被動(dòng)多傳感器探測目標(biāo)跟蹤技術(shù)研究.pdf

1、被動(dòng)多傳感器目標(biāo)跟蹤是多傳感器數(shù)據(jù)融合的一個(gè)重要研究內(nèi)容，在軍用和民用領(lǐng)域具有廣闊的應(yīng)用前景，備受國內(nèi)外學(xué)者和工程領(lǐng)域?qū)＜业年P(guān)注。本文針對被動(dòng)多傳感器探測的目標(biāo)跟蹤問題，從系統(tǒng)參數(shù)優(yōu)化設(shè)計(jì)和目標(biāo)跟蹤方法等方面進(jìn)行了深入、系統(tǒng)的研究，提出了一些有效的新方法。取得主要成果如下：
　　 1、在系統(tǒng)參數(shù)優(yōu)化設(shè)計(jì)方面，提出了一種基于目標(biāo)跟蹤精度分析的系統(tǒng)參數(shù)優(yōu)化設(shè)計(jì)算法，采用多傳感器集中式融合方式與擴(kuò)展卡爾曼濾波(EKF)相結(jié)合實(shí)現(xiàn)被動(dòng)目

2、標(biāo)跟蹤，并推導(dǎo)了跟蹤誤差的克拉美.羅下限。在此基礎(chǔ)上，給出了監(jiān)視空域內(nèi)目標(biāo)跟蹤精度的幾何分布(GDTE)。此外，通過分析系統(tǒng)參數(shù)對目標(biāo)跟蹤精度幾何分布的影響，給出了提高系統(tǒng)性能的有效措施。
　　 2、在單目標(biāo)跟蹤方面，提出了一種基于無跡卡爾曼濾波(UKF)的被動(dòng)目標(biāo)跟蹤算法，將無跡變換(UT)引入卡爾曼濾波，避免了傳統(tǒng)的擴(kuò)展卡爾曼濾波的線性化近似過程，在保證目標(biāo)跟蹤實(shí)時(shí)性的前提下，有效提高了目標(biāo)跟蹤精度。針對單一坐標(biāo)系下濾波算法

3、中目標(biāo)狀態(tài)耦合問題，提出了一種基于混合坐標(biāo)系無跡卡爾曼濾波(hC-UKF)的被動(dòng)目標(biāo)跟蹤算法，利用無跡變換實(shí)現(xiàn)目標(biāo)狀態(tài)的坐標(biāo)轉(zhuǎn)換，降低了目標(biāo)狀態(tài)的耦合程度，有效提高了目標(biāo)跟蹤精度。針對基于粒子濾波(PF)的被動(dòng)目標(biāo)跟蹤算法計(jì)算量大的問題，提出了一種基于擬蒙特卡羅采樣高斯粒子濾波(QMC-GPF)的被動(dòng)目標(biāo)跟蹤算法，通過擬蒙特卡羅采樣實(shí)現(xiàn)高斯粒子濾波的遞歸計(jì)算，減少了樣本點(diǎn)數(shù)量，在保證目標(biāo)跟蹤精度的前提下，有效降低了算法的計(jì)算復(fù)雜度。

4、r>　　 3、在機(jī)動(dòng)目標(biāo)跟蹤方面，提出了一種基于二次加權(quán)變結(jié)構(gòu)多模型(RVSIMM)的被動(dòng)機(jī)動(dòng)目標(biāo)跟蹤算法，將二次加權(quán)過程引入到模型交互過程中，提高了模型融合精度。為了避免不匹配模型的影響，引入模型集合自適應(yīng)調(diào)整過程，在降低計(jì)算復(fù)雜度的同時(shí)，提高了目標(biāo)跟蹤精度。提出了一種基于自適應(yīng)兩階段擴(kuò)展卡爾曼濾波(RTSEKF)的被動(dòng)機(jī)動(dòng)目標(biāo)跟蹤算法，采用兩階段卡爾曼濾波分別估計(jì)目標(biāo)狀態(tài)和機(jī)動(dòng)偏差擾動(dòng)，通過對機(jī)動(dòng)偏差的在線估計(jì)來修正濾波輸出，并引

5、入改進(jìn)的噪聲自適應(yīng)估計(jì)算法實(shí)時(shí)估計(jì)模型噪聲參數(shù)，在不明顯增加計(jì)算量的情況下，有效提高了目標(biāo)跟蹤精度。
　　 4、在多目標(biāo)跟蹤方面，針對雜波環(huán)境下數(shù)目未知且時(shí)變的多個(gè)機(jī)動(dòng)目標(biāo)的跟蹤問題，提出了一種基于交互多模型概率假設(shè)密度(IMM-PHD)濾波的被動(dòng)機(jī)動(dòng)多目標(biāo)跟蹤算法，將多目標(biāo)狀態(tài)和觀測建模為隨機(jī)有限集合，并通過概率假設(shè)密度濾波(PHD)同時(shí)估計(jì)目標(biāo)數(shù)目和狀態(tài)。為了避免目標(biāo)機(jī)動(dòng)時(shí)出現(xiàn)失跟現(xiàn)象，將交互多模型算法(IMM)引入到濾波遞