復(fù)雜環(huán)境下多傳感器目標(biāo)跟蹤關(guān)鍵技術(shù)研究.pdf

1、無論是建設(shè)軍事強(qiáng)國還是實(shí)現(xiàn)工業(yè)現(xiàn)代化，多傳感器目標(biāo)跟蹤都有著廣泛的應(yīng)用領(lǐng)域。盡管多傳感器目標(biāo)跟蹤是一個(gè)歷史悠久的研究領(lǐng)域，但又是一個(gè)不斷發(fā)展、常做常新的領(lǐng)域。特別是近年來，隨著感知環(huán)境與感知對象更加復(fù)雜多變、目標(biāo)感知手段日趨豐富、感知需求日益提高，使得復(fù)雜環(huán)境下目標(biāo)跟蹤愈發(fā)呈現(xiàn)出多模態(tài)、不確定、非線性、網(wǎng)絡(luò)化等諸多復(fù)雜系統(tǒng)特性，本論文重點(diǎn)圍繞多檢測回波系統(tǒng)（如遠(yuǎn)程預(yù)警天波超視距雷達(dá)、無源相干定位系統(tǒng)）和無線傳感網(wǎng)這兩類典型的復(fù)雜環(huán)境下目

2、標(biāo)跟蹤技術(shù)難點(diǎn)，開展了以下研究：
　　1.針對電離層探測設(shè)備地理布置受限以及采樣速率限制導(dǎo)致電離層信息不實(shí)時(shí)可得這一問題，提出了基于前置接收機(jī)的天波超視距雷達(dá)（Over-the-Horizon Radar，OTHR）聯(lián)合模式識別與定位提升算法。該算法不依賴于電離層探測設(shè)備，主要包括以下四部分：前置接收機(jī)聯(lián)合模式識別與估計(jì)，含目標(biāo)高度的坐標(biāo)變換，OTHR模式識別以及定位提升。該算法在模式識別方面，能夠?qū)崟r(shí)估計(jì)出電磁波反射電離層高度，

3、同時(shí)有效地識別出 OTHR傳播模式/雜波；在定位方面，能夠粗略估計(jì)出目標(biāo)高度，利用此粗略的目標(biāo)高度估計(jì)可對目標(biāo)屬性進(jìn)行判別，為態(tài)勢估計(jì)提供輔助信息。此外，利用前置接收機(jī)量測與 OTHR關(guān)聯(lián)量測融合，相比不考慮目標(biāo)高度、無前置接收機(jī)情形，明顯提高了徑向距和方位角估計(jì)精度。
　　2.以遠(yuǎn)程預(yù)警天波超視距雷達(dá)為應(yīng)用對象，開展了聯(lián)合狀態(tài)估計(jì)與傳播模式識別研究，提出了基于MCMC-Gibbs采樣的天波超視距雷達(dá)聯(lián)合估計(jì)與識別算法。該算法通過

4、極大化似然函數(shù)尋求當(dāng)次迭代當(dāng)前拍關(guān)聯(lián)矩陣估計(jì)，進(jìn)而利用同時(shí)多量測濾波器進(jìn)行狀態(tài)更新，最后通過聯(lián)合估計(jì)與決策風(fēng)險(xiǎn)函數(shù)尋求最優(yōu)的狀態(tài)估計(jì)與模式識別結(jié)果。不同仿真參數(shù)下仿真結(jié)果表明該算法的有效性，該算法在徑向距和方位角估計(jì)精度上優(yōu)于傳統(tǒng)的多路徑概率數(shù)據(jù)關(guān)聯(lián)算法。
　　3.以多檢測回波系統(tǒng)目標(biāo)跟蹤為應(yīng)用背景，開展了聯(lián)合狀態(tài)估計(jì)與傳播路徑識別研究，提出了基于廣義貝葉斯風(fēng)險(xiǎn)的多檢測系統(tǒng)聯(lián)合估計(jì)與識別算法（Joint Identificatio

5、n and Estimation for Multi-Detection System，MD-JIE）。該算法分別采用似然比函數(shù)和條件概率密度函數(shù)作為決策風(fēng)險(xiǎn)和估計(jì)風(fēng)險(xiǎn)，考慮多檢測系統(tǒng)量測、目標(biāo)與模式之間的約束條件，將多檢測系統(tǒng)聯(lián)合估計(jì)與決策框架轉(zhuǎn)化為在線約束優(yōu)化問題通過優(yōu)化算法實(shí)時(shí)求解。以 OTHR為應(yīng)用對象的仿真結(jié)果表明本文的MD-JIE算法比傳統(tǒng)的多探測多假設(shè)跟蹤算法具有更優(yōu)的RMSE估計(jì)性能，比傳統(tǒng)的多路徑 Viterbi數(shù)據(jù)關(guān)

6、聯(lián)算法具有更優(yōu)的識別性能。以無源相干定位系統(tǒng)為應(yīng)用對象的仿真結(jié)果表明本文算法比傳統(tǒng)的S+1-D算法具有更優(yōu)的估計(jì)性能。
　　4.以無線傳器網(wǎng)聯(lián)合預(yù)警與跟蹤為應(yīng)用背景，提出了面向多傳感器網(wǎng)協(xié)同探測的傳染病仿生協(xié)同優(yōu)化模型。該算法主要包括以下四部分：“直接感染”、“交叉感染免疫/免疫缺失”、“交叉感染”和“病毒量積累”。與常用的傳染病模型不同，本文提出的分布式傳染病模型描述感染個(gè)體自身的行為，而非通過傳染病動態(tài)差分或微分方程描述群體中

7、易感、已感、恢復(fù)人群所占的比例。此外，通過多傳感器網(wǎng)節(jié)點(diǎn)喚醒與傳染病傳播之間的對應(yīng)關(guān)系，提出了基于分布式傳染病模型的節(jié)點(diǎn)喚醒控制算法。仿真結(jié)果表明，本文算法可在精度-能耗折衷意義下實(shí)現(xiàn)聯(lián)合目標(biāo)預(yù)警與跟蹤。
　　5.以無線傳感網(wǎng)室內(nèi)定位為應(yīng)用背景，針對如何將輔助信息引入到傳統(tǒng)濾波框架中進(jìn)行了研究，提出了一種應(yīng)用于無線傳感網(wǎng)室內(nèi)定位的非線性約束濾波算法。該算法將人體節(jié)點(diǎn)之間的先驗(yàn)幾何信息作為額外約束引入到傳統(tǒng)的EKF濾波系統(tǒng)中，以進(jìn)一