在信息技术领域，尤其是在数据处理和信号处理的背景下，杂波环境下的多目标跟踪问题显得尤为复杂。杂波环境中的目标跟踪涉及到如何准确地从大量的杂波中提取出目标的真实信号，并且对其持续跟踪。而数据关联滤波问题是指在多目标跟踪的过程中，需要将各个时刻获取的观测数据与相应的跟踪目标正确地关联起来。这一问题的核心是如何处理多个目标和多个观测之间的关系，以及如何在数据的不确定性和不完整性中做出合理的决策。
传统的联合概率数据关联滤波器（JPDAF）是处理这一问题的一种方法，它通过计算所有可能的观测组合来确定目标的最可能状态。然而，这种方法在目标数量较多时，其计算量会呈指数级增长，导致运算复杂度极高，对计算资源的消耗也极大。
为了解决这个问题，李良群和易正龙两位学者提出了一种新的直觉模糊联合概率数据关联滤波方法。这种方法的核心创新在于使用了直觉模糊集的概念来处理数据关联问题。直觉模糊集是由Atanassov在1983年提出的一个扩展模糊集的概念，它允许成员函数具有一个不确定性的部分，即除了隶属度和非隶属度之外，还存在一个不确定性的指标。这种集合理论的扩展提供了比经典模糊集更丰富的描述对象模糊性的能力。
直觉模糊集被引入到联合概率数据关联滤波的过程中，目的是提取观测信息中关于目标的不确定隶属度信息，并构建新的直觉模糊隶属度。这种隶属度能够代替传统JPDAF中的关联概率，从而简化计算过程，并实现实时快速的数据关联滤波。
为了计算直觉模糊隶属度，研究者们在模糊c均值聚类算法的基础上，引入了直觉模糊点算子，提出了一种新的直觉模糊聚类方法。这种方法能够从观测数据的不确定信息中提取有用信息。在杂波环境下进行多目标跟踪时，需要处理目标观测的不确定性，研究者因此提出了一种新的权重分配方法。
为了适应多目标跟踪环境的特点，还定义了一种新的直觉模糊集的直觉模糊指数，该指数提供了关于目标存在性的更精细的度量。
实验结果基于仿真数据和实测数据均表明，这种方法在杂波环境下能够有效进行多目标的关联跟踪，且相比于传统JPDAF和Fitzgerald方法，具有更高的效率和较低的计算负载。
关键词直觉模糊集（Intuitionistic Fuzzy Set），联合概率数据关联滤波器（JPDAF），直觉模糊点算子（Intuitionistic Fuzzy Point Operator），模糊聚类（Fuzzy Clustering）。
在工程应用方面，这样的研究不仅为解决复杂环境下多目标跟踪问题提供了一种新的算法思路，同时也为数据关联、滤波技术和模糊集理论在实际工程中的应用开辟了新的领域。随着未来技术的不断进步，这种基于直觉模糊集的算法有可能在人工智能、机器学习、物联网、无人机编队控制、空域管理和智能交通系统等领域发挥重要作用。
