｄｇｅ ｏｆ ｔａｒｇｅｔｓ ｏｆ ｉｎｔｅｒｅｓｔ ａｎｄ ａｐｐｌｉｃａｔｉｏｎ ｄｏｍａｉｎ ｋｎｏｗｌｅｄｇｅ，ｗｅ ａｒｅ ｇｏｉｎｇ ｔｏ ｅｓｔｉｍａｔｅ ｔｈｅ ｎｕｍｂｅｒ ｏｆ ｔａｒｇｅｔｓ ａｎｄ ｔｈｅｉｒ ｓｔａｔｅｓ （１ｏｃａｔｉｏｎ，ｓｐｅｅｄ，ａｎｄ ａｃｃｅｌｅｒａｔｉｏｎ），ｗｈｉｌｅ ｔｈｅ ｔａｒｇｅｔｓ ｍａｙｂｅ ｅｍｅｒｇｅ，ｄｉｓａｐｐｅａｒ，ｓｐａｗｎ ａｎｄ ｍｏｖｅ ｗｉｔｈ ｖａｒｉｏｕｓ ｔｙｐｅ ｏｆ ｍｏｔｉｏｎ ｍｏｄｅｌｓ ａｔ ｔｈｅ ｓｔａｔｅ ｓｐａｃｅ， ａｎｄ ｔｈｅ ｔａｒｇｅｔｓ ｍａｙ ｂｅ ｄｅｔｅｃｔｅｄ ｐａｒｔｉａｌｌｙ ｗｉｔｈ ｔｈｅ ｅｘｉｓｔｅｎｃｅ ｏｆ ｃｌｕｔｔｅｒ ｄｕｅ ｔｏ ｉｎｔｅｒｆｅｒｅｎｃｅ ｏｆ ｏｔｈｅｒ ｒｅａｓｏｎｓ ａｔ ｔｈｅ ｏｂｓｅｒｖａｔｉｏｎ ｓｐａｃｅ． 一 ｌＧｉｖｅｎ ｔｒｅｅ ｓｅｔ三＝｛ ＂ｌ ＝１，…， ）ａｔ ｔｉｍｅ ｔ，ｍｅａｓｕｒｅｍｅｎｔ ｓｅｔ Ｚｔ＋１ ａｔ｝ｉｍｅ ｔ＋ｌ，ａｎｄ ｍｕｌｔｉ— ｐｌｅ ｔａｒｇｅｔ ｓｔａｔｅ ｓｅｔ ＝｛ ． ｌｉ＝１，…，ｏｓ）ａｔ ｔｉｍｅ ８＝ｔ—Ｎ＋１，ｗｈｅｒｅ ）＝｛ ｌ２＝１，…， 礼 ， ＝｛ ’ ， ， ， ， 。）． Ｓｔｅｐ １ Ｐｒｅｄｉｃｔｉｏｎ ＝ ＿ｌ ｌ（ ’）；ｆｏｒ ｌ＝１，…， ａｎｄ ＝１， …・佗 ・ Ｓｔｅｐ ２ Ｇａｔｉｎｇ Ｆｏｒ ＝ｌ，…， ，ｄｏ ｇａｔｉｎｇ ｕｓｉｎｇ Ｅｑ．（１４）ｔｏ ｇｅｔ ｌ＝１，…，ｎ ａｎｄ ｄｅｒｉｖｅ ｆｏｒ ｆｏｒ ｔｈｒｏｕｇｈ Ｅｑ．（１５）． ＝Ｚｍ｝ Ｕ４ｆｌ Ｓｔｅｐ ３ Ｓｉｇｎａｔｕｒｅ ｆｏｒｍａｔｉｏｎ Ａｓｓｏｃｉａｔｅ ０ ｗｉｔｈ ｚ ｆ］Ｕ ａｎｄ ｆｏｒｍ ｎｅｗ （ｋｄ ｓｉｇｎａｔｕｒｅｓ …，ｗｈｅｒｅ ＝Ｉ １． 血 ＝ ｒ！ｋ，０ ， ， ｝；Ｊ＝０，ｌ， …，ｍ ；ｌ＝１，…，竹 ＝１，…，ｎ￡；｛ ｄｅｒｉｖｅ Ｊ Ｊｆｒｏｍ ，７ ｂｙ ｐｏｌｙｎｏｍｉａｌ ｆｉｔｔｉｎｇ； ｄｅｒｉｖｅ ａ‰）｛ ａｎｄ ７－ ｒｅｓｐｅｃｔｉｖｅｌｙ ｔｈｒｏｕｇｈ Ｅｑｓ．（１６），（２Ｓ），（２０），ａｎｄ（２９）Ｉ） Ｉｆ ＋１≠ ａｎｄ ＋１＝｛ １，Ｊ＝１，… ｉｎｉｔｉａｌｉｚｅ ｍ ＋１］ｓｉｇｎａｔｕｒｅｓ ＝｛Ｑ‰ Ａｄｊｕｓｔ ｔｈｅ ｓｕｐｅｒｓｃｒｉｐｔ ａｎｄ ｓｕｂｓｃｒｉｐｔ． 三刊 ＝｛ Ｉｋ＝１，…， 刊 ），ｗｈｅｒｅ ＝ 十ｍ＇， ＋１）・ ｌ１ Ｓｔｅｐ ４ Ｓｉｇｎａｔｕｒｅ ｃｏｎｆｉｒｍａｔｉｏｎ ａｎｄ ｔｅｒｍｉ．．ｒ ｎａｔｉｏｎ Ｉｎｉｔｉａｌｉｚｅ置＋１＝ ；ｒｔ…＝０； ｏＦｒ ｋ＝ｌ，・－．，仃￡＋１Ｉ ，ｄｏ ｓｉｇｎａｔｕｒｅ ｃｏｎｆｉｒｍａｔｉｏｎ， ｔｅｒｍｉｎａｔｉｏｎ ａｎｄ ｍａｎａｇｅｍｅｎｔ ｔｈｒｏｕｇｈ Ｅｑ．（２５）ａｎｄ Ｓｕｂｓｅｃｔｉｏｎｓ ＩＩ１．３，６，ａｎｄ ａｄｊｕｓｔ ｔｈｅ ｓｕｐｅｒｓｃｒｉｐｔ ａｎｄ ｓｕｂｓｃｒｉｐｔ． 三 ＋ ＝｛Ｏ；ｆｌｌｋ＝１，…， ＋ ）， ＝｛ ？Ｉｆ＝１ｊ…， ） Ｓｔｅｐ ５ Ｓｔａｔｅ ｆｉｌｔｅｒｉｎｇ ． 、ｏＦｒ ＝１，…， ， ｗｉｔｈ ｔｈｅ ｆｏｒｍｉｎｇ ｔｉｍｅ ｓ ＜ Ｉｆ ｓ ｔ—Ｎ＋２ ｗｉｔｈ ｂｅｅｎ ｃｏｎｆｉｒｍｅｄ， ｉｆｎｄ ｉｎ ｗｉｔｈ ｍ＝ａｒｇｍａｘ （ ）： ｉｆ ｔｈｅ ｃＯｒｒｅｓｐｏｎｄｉｎｇ ｔｒａｃｋ ｈａｓ ｂｅｅｎ ｉｎｉｔｉａｌ— ｉｚｅｄ ｆｉｎｄ ｉｔ ｉｎ ｘ ｓ ａｎｄ ｐｕｔ ｉｔ ａｌｏｎｇ ｗｉｔｈ ，川） ７６０ ＪＯＵＲＮＡＬ ＯＦ ＥＬＥＣＴＲＯＮＩＣＳ（ＣＨＩＮＡ），Ｖｏ１．２６ Ｎｏ．６，Ｎｏｖｅｍｂｅｒ ２００９ ｉｎｔｏ ｔｈｅ ｓｔａｔｅ ｆｉｌｔｅｒ ｔｏ ｇｅｔ ａ ｎｅｗ ｓｔａｔｅ ａｌｓ＋１。，； ｅｌｓｅ ｓｅｔ 抖１）ａｓ ｔｈｅ ｐｏｓｉｔｉｏｎ ｉｎｉｔｉａｌ ｖａｌｕｅ ａｎｄ ｉｎｉｔｉａｌｉｚｅ ｓｔａｔｅ ａｓ ＿ｌ＿。；， ＋ ＝｛ ＋１．。ｌｉ＝１，…，Ｏｓ＋１）； Ｓｔｅｐ ６ Ｏｕｔｐｕｔ 三＋ ＝｛ ＝１，…， ＋ ）； ＝｛ ｆ－１，…，礼 ）； Ｘ刚＝｛ ＋１ｌ。 ＝１，…，Ｏｓ＋１） ＩＶ． Ｅｘｐｅｒｉｍｅｎｔａｌ Ｒｅｓｕｌｔｓ １．Ｃｏｍｐ￣ｉｓｏｎ ｗｉｔｈ ＭＨＴ Ｉｎ ｔｈｉｓ ｅｘｐｅｒｉｍｅｎｔ，ａ ｔｗｏ—ｄｉｍｅｎｓｉｏｎａｌ ｓｃｅｎａｒｉｏ ｗｉｔｈ ｕｎｋｎｏｗｎ ａｎｄ ｔｉｍｅ ｖａｒｙｉｎｇ ｎｕｍｂｅｒ ｏｆ ｔａｒｇｅｔｓ ｏｂｓｅｒｖｅｄ ｉｎ ｃｌｕｔｔｅｒ ｉｓ ｓｉｍｕｌａｔｅｄ ｆｏｒ ｉｌｌｕｓｔｒａｔｉｏｎ ｐｕｒｐｏｓｅｓ．Ｔｈｅ ｔａｒｇｅｔｓ ａｒｅ ｔｒａｃｋｅｄ ｉｎ ｔｈｅ ｓｕｒｖｅｉｌ— ｌａｎｃｅ ｒｅｇｉｏｎ ｏｆ ｉ一１０００ ｍ，１０００ ｍ１ ｘ １—１０００ ｍ，１０００ ｍ］，ｗｈｉｌｅ ｔｈｅ ｓｔａｔｅ ＝［Ｐ ，Ｐ ，ｖｘ Ｖｙ， ｒ ｏｆ ｅａｃｈ ｔａｒｇｅｔ ｃｏｎｓｉｓｔｓ ｏｆ ｐｏｓｉｔｉｏｎ（Ｐ ，Ｐ ）ａｎｄ ｖｅｌｏｃｉｔｙ （ ￡，Ｖｙ．ｔ），ｗｈｉｌｅ ｔｈｅ ｍｅａｓｕｒｅｍｅｎｔ ｉｓ ｔｈｅ ｐｏｓｉｔｉｏｎ ｗｉｔｈ ｎｏｉｓｅ．Ａｇａｉｎ ｗｅ ａｓｓｕｍｅ ｅａｃｈ ｔａｒｇｅｔ ｆｏｌｌｏｗｓ ａ ｌｉｎｅａｒ Ｇａｕｓｓｉａｎ ｄｙｎａｍｉｃａｌ ｍｏｄｅｌ，ｉ．巴 ｐ（ ｆＩｘｔ－１）＝Ｎ（ｘｔ； 一 ， 一 ） （３２） ｐ（ ｌ ）＝Ⅳ ＨｔＸｔ， ） （３３） ｗｈｅｒｅⅣ（・；ｍ，Ｐ）ｄｅｎｏｔｅｓ ａ Ｇａｕｓｓｉａｎ ｄｅｎｓｉｔｙ ｗｉｔｈ ｍｅａｎ钉 ａｎｄ ｃｏｖａｒｉａｎｃｅ Ｐ，ａｎｄ １ ａｎｄ Ｈｔ ａｒｅ ｒｅｓｐｅｃｔｉｖｅｌｙ ｄｙｎａｍｉｃ ｔｒａｎｓｉｔｉｏｎ ｍａｔｒｉｘ ａｎｄ ｏｂｓｅｒ— ｖａｔｉｏｎ ｍａｔｒｉｘ．Ｔｈｅ ｄｙｎａｍｉｃ ｔｒａｎｓｉｔｉｏｎ ｍａｔｒｉｘ Ｆ １ ａｎｄ ｐｒｏｃｅｓｓ ｎｏｉｓｅ ｃｏｖａｒｉａｎｃｅ 一１ ａｒｅ Ｉ２△Ｉ Ｉ， ２ ＝ ０２ ＝ ： （３４） △ Ｉ、 ｗｈｅｒｅ ｊ『２ ａｎｄ ０２ ｄｅｎｏｔｅ ２ ｘ ２ ｉｄｅｎｔｉｔｙ ａｎｄ ｚｅｒｏ ｍａｔｒｉｃｅｓ．△＝２ ｓ ｉｓ ｔｈｅ ｓａｍｐｌｉｎｇ ｉｎｔｅｒｖａ１．ａｎｄ ＝０．３ ｍ／ｓ。ｉｓ ｔｈｅ ｓｔａｎｄａｒｄ ｄｅｖｉａｔｉｏｎ ｏｆ ｔｈｅ ｐｒｏｃｅｓｓ ｎｏｉｓｅ． Ｔｈｅ ｏｂｓｅｒｖａｔｉｏｎ ｍａｔｒｉｘ Ｈｔ ａｎｄ ｍｅａｓｕｒｅｍｅｎｔ ｎｏｉｓｅ ｃｏｖａｒｉａｎｃｅ ｍａｔｒｉｘ Ｒ．ａｒｅ ｇｉｖｅｎ ｂｙ Ｈ ＝ ［ ，０２］．Ｒｔ＝ ： ，ｗｈｅｒｅ ＝５ ｍ ｉｓ ｔｈｅ ｓｔａｎ— ｄａｒｄ ｄｅｖｉａｔｉｏｎ ｏｆ ｔｈｅ ｍｅａｓｕｒｅｍｅｎｔ ｎｏｉｓｅ．Ｔｈｅ ｄｅ— ｔｅｃｔｉｏｎ ｐｒｏｂａｂｉｌｉｔｙ ｏｆ ｅａｃｈ ｔａｒｇｅｔ ｉｓ ０．９８８６，ａｎｄ ｔｈｅ ｃｌｕｔｔｅｒ ａｒｅ ｍｏｄｅｌｅｄ ａｓ ｉｎｄｅｐｅｎｄｅｎｔ ｉｄｅｎｔｉｃａｌｌｙ ｄｉｓｔｒｉｂｕｔｅｄ ｆｉ．ｉ．ｄ．）ｍｅａｓｕｒｅｍｅｎｔｓ ｗｉｔｈ ｕｎｉｆｏｒｍ ｓｐａｔｉａｌ ｄｉｓｔｒｉｂｕｔｉｏｎ ｗｈｉｌｅ ｔｈｅ ｓｐａｔｉａｌ ｄｅｎｓｉｔｙ ｉｓ ＝１×１０ ｍ－ ．ｉ．ｅ．ｔｈｅｒｅ ａｒｅ ４０ ｃｌｕｔｔｅｒ ｒｅｔｕｒｎｓ ｏｖｅｒ ｔｈｅ ｓｕｒｖｅｉｌｌａｎｃｅ ａｔ ｅａｃｈ ｔｉｍｅ ｓｔｅｐ．Ｔｈｅ ｍａｘｉｍｕｍ ｓｐｅｅｄ ｏｆ ｔｈｅ ｔａｒｇｅｔｓ ｉｓ １００ ｍ／ｓ．Ｔｈｅ ｔｏｔａｌ ｓｉｍｕｌａｔｉｎｇ ｔｉｍｅ ｉｓ ２００ ８，ｗｈｉｌｅ ｔｈｅ ｗｈｏｌｅ ｎｕｍｂｅｒ ｏｆ ｔｉｍｅ ｓｔｅｐｓ ｉｓ １００． Ｔｈｅ ＭＨＴ ａｌｇｏｒｉｔｈｍ ｗａｓ ｆｉｒｓｔ ｐｒｏｐｏｓｅｄ ｂｙ Ｒｅｉｄｐ５］ａｔ １９７８，ａｎｄ ｗａｓ ｇｒｅａｔｌｙ ｄｅｖｅｌｏｐｅｄ ｂｙ Ｂｌａｃｋｍａｎ［１，２１．Ｔｈｅ ａｌｇｏｒｉｔｈｍ ｕｓｅｄ ｉｎ ｔｈｉｓ ｐａｐｅｒ ｗａｓ ｇｉｖｅｎ ｂｙ Ｃｏｘ ａｎｄ Ｈｉｎｇｏｒａｎｉｐ６】，ａｎｄ ｍｏｒｅ ｄｅｔａｉｌｓ ｃａｎ ｂｅ ｆｏｕｎｄ ｉｎ ｔｈｅ ｌｉｔｅｒａｔｕｒｅ． Ｆｉｇ．２ ｓｈｏｗｓ ｔｈｅ ｔｒｕｅ ｔａｒｇｅｔ ｔｒａｊｅｃｔｏｒｉｅｓ，ｗｈｉｌｅ Ｆｉｇ．３ ｓｈｏｗｓ ｔｈｅ ｍｅａｓｕｒｅｍｅｎｔｓ ｏｖｅｒ ｗｈｏｌｅ ｓｉｍｕ— ｌａｔｉｎｇ ｔｉｍｅ，ａｎｄ Ｆｉｇ．４ ｓｈｏｗｓ ｔｈｅ ｍｅａｓｕｒｅｍｅｎｔｓ ａｎｄ ｔｒｕｅ ｔｒａｊｅｃｔｏｒｉｅｓ ａｇａｉｎｓｔ ｔｉｍｅ ｒｅｓｐｅｃｔｉｖｅｌｙ ａｌｏｎｇ ｘ ａｘｉｓ ａｎｄ Ｙ ａｘｉｓ．Ｔａｂ．１ ｇｉｖｅｓ ｔｈｅ ｂｏｒｎ／ｅｍｅｒｇｅｎｃｅ ｔｉｍｅ ｓｔｅｐｓ ａｎｄ ｔｈｅ ｄｅａｔｈ／ｄｉｓａｐｐｅａｒａｎｃｅ ｔｉｍｅ ｓｔｅｐｓ ｏｆ ｔｈｅｓｅ ｔａｒｇｅｔｓ．Ｆｉｇ．５ ａｎｄ Ｆｉｇ．６ ｒｅｓｐｅｃｔｉｖｅｌｙ ｓｈｏｗ ｔｈｅ ｔｒａｃｋｉｎｇ ｒｅｓｕｌｔｓ ｏｆ ｔｈｅ ＳＤＴ ｍｅｔｈｏｄ ａｎｄ ｔｈｅ ＭＨＴ ｍｅｔｈｏｄ． Ｔａｂ．１ Ｔｈｅ ｂｏｒｎ ｔｉｍｅ ａｎｄ ｄｅａｔｈ ｔｉｍｅ ｏｆ ｅａｃｈ ｔａｒｇｅｔ １０００ ８００ ６００ ４００ ２００ ０ —２００ ４００ －６００ —８００ １０００ －８００ ４００ ０ ４００ ８００ ｚｆｍ１ Ｆｉｇ．２ Ｔａｒｇｅｔ ｔｒｕｅ ｔｒａｊｅｃｔｏｒｉｅｓ，ｗｈｉｌｅ ｔｈｅ ｃｉｒｃｌｅ ｍａｒｋｓ ｄｅｎｏｔｅｓ ｔｈｅ ｔａｒｇｅｔ ｅｍｅｒｇｅｎｃｅ ｌｏｃａｔｉｏｎｓ，ａｎｄ ｔｈｅ ｓｑｕａｒｅ ｍａｒｋｓ ｒｅｐｒｅｓｅｎｔｓ ｔｈｅ ｔａｒｇｅｔ ｄｉｓａｐｐｅａｒａｎｃｅ ｌｏｃａｔｉｏｎｓ ＳＵＮ ｅｔ ａ１．Ｓｉｇｎａｔｕｒｅ Ｄｒｉｖｅｎ Ｍｕｌｔｉｐｌｅ Ｔａｒｇｅｔ Ｔｒａｃｋｉｎｇ １０００ ８００ ６００ ４００ ２００ ０ ２００ ４００ ６００ ８００ １０００ －８００ ４００ ０ ４００ ８００ ｆ】１１１ Ｆｉｇ．３ Ｍｅａｓｕｒｅｍｅｎｔｓ ｏｖｅｒ ｗｈｏｌｅ ｓｉｍｕｌａｔｉｎｇ ｔｉｍｅ，ｗｈｉｌｅ ａ ｃｒｏｓｓ ｍａｒｋ ｉｎｄｉｃａｔｅｓ ａ ｐｏｓｉｔｉｏｎ ｍｅａｓｕｒｅｍｅｎｔ １０００ ８００ ６００ ４００ ２００ ０ ２００ ４００ ６００ ８００ １０００ １０ ３０ ５Ｏ ７Ｏ ９０ Ｔｉｍｅ（ｓｔｅｐ） １０００ ８００ ６００ ４００ ２００ ０ ２００ ４００ ６００ ８００ １０００ ｌ０ ３Ｏ ５Ｏ ７０ ９０ Ｔｉｍｅ（ｓｔｅｐ） Ｆｉｇ．４ Ｍｅａｓｕｒｅｍｅｎｔｓ ａｎｄ ｔｒｕｅ ｔｒａｊｅｃｔｏｒｉｅｓ ａｇａｉｎｓｔ ｔｉｍｅ，ｗｈｉｌｅ ｔｈｅ ｌｉｎｅｓ ｄｅｎｏｔｅ ｔｒａｊｅｃｔｏｒｉｅｓ ａｎｄ ｔｈｅ ｃｒｏｓｓ ｍａｒｋｓ ｒｅｐｒｅｓｅｎｔ ｍｅａｓｕｒｅｍｅｎｔ ｉｎｃｌｕｄｉｎｇ ｃｌｕｔｔｅｒ ａｎｄ ｍｅａｓｕｒｅｍｅｎｔ ｇｅｎｅｒａｔｅｄ ｂｙ ｔａｒｇｅｔｓ Ｔｈｅ Ｗａｓｓｅｒｓｔｅｉｎ ｄｉｓｔａｎｃｅ ａｎｄ ｅｒｒｏｒｓ ｉｎ ｔａｒｇｅｔ Ｎｏ．ｅｓｔｉｍａｔｉｎｇ ａｒｅ ｕｓｅｄ ｈｅｒｅ ｆｏｒ ｔｈｅ ｅｖａｌｕａｔｉｏｎ ａｎｄ ｃｏｍｐａｒｉｓｏｎ ｂｅｔｗｅｅｎ ｔｈｅ ｔｗｏ ａｌｇｏｒｉｔｈｍｓ．Ｔｈｅ Ｗａｓｓｅｒｓｔｅｉｎ ｄｉｓｔａｎｃｅ ｐｅｎａｌｉｚｅｓ ｗｈｅｎ ｉｔｓ ｅｓｔｉｍａｔｅ ｏｆ ｔｈｅ ｎｕｍｂｅｒ ｏｆ ｔａｒｇｅｔｓ ｊＳ ｉｎｃｏｒｒｅｃｔ ｗｈｉｌｅ ａｄｏｐｔｅｄ ａｓ ｍｕｌｔｉ—ｔａｒｇｅｔｓ ｄｉｓｔａｎｃｅ［ ．Ｇｉｖｅｎ ｔｈｅ ｍｕｌｔｉ—ｔａｒｇｅｔ ｔｒｕｔｈ ７６１ ＝ …， （３５） ａｎｄ ｉｔｓ ｅｓｔｉｍａｔｅ ２＝ …， （３６） ｔｈｅ Ｌｐ Ｗａｓｓｅｒｓｔｅｉｎ ｄｉｓｔａｎｃｅ ｉｓ ｇｉｖｅｎ ｂｙ （ ， ）＝ ｎ ｆ Ｉ＂１ Ｉｌｘａｌ Ｉ （３７） １０００ ８００ ６００ ４００ ２００ ０ ２００ ４００ ６００ ８００ １０００ －８００ ４００ ０ ４００ ８００ Ｘ（ｍ） Ｆｉｇ．５ ＳＤＴ ｍｅｔｈｏｄ ｔｒａｃｋｉｎｇ ｒｅｓｕｌｔｓ，ｗｈｅｒｅ ｔｈｅ ｓｏｌｉｄ ｌｉｎｅｓ ｄｅｎｏｔｅ ｔｒｕｅ ｔｒａｊｅｃｔｏｒｉｅｓ，ａｎｄ ｔｈｅ ｃｉｒｃｌｅ ｍａｒｋ ｌｉｎｅｓ ｒｅｐｒｅｓｅｎｔ ＳＤＴ ｅｓｔｉｍａｔｅｄ ｔｒａｊｅｃｔｏｒｉｅｓ １０００ ８００ ６００ ４００ ２００ ０ ２００ ４００ ６００ ８００ ４００ ０ ４００ ８００ ｆｍ） Ｆｉｇ．６ ＭＨＴ ｍｅｔｈｏｄ ｔｒａｃｋｉｎｇ ｒｅｓｕｌｔｓ，ｗｈｅｒｅ ｔｈｅ ｓｏｌｉｄ ｌｉｎｅｓ ｄｅｎｏｔｅ ｔｒｕｅ ｔｒａｊｅｃｔｏｒｉｅｓ，ａｎｄ ｔｈｅ ｃｉｒｃｌｅ ｍａｒｋ ｌｉｎｅｓ ｒｅｐｒｅｓｅｎｔ ＭＨＴ ｅｓｔｉｍａｔｅｄ ｔｒａｊｅｃｔｏｒｉｅｓ ｗｈｉｌｅ ｔｈｅ ｍｉｎｉｍｕｍ ｉＳ ｔａｋｅｎ ｏｖｅｒ ｔｈｅ ｓｅｔ ｏｆ ａｌｌ ｔｒａｎｓｐｏｒｔａｔｉｏｎ ｍａｔｒｉｃｅｓ Ｃ＝｛ ，ｊ）；ｗｈｉｌｅ ｔｈｅ ｍａ－ ｔｒｉｘ Ｃ ｓａｔｉｓｆｉｅｓ ７６２ ｆＪＯＵＲＮＡＬ ＯＦ ＥＬＥＣＴＲＯＮＩＣＳ（ＣＨＩＮＡ），Ｖｏ１．２６ Ｎｏ．６，Ｎｏｖｅｍｂｅｒ ２００９ ∞ｕ∑ ｆ３８） （３９） 伽 蓦ｉ Ｈｅｒｅ ｉｎ ｔｈｉｓ ｐａｐｅｒ Ｐ＝２．Ｔｈｅ ｅｒｒｏｒｓ ｉｎ ｔａｒｇｅｔ Ｎｏ ∑芦 ｅｓｔｉｍａｔｉｎｇ ＝ ｉｓ ｇｉｖｅｎ ｂｙ ＝ Ｅ｛ＩＸＩ一 Ｆｒｏｍ Ｆｉｇｓ．５～８．ｗｅ ｃａｎ ｓｅｅ ｔｈａｔ ｔｈｅ ＳＤＴ ｆｉｌｔｅｒ ｐｒｏｖｉｄｅｓ ｅｘｃｅｌｌｅｎｔ ｅｓｔｉｍａｔｅｓ ｏｆ ｂｏｔｈ ｔａｒｇｅｔ ｐｏｓｉｔｉｏｎ ａｎｄ ｎｕｍｂｅｒ，ａｎｄ ｐｉｃｋｓ ｕｐ ｌｅｓｓ ｆａｌｓｅ ａｌａｒｍｓ ｃｏｒｎ— ｐａｒｉｎｇ ｗｉｔｈ ｔｈａｔ ｏｆ ＭＨＴ．Ｆｒｏｍ Ｔａｂ．２．ｗｅ ｃａｎ ｓｅｅ ｔｈｅ Ｗａｓｓｅｒｓｔｅｉｎ ｄｉｓｔａｎｃｅ ｏｆ ＭＨＴ ｉｓ ｍｕｃｈ ｌａｒｇｅｒ ｔｈａｎ ｔｈａｔ ｏｆ ＳＤＴ．ａｎｄ ｔｈｅ ｅｒｒｏｒ ｉｎ ｔａｒｇｅｔ Ｎｏ．ｅｓ— ｔｉｍａｔｉｎｇ ｏｆ ＭＨＴ ｉｓ ａｌｓｏ ｂｉｇｇｅｒ ｔｈａｎ ｔｈａｔ ｏｆ ＳＤＴ． Ｔｈｅ ｒｅａｓｏｎ ｏｆ ｔｈｉｓ ｉｓ ｔｈａｔ ｔｈｅ ＭＨＴ ｍｅｔｈｏｄ ｍｉｓｓ—ｔａｋｅｓ０葛鲁＝∞∞０Ｚ 磊ｌＪ口【Ｊ０基 １ ｓｅｖｅｒａｌ１ １ １ ｆａｌ０ｓ ｅ ａｌＯ Ｏａｒｍｓ ａｓ ｔａｒｇｅｔｓ，ａｎｄ ｔｈｅ ０ Ｗａｓｓｅｒｓｔｅｉｎ ｄｉｓｔａｎｃｅ ｐｅｎａｌｉ２ ８ ６ ４ ２ １ ８ ６ ４ ｚｅｓ ｗｈｅｎ ｔｈｅ ｅｓｔｉｍａｔｅ ｏｆ ２ ｔｈｅ ｎｕｍｂｅｒ ｏｆ ｔａｒｇｅｔｓ ｉｓ ｉｎｃｏｒｒｅｃｔ． Ａｓ ｗｅ ｃａｎ ｓｅｅ ｆｒｏｍ ｔｈｅ ｔａｂｌｅ ａｎｄ ｔｈｅ ｆｉｇｕｒｅｓ ａｂｏｖｅ，ＳＤＴ ｓｈｏｗｓ ｉｔｓ ｃａｐａｂｉｌｉｔｙ ｏｆ ａｄａｐｔａｔｉｏｎ ｔｏ ａｃｃｕｒａｔｅｌｙ ｅｓｔｉｍａｔｅ ｔｈｅ ｃｈａｎｇｉｎｇ ｎｕｍｂｅｒ ｏｆ ｔａｒｇｅｔｓ， ａｎｄ ｆａｓｔ ｒｅｓｐｏｎｓｅ ｔｏ ｔｈｅ ｃｈａｎｇｅｓ ｏｆ ｔｈｅ ｐｏｓｉｔｉｏｎ ａｎｄ ｓｐｅｅｄ，ａｎｄ ｔｈｅｒｅｆｏｒｅ，ｔｈｅ ｓｍａｌｌｅｒ ｔｒａｃｋｉｎｇ ｅｒｒｏｒｓ． Ｔａｂ．２ Ｔｒａｃｋｉｎｇ ｅｖａｌｕａｔｉｏｎ ｂｅｔｗｅｅｎ ｔｈｅ ｔｗｏ ａｌｇｏｒｉｔｈｍｓ …ＭＨＴ Ｏ １０ ２Ｏ ３０ ４０ ５０ ６０ ７０ ８０ ９０ ｉ００ Ｔｉｍｅ（ｓｔｅｐ） Ｆｉｇ．７ Ｃｏｍｐａｒｉｓｏｎ ｏｆ Ｗａｓｓｅｒｓｔｅｉｎ ｄｉｓｔａｎｃｅ ｂｅｔｗｅｅｎ ＭＨＴ ａｎｄ ＳＤＴ ａｇａｉｎｓｔ ｔｉｍｅ，ｗｈｉｌｅ ｔｈｅ ｓｏｌｉｄ ｌｉｎｅ ｄｅｎｏｔｅｓ ｔｈａｔ ｏｆ ＳＤＴ，ａｎｄ ｔｈｅ ｄａｓｈｅｄ ｌｉｎｅ ｒｅｐｒｅｓｅｎｔｓ ｔｈａｔ ｏｆ ＭＨＴ ０ １０ ２０ ３０ ４０ ５０ ６０ ７０ ８０ ９０ １００ Ｔｉｍｅ（ｓｔｅｐ） Ｆｉｇ．８ Ｃｏｍｐａｒｉｓｏｎ ｏｆ ｅｒｒｏｒ ｉｎ ｔａｒｇｅｔ Ｎｏ．ｅｓｔｉｍａｔｅｓ ｂｅｔｗｅｅｎ ＭＨＴ ａｎｄ ＳＤＴ ａｇａｉｎｓｔ ｔｉｍｅ，ｗｈｉｌｅ ｔｈｅ ｓｏｌｉｄ ｌｉｎｅ ｄｅｎｏｔｅｓ ｔｈａｔ ｏｆ ＳＤＴ，ａｎｄ ｔｈｅ ｄａｓｈｅｄ ｌｉｎｅ ｒｅｐｒｅｓｅｎｔｓ ｔｈａｔ ｏｆ ＭＨＴ ２．Ｔｒａｃｋｉｎｇ ｗｉｔｈ ｔｈｅ Ｄｏｐｐｌｅｒ ｓｉｇｎａｌ Ｉｎ ｏｕｒ ｓｅｃｏｎｄ ｅｘｐｅｒｉｍｅｎｔ．ａ ｔｗｏ—ｄｉｍｅｎｓｉｏｎａ１ ｓｃｅｎａｒｉｏ ｉｎ ｗｈｉｃｈ ｅｖｅｒｙｔｈｉｎｇ ｉｓ ｑｕｉｔｅ ｔｈｅ ｓａｍｅ ａｓ ｔｈａｔ ｏｆ ｔｈｅ ｆｉｒｓｔ ｏｎｅ ｉｓ ｓｉｍｕｌａｔｅｄ．ｅｘｃｅｐｔ ｔｈａｔ ｔｈｅ ｃｌｕｔｔｅｒ ｓｐａｔｉａｌ ｄｅｎｓｉｔｙ ｉｓ ｓｅｔ ａｓ ＝１×１０ ｍ＿ ． ＝２．０４０８×１０一 ｍ一。， ＝３．０２４６×１０一 ｍ一。 ａｎｄ ＝４ ｘ １０ ｍ ｉｎ ｓｕｃｃｅｓｓｉｏｎ．Ｔｈｅ ｍａｘｉｍｕｍ ｓｐｅｅｄ ｏｆ ｔｈｅ ｔａｒｇｅｔｓ ｉｓ ｉ００ ｍ／ｓ．Ｔｈｅ ｔｏｔａｌ ｓｉｍｕｌａｔｉｎｇ ｔｉｍｅ ｉｓ ２００ ｓ，ｗｈｉｌｅ ｔｈｅ ｗｈｏｌｅ ｎｕｍｂｅｒ ｏｆ ｔｉｍｅ ｓｔｅｐｓ ｉｓ １００． Ｔｈｅ Ｄｏｐｐｌｅｒ ｆｒｅｑｕｅｎｃｙ ｓｈｉｆｔ ｉｓ ｕｓｅｄ ａｓ ｔｈｅ ｓｐｅｃｔｒａｌ ｉｎｆｏｒｍａｔｉｏｎ ｉｎ ｔｈｉｓ ｅｘｐｅｒｉｍｅｎｔ．Ｔｈｅ ｓｅｎｓｏｒ ｉｓ ａｓｓｕｍｅｄ ｔｏ ｂｅ ｓｅｔｔｌｅｄ ａｔ ｔｈｅ ｃｅｎｔｅｒ ｏｆ ｔｈｅ ｓｕｒ— ｖｅｉｌｌａｎｃｅ ｒｅｇｉｏｎ．ｉ．ｅ．ｔｈｅ ｏｒｉｇｉｎ ｏｆ ｔｈｅ ｃｏｏｒｄｉｎａｔｅ ｓｙｓｔｅｍ．Ｅａｃｈ ｍｏｖｉｎｇ ｔａｒｇｅｔ ｈａｓ ａ ｆｒｅｑｕｅｎｃｙ ｓｈｉｔｆ ｗｈｉｌｅ ｔｈｅ ｍｏｖｅｍｅｎｔ ｉｓ ｉｎ ｔｈｅ ｗａｙ ｏｆ ｔｈｅ ｓｅｎｓｏｒ［ ． ｗｈｉｃｈ ｉｓ ｇｏｖｅｒｎｅｄ ｂｙ 厶Ｉ＝ ２ｖ￣ｆｔ Ｃ ｗｈｅｒｅ ｌＤ ｉｓ ｔｈｅ Ｄｏｐｐｌｅｒ ｒｆｅｑｕｅｎｃｙ；ｖｒ ｉｓ ｔｈｅ ｒａｄｉａｌ ｓｐｅｅｄ ｏｆ ｔｈｅ ｔａｒｇｅｔ；ｃ ｉｓ ｔｈｅ ｓｐｅｅｄ ｏｆ ｔｈｅ ｌｉｇｈｔ；ａｎｄ ｉｓ ｔｈｅ ｔｒａｎｓｍｉｔｔｅｒｓ ｆｒｅｑｕｅｎｃｙ．Ｉｎ ｔｈｉｓ ｐａｐｅｒ，ｏｎｌｙ ｎｏｎ－ｍａｎｅｕｖｅｒｉｎｇ ｔａｒｇｅｔｓ ａｒｅ ｓｉｍｕｌａｔｅｄ ｗｈｏｓｅ ｓｐｅｅｄｓ ｄｏ ｎｏｔ ｃｈａｎｇｅ ｍｕｃｈ ｗｉｔｈｉｎ ｏｎｅ ｔｉｍｅ ｓｔｅｐ． Ｔｈｕｓ ｉｔ ｉｓ ａｓｓｕｍｅｄ ｔｈａｔ ｔｈｅ Ｄｏｐｐｌｅｒ ｓｉｇｎａｌ ｆｏｌｌｏｗｓ ａ Ｇａｕｓｓｉａｎ ｍｏｄｅｌ， ．ｅ．ｇｉｖｅｎ ｔｈｅ Ｄｏｐｐｌｅｒ ｓｉｇｎａｌ，ｄ－ｆ＿１ ａｔ ｔｉｍｅ ｔ一１．ｔｈｅ Ｄｏｐｐｌｅｒ ｓｉｇｎａｌ ｏｆ ｔｉｍｅ ｔ ｉｓ ｇｏｖ— ｅｒｎｅｄ ｂｙⅣ（ ￡； －ｆ＿１，Ｒｖ），ｗｈｉｌｅ ｔｈｅ ｃｏｖａｒｉａｎｃｅ ｉｓ ｇｉｖｅｎ ｂｙ （４２） ｗｈｅｒｅ ｔｈｅ ｓｔａｎｄａｒｄ ｄｅｖｉａｔｉｏｎ ｔａｋｅｓ ｔｈｅ ｖａｌｕｅ Ｄ ＳＵＮ ｅｔ ａ１．Ｓｉｇｎａｔｕｒｅ Ｄｒｉｖｅｎ Ｍｕｌｔｉｐｌｅ Ｔａｒｇｅｔ Ｔｒａｃｋｉｎｇ ＝４ ｍ／ｓ；ｗｈｉｌｅ ｔｈｅ ｔｒａｎｓｍｉｔｔｅｒｓ ｆｒｅｑｕｅｎｃｙ ｉｓ ＝ ６ ＧＨｚ．Ｏｎ ｔｈｅ ｏｔｈｅｒ ｈａｎｄ ｔｈｅ ｃｌｕｔｔｅｒ ｉＳ ａｓｓｕｍｅｄ ｓｔａｔｉｃ． Ｗｈｉｌｅ ｔｒａｃｋｉｎｇ ｔｈｅｓｅ ｔａｒｇｅｔｓ，ｔｈｅ ＭＨＴ ｍｅｔｈｏｄ ｍａｋｅｓ ｕｓｅ ｏｆ ｏｎｌｙ ｐｏｉｎｔ ｍｅａｓｕｒｅｍｅｎｔｓ，ａｎｄ ｔｈｅ ＳＤＴ ｍｅｔｈｏｄ ｕｔｉｌｉｚｉｎｇ ｂｏｔｈ ｔｈｅ ｐｏｉｎｔ ｍｅａｓｕｒｅｍｅｎｔ ａｎｄ ｓｐｅｃｔｒａｌ ｉｎｆｏｒｍａｔｉｏｎ ｉＳ ｍｅｎｔｉｏｎｅｄ ａｓ ＦｅａＳＤＴ ｆｏｒ ｔｈｅ ｄｉｓｔｉｎｇｕｉｓｈｉｎｇ ｐｕｒｐｏｓｅ ｆｒｏｍ ｔｈｅ ＳＤＴ ｍｅｔｈｏｄ ｗｈｉｃｈ ｄｏｅｓ ｎｏｔ ｍａｋｅ ｕｓａｇｅ ｏｆ Ｄｏｐｐｌｅｒ ｓｉｇｎａ１．Ｔｈｅ Ｗａｓｓｅｒｓｔｅｉｎ ｄｉｓｔａｎｃｅ ｉＳ ａｌｓｏ ｕｓｅｄ ｈｅｒｅ ｆｏｒ ｔｈｅ ｅｖａｌｕａｔｉｏｎ ｏｆ ｄｉｆｆｅｒｅｎｔ ａｌｇｏｒｉｔｈｍｓ． Ｔａｂ．３ Ａｖｅｒａｇｅ ｏｆ Ｗａｓｓｅｒｓｔｅｉｎ ｄｉｓｔａｎｃｅ ｏｆ ｄｉｆｅｒｅｎｔ ａｌｇｏｒｉｔｈｍｓ Ｃｌｕｔｔｅｒ ｓｐａｔｉａｌ Ａｖｅｒａｇｅ ｏｆ Ｗａｓｓｅｒｓｔｅｉｎ ｄｉｓｔａｎｃｅ（ｉｎ） ｄｅｎｓｉｔｙ （×１０ ｉｎ ） ＭＨＴ ＳＤＴ ＦｅａＳＤＴ Ｔａｂ．３，ａｓ ｗｅｌｌ ａｓ Ｆｉｇｓ．９－１２ ｓｈｏｗ ｔｈｅ ｐｅｒ— ｆｏｒｍａｎｃｅ ｏｆ ｔｈｅｓｅ ｔｈｒｅｅ ａｌｇｏｒｉｔｈｍｓ，ｆｒｏｍ ｗｈｉｃｈ ｗｅ ｃａｎ ｓｅｅ ｏｂｖｉｏｕｓｌｙ ｔｈａｔ ｏｕｒ ＳＤＴ ｍｅｔｈｏｄ ｗｉｔｈ ｔｈｅ ｉｎｆｃ）ｒｍａｔｉｏｎ ｆｕｓｉｏｎ ｏｆ ｓｐｅｃｔｒａｌ ｓｉｇｎａｌ ｔｒａｃｋｓ ｍｕｌｔｉｐｌｅ ｔａｒｇｅｔｓ ｍｏｒｅ ａｃｃｕｒａｔｅｌｙ ｂｏｔｈ ｉｎ ｔｈｅ ｓｔａｔｅ ｏｆ ｍｕｌｔｉ—ｔａｒｇｅｔ ａｎｄ ｉｎ ｔｈｅ Ｎｏ．ｏｆ ｔａｒｇｅｔｓ ｃｏｍｐａｒｉｎｇ ｗｉｔｈ ｔｈａｔ ｏｆ ＭＨＴ ａｌｇｏｒｉｔｈｍ．Ｂａｓｅｄ ｏｎ ｈｙｐｏｔｈｅ－ ｓｉｓ—ｔｅｓｔ ｐｒｉｎｃｉｐｌｅ ａｎｄ ｔｈｅ ｕｓａｇｅ ｏｆ ｔｒａｃｋ ｓｃｏｒｅ，ｔｈｅ ａｄｖａｎｔａｇｅ ｏｆ ＭＨＴ ｈａｓ ｂｅｅｎ ｌｉｍｉｔｅｄ ｗｈｉｌｅ ｄｅａｌｉｎｇ ｗｉｔｈ ｆａｌｓｅ ａｌａｒｍｓ． １０００ ８００ ６００ ４００ ２００ ０ ２００ ４００ ６００ ８００ １０００ －８００ ４００ ０ ４００ ８００ ｆｎ１１ Ｆｉｇ．９ ＭＨＴ ｔｒａｃｋｉｎｇ ｒｅｓｕｌｔｓ ＯＤ ｔｈｅ ｃｏｎｄｉｔｉｏｎ ｏｆ ＝３．０２４６× １０ ｍ，ｗｈｅｒｅ ｔｈｅ ｓｏｌｉｄ ｌｉｎｅｓ ｄｅｎｏｔｅ ｔｒｕｅ ｔｒａｊｅｃｔｏｒｉｅｓ，ａｎｄ ｔｈｅ ｃｉｒｃｌｅ ｍａｒｋ ｌｉｎｅｓ ｒｅｐｒｅｓｅｎｔ ｅｓｔｉｍａｔｅｄ ｔｒａｊｅｃｔｏｒｉｅｓ ７６３ ｉ０００ ８００ ６００ ４００ ２００ ０ ２００ ４００ ６００ ８００ １０００ ８００ ４００ ０ ４００ ８００ ｚ，ｍ１ Ｆｉｇ．１０ ＳＤＴ ｔｒａｃｋｉｎｇ ｒｅｓｕｌｔｓ ｏｎ ｔｈｅ ｃｏｎｄｉｔｉｏｎ ｏｆ口＝３．０２４６× １０ ｍ一，ｗｈｅｒｅ ｔｈｅ ｓｏｌｉｄ ｌｉｎｅｓ ｄｅｎｏｔｅ ｔｒｕｅ ｔｒａｊｅｃｔｏｒｉｅｓ，ａｎｄ ｔｈｅ ｃｉｒｃｌｅ ｍａｒｋ ｌｉｎｅｓ ｒｅｐｒｅｓｅｎｔ ｅｓｔｉｍａｔｅｄ ｔｒａｊｅｃｔｏｒｉｅｓ ｉ０００ ８００ ６００ ４００ 螂 ㈣ 湖 娜２００ ０ ２００ ４００ ６００ ８００ １０００ －８００ ４００ ０ ４００ ８００ ｆｍ１ Ｆｉｇ．１１ ＦｅａＳＤＴ ｔｒａｃｋｉｎｇ ｒｅｓｕｌｔｓ ｏｎ ｔｈｅ ｃｏｎｄｉｔｉｏｎ ｏｆ口＝３．０２４６ ×１Ｏ一 ｍ．ｗｈｅｒｅ ｔｈｅ ｓｏｌｉｄ ｌｉｎｅｓ ｄｅｎｏｔｅ ｔｒｕｅ ｔｒａｊｅｃｔｏｒｉｅｓ．ａｎｄ ｔｈｅ ｃｉｒｃｌｅ ｍａｒｋ ｌｉｎｅｓ ｒｅｐｒｅｓｅｎｔ ｅｓｔｉｍａｔｅｄ ｔｒａｊｅｃｔｏｒｉｅｓ ０ １０ ２０ ３０ ４０ ５０ ６０ ７０ ８０ ９０ １００ Ｔｉｍｅ（ｓｔｅｐ） Ｆｉｇ．１２ Ｃｏｍｐａｒｉｓｏｎ ｏｆ Ｗａｓｓｅｒｓｔｅｉｎ ｄｉｓｔａｎｃｅ ｏｎ ｔｈｅ ｃｏｎｄｉｔｉｏｎ ｏｆ ＝３．０２４６×１Ｏ一 ｍ，ｗｈｉｌｅ ｔｈｅ ｓｏｌｉｄ ｌｉｎｅ ｄｅｎｏｔｅｓ ｔｈａｔ ｏｆ ＳＤＴ，ｔｈｅ ｄａｓｈｅｄ ｌｉｎｅ ｒｅｐｒｅｓｅｎｔｓ ｔｈａｔ ｏｆ ＭＨＴ，ａｎｄ ｔｈｅ ｄａｓｈｅｄ ｌｉｎｅ ｗｉｔｈ ｃｉｒｃｌｅ ｍａｒｋｓ ｉｎｄｉｃａｔｅｓ ｔｈａｔ ｏｆ ＦｅａＳＤＴ ００《 苫７６４ ＪＯＵＲＮＡＬ ＯＦ ＥＬＥＣＴＲＯＮＩＣＳ（ＣＨＩＮＡ），Ｖｏ１．２６ Ｎｏ．６，Ｎｏｖｅｍｂｅｒ ２００９ ｏｎ Ｉｎｔｅｌｌｉｇｅｎｔ Ｃｏｎｔｒｏｌ，Ｓｉｎｇａｐｏｒｅ）Ｓｉｎｇａｐｏｒｅ，Ｏｃｔ．１－３ ２００７，４５８—４６３． １ ２ ３ ４ ５ ６ Ｖ． Ｃｏｎｃｌｕｓｉｏｎ Ｗｅ ｈａｖｅ ｐｒｅｓｅｎｔｅｄ ａ ｎｅｗ ｍｕｌｔｉｐｌｅ ｔａｒｇｅｔ ｔｒａｃｋｉｎｇ ａｌｇｏｒｉｔｈｍ，Ｓｉｇｎａｔｕｒｅ Ｄｒｉｖｅｎ ｍｕｌｔｉｐｌｅ ［８ Ｙａ－Ｄｏｎｇ Ｗａｎｇ，Ｊｉａｎ—Ｋａｎｇ Ｗｕ，Ｗｅｉｍｉｎ Ｈｕａｎｇ，ａｎｄ Ａ．Ａ．Ｋａｓｓｉｍ．Ｇａｕｓｓｉａｎ ｍｉｘｔｕｒｅ ｐｒｏｂａｂｉｌｉｔｙ ｈｙｐｏｔｈｅ－ ｓｉｓ ｄｅｎｓｉｔｙ ｆｏｒ ｖｉｓｕａｌ ｐｅｏｐｌｅ ｒａｃｋｉｎｇ．１０ｔｈ Ｉｎｔｅｒｎａ－ ｔａｒｇｅｔ Ｔｒａｃｋｉｎｇ（ＳＤＴ）．Ｉｔ ｍａｋｅｓ ｕｓｅ ｏｆ ｔｈｅ ｔａｒｇｅｔ ｓｉｇｎａｔｕｒｅｓ ｉｎ ｔｈｅ ｅａｒｌｉｅｓｔ ｐｏｓｓｉｂｌｅ ｔｉｍｅ，ａｎｄ ｈａｓ ｓｈｏｗｎ ｔｈｅ ｓｕｐｅｒｉｏｒ ｐｅｒｆｏｒｍａｎｃｅ．Ｆｕｒｔｈｅｒ ｗｏｒｋ ｗｉｌｌ ｂｅ ｏｎ ｔｈｅ ｔｅｓｔｉｎｇ ａｎｄ ｉｍｐｒｏｖｅｍｅｎｔ ｏｆ ｔｈｅ ａｌｇｏ— ｒｉｔｈｍ． ｔｉｏｎａ１ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｉｎｆｏｒｍａｔｉｏｎ Ｆｕｓｉｏｎ，Ｑｕ￣ｂｅｃ， Ｃａｎａｄａ，Ｊｕｌｙ．９ １２，２００７，１－６． ［９ Ｂａ－Ｔｕｏｎｇ Ｖｏ，Ｂａ－Ｎｇｕ Ｖｏ，ａｎｄ Ａ．Ｃａｎｔｏｎｉ．Ａｎａｌｙｔｉｃ ｉｍｐｌｅｍｅｎｔａｔｉｏｎｓ ｏｆ ｔｈｅ ｃａｒｄｉｎａｌｉｚｅｄ ｐｒｏｂａｂｉｌｉｔｙ Ａｃｋｎｏｗｌｅｄｇｍｅｎｔ ｒｈｅ ａｕｔｈｏｒｓ ａｃｋｎｏｗｌｅｄｇｅ ｔｈｅ ｓｕｐｐｏｒｔ ｂｙ ｔｈｅ ｍｅｍｂｅｒｓ ｏｆ Ｓｅｎｓｏｒ Ｎｅｔｗｏｒｋｓ ａｎｄ Ａｐｐｌｉｃａｔｉｏｎｓ Ｒｅｓｅａｒｃｈ Ｃｅｎｔｅｒ（ＳＮＡＲＣ），ｅｓｐｅｃｉａｌｌｙ，Ｊｉ Ｌｉａｎｙｉｎｇ， ｆｏｒ ｈｉｓ ｇｕｉｄａｎｃｅ ａｎｄ ｓｕｇｇｅｓｔｉｏｎｓ ａｂｏｕｔ ｒａｄａｒ ｋｎｏｗｌｅｄｇｅ，ａｎｄ Ｌｉ Ｓｈｕａｎｇｑｕａｎ，ｆｏｒ ｈｉｓ ｓｕｐｐｏｒｔ ｏｆ ＭＨＴ ｉｍｐｌｅｍｅｎｔａｔｉｏｎ． Ｒｅｆｅｒｅｎｃｅｓ Ｓ．ｓ．Ｂｌａｃｋｍａｎ．Ｍｕｌｔｉｐｌｅ ｈｙｐｏｔｈｅｓｉｓ ｔｒａｃｋｉｎｇ ｆｏｒ ｍｕｌｔｉｐｌｅ ｔａｒｇｅｔ ｔｒａｃｋｉｎｇ．ＩＥＥＥ Ａｅｒｏｓｐａｃｅ ａｎｄ Ｅｌｅｃ— ｔｒｏｎｉｃ Ｓｙｓｔｅｍｓ Ｍａｇａｚｉｎｅ，１９（２００４）ｌ，５—１８． Ｊ．Ｌａｎｃａｓｔｅｒ ａｎｄ Ｓ．Ｂｌａｃｋｍａｎ．Ｊｏｉｎｔ ＩＭＭ／ＭＨＴ ｔｒａｃｋｉｎｇ ａｎｄ ｉｄｅｎｔｉｆｉｃａｔｉｏｎ ｆｏｒ ｍｕｌｔｉ—ｓｅｎｓｏｒ ｇｒｏｕｎｄ ｔａｒｇｅｔ ｔｒａｃｋｉｎｇ．９ｔｈ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｉｎｆｏｒｍａｔｉｏｎ Ｆｕｓｉｏｎ，Ｆｌｏｒｅｎｃｅ，Ｉｔａｌｙ，Ｊｕ１．１０—１３，２００６， １－７． Ｖｏ Ｂａ－Ｎｇｕ ａｎｄ Ｍａ Ｗｉｎｇ－Ｋｉｎ．Ｔｈｅ Ｇａｕｓｓｉａｎ ｍｉｘｔｕｒｅ ｐｒｏｂａｂｉｌｉｔｙ ｈｙｐｏｔｈｅｓｉｓ ｄｅｎｓｉｔｙ ｆｉｌｔｅｒ．ＩＥＥＥ Ｔｒａｎｓａｃ— ｔｉｏｎｓ ｏｎ Ｓｉｇｎａｌ Ｐｒｏｃｅｓｓｉｎｇ，５４（２００６）１１，４０９１－４１０４． Ｂａ－Ｔｕｏｎｇ Ｖｏ，Ｂａ－Ｎｇｕ Ｖｏ，ａｎｄ Ａ．Ｃａｎｔｏｎｉ．Ｂａｙｅｓｉａｎ ｉｆｌｔｅｒｉｎｇ ｗｉｔｈ ｒａｎｄｏｍ ｆｉｎｉｔｅ ｓｅｔ ｏｂｓｅｒｖａｔｉｏｎｓ．ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｓｉｇｎａｌ Ｐｒｏｃｅｓｓｉｎｇ，５６（２００８）４，１３１３— １３２６． Ｒ．Ｍａｈｌｅｒ．ＰＨＤ ｆｉｌｔｅｒｓ ｏｆ ｈｉｇｈｅｒ ｏｒｄｅｒ ｉｎ ｔａｒｇｅｔ ｎｕｍｂｅｒ．ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ａ ｅｒｏｓｐａｃｅ ａｎｄ Ｅｌｅｃｔｒｏｎｉｃ Ｓ ｓｔｅｍｓ｛４３（２ｏ０７）４，１５２３—１５４３． Ｄ．Ｅ．Ｃｌａｒｋ ａｎｄ Ｊ．Ｂｅｌ１．Ｍｕｌｔｉ—ｔａｒｇｅｔ ｓｔａｔｅ ｅｓｔｉｍａｔｉｏｎ ａｎｄ ｔｒａｃｋ ｃｏｎｔｉｎｕｉｔｙ ｏｆｒ ｔｈｅ ｐａｒｔｉｃｌｅ ＰＨＤ ｆｉｌｔｅｒ．１ＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ａ ｅｒｏｓｐａｃｅ ａｎｄ Ｅｌｅｃｔｒｏｎｉｃ Ｓｙｓｔｅｍｓ， ４３（２００７）４，１４４１—１４５３． Ｂａ－Ｔｕｏｎｇ Ｖｏ，Ｂａ－Ｎｇｕ Ｖｏ，ａｎｄ Ａ．Ｃａｎｔｏｎｉ．Ａ Ｂａｙｅｓ— ｉａｎ ａｐｐｒｏａｃｈ ｔｏ ｔａｒｇｅｔ ｔｒａｃｋｉｎｇ ｗｉｔｈ ｆｉｎｉｔｅ—・ｓｅｔ—－ｖａｌｕｅｄ Ｏｂｓｅｒｖａｔｉｏｎｓ．ＩＥＥＥ ２２ｎｄ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｓｙｍｐｏｓｉｕｍ ｈｙｐｏｔｈｅｓｉｓ ｄｅｎｓｉｔｙ ｆｉｌｔｅｒ．ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｓｉｇｎａｌ Ｐｒｏｃｅｓｓｉｎｇ，５５（２００７）７，３５５３—３５６７． ［１０］ Ｒｏｎａｌｄ Ｐ．Ｓ．Ｍａｈｌｅｒ．Ｍｕｌｔｉｔａｒｇｅｔ Ｂａｙｅｓ ｆｉｌｔｅｒｉｎｇ ｖｉａ ｉｆｒｓｔ—ｏｒｄｅｒ ｍｕｌｔｉｔａｒｇｅｔ ｍｏｍｅｎｔｓ．ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ａｅｒｏｓｐａｃｅ ａｎｄ Ｅｌｅｃｔｒｏｎｉｃ Ｓｙｓｔｅｍｓ，３９（２００３）４， １１５２ １１７８． ［１１ Ｋ．Ｐａｎｔａ，Ｂａ－Ｎｇｕ Ｖｏ，ａｎｄ Ｄ．Ｅ．Ｃｌａｒｋ．Ｄａｔａ ａｓｓｏｃｉａ－ ｔｉｏｎ ａｎｄ ｔｒａｃｋ ｍａｎａｇｅｍｅｎｔ ｆｏｒ ｔｈｅ Ｇａｕｓｓｉａｎ ｍｉｘｔｕｒｅ ｐｒｏｂａｂｉｌｉｔｙ ｈｙｐｏｔｈｅｓｉｓ ｄｅｎｓｉｔｙ Ｆｉｌｔｅｒ．ＩＥＥＥ Ｔｒａｎｓａｃ— ｔｉｏｎｓ ｏｎ Ａ ｅｒｏｓｐａｃｅ ａｎｄ Ｅｌｅｃｔｒｏｎｉｃ Ｓｙｓｔｅｍｓｊ ４５（２００９）３ １００３－１０１６． ［１２］ Ｄ，Ｃｌａｒｋ．Ｂ．Ｖｏ．Ｃｏｎｖｅｒｇｅｎｃｅ ａｎａｌｙｓｉｓ ｏｆ ｔｈｅ Ｇａｕｓｓｉａｎ ｍｉｘｔｕｒｅ ＰＨＤ ｆｉｌｔｅｒ．ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｓｉｇｎａｌ Ｐｒｏｃｅｓｓｉｎｇ，５５（２００７）４，１２０４—１２１２． ［１３］ Ｙ．Ｗａｎｇ，Ｋ．一Ｆ．Ｌｏｅ，Ｔ．Ｔａｎ）ａｎｄ Ｊ．－Ｋ．Ｗｕ．Ｓｐａｔｉｏ— ｔｅｍｐｏｒａｌ ｖｉｄｅｏ ｓｅｇｍｅｎｔａｔｉｏｎ ｂａｓｅｄ ｏｎ ｇｒａｐｈｉｃａｌ ｍｏｄｅｌｓ．ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｉｍａｇｅ Ｐｒｏｃｅｓｓｉｎｇ． １４（２００５）７，９３７－９４７． ［１４］ Ｊｉｎｇ Ｚｈｏｎｇｌｉａｎｇ，Ｚｈｏｕ Ｈｏｎｇｒｅｎ，ａｎｄ Ｗａｎｇ Ｐｅｉｄｅ． Ｔｒａｃｋｉｎｇ ｉｎｉｔｉａｔｉｏｎ ａｎｄ ｔｅｒｍｉｎａｔｉｏｎ ｏｆ ｍｕｌｔｉｐｌｅ ｍａｎｅｕｖｅｒｉｎｇ ｔａｒｇｅｔｓ ｉｎ ａ ｄｅｎｓｅ ｍｕｌｔｉ—ｒｅｔｕｒｎ ｅｎｖｉｒｏｎｍｅｎｔ．ＩＥＥＥ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｄｅｃｉｓｉｏｎ ａｎｄ Ｃｏｎｔｒｏｌ，Ｈｏｎｏｌｕｌｕ，ＵＳＡ Ｄｅｃ．５－７，１９９０，２２７０－２２７５． ［１５］ Ｄｏｎａｌｄ Ｂ．Ｒｅｉｄ．Ａｎ Ａｌｇｏｒｉｔｈｍ ｆｏｒ ｔｒａｃｋｉｎｇ ｍｕｌｔｉｐｌｅ ｔａｒｇｅｔｓ．ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ａｕｔｏｍａｔｉｃ Ｃｏｎｔｒｏ１．２４ （１９７９）６，８４３—８５４． ［１６］ Ｉ． Ｊ． Ｃｏｘ ａｎｄ Ｓ． Ｌ．Ｈｉｎｇｏｒａｎｉ． Ａｎ ｅｆｆｉｃｉｅｎｔ ｉｍｐｌｅｍｅｎｔａｔｉｏｎ ｏｆ Ｒｅｉｄ’ｓ ｍｕｌｔｉｐｌｅ ｈｙｐｏｔｈｅｓｉｓ ｔｒａｃｋｉｎｇ ａｌｇｏｒｉｔｈｍ ａｎｄ ｉｔｓ ｅｖａｌｕａｔｉｏｎ ｆｏｒ ｔｈｅ ｐｕｒｐｏｓｅ ｏｆ ｖｉｓｕａｌ ｔｒａｃｋｉｎｇ．ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｐａｔｔｅｒｎ Ａｎａｌｙｓｉｓ ａｎｄ Ｍａｃｈｉｎｅ Ｉｎｔｅｌｌｉｇｅｎｃｅ，１８（１９９６）２，１３８—１５０． 【１７ Ｃｈｒｉｓｔｉａｎ ｗｏ１ｆｆ．Ｄｏｐｐｌｅｒ Ｅｆｆｅｃｔ．ｈｔｔｐ：／／ｗｗｗ．ｒａｄａｒ— ｔｕｔｏｒｉａ１．ｅｕ／１ １．ｃｏｈｅｒｅｎｔ／ｃｏ０６．ｅｎ．ｈｔｍ１．Ｊｕｌｙ ２００９．
