低可觀測高雜波條件下的多目標檢測算法研究與實現(xiàn).pdf

1、傳統(tǒng)的檢測技術(shù)隨著軍事技術(shù)發(fā)展，已難以滿足在低可觀測高雜波的復雜環(huán)境下對目標檢測性能的需求。檢測前跟蹤(Track Before Detect，TBD）技術(shù)是針對該難題而提出的方法。它對單幀數(shù)據(jù)不設(shè)門限或設(shè)置低門限，盡可能保留目標信息，根據(jù)目標運動在時間上的關(guān)聯(lián)性，從而實現(xiàn)目標信息累積，在多幀累積后判決得到目標的估計信息。其中，基于最大似然的TBD方法通過構(gòu)造多幀對數(shù)似然比(Log-Likelihood Ratio，LLR）公式，對低可

2、觀測甚至超低可觀測目標都能獲得較好的檢測與估計性能。
　　基于量測與目標的不同關(guān)聯(lián)模型，最大似然TBD方法分為最大似然-概率數(shù)據(jù)關(guān)聯(lián)(Maximum Likelihood Probabilistic Data Association，ML-PDA）算法和最大似然-概率多假設(shè)跟蹤(Maximum Likelihood Probabilistic Multi-Hypothesis Tracker，ML-PMHT）算法。兩者在單目標檢測

3、上具有相近的性能。但由于ML-PMHT算法允許多個量測與目標關(guān)聯(lián)，具有量測與目標關(guān)聯(lián)相互獨立的“軟”決策模型，對于多目標、多路徑等場景下具有更突出的檢測性能和易擴展的能力。因此，本文研究的重點以及成果主要基于ML-PMHT算法。其主要內(nèi)容為：
　　1、討論了ML-PDA算法和ML-PMHT算法的單目標LLR公式，并介紹了搜索優(yōu)化以及檢測門限的整體流程，分析對比了兩種算法的單目標檢測性能。
　　2、討論了多目標版本的聯(lián)合最大似

4、然-概率數(shù)據(jù)關(guān)聯(lián)(Joint Maximum Likelihood Probabilistic Data Association，JML-PDA）算法和聯(lián)合最大似然-概率多假設(shè)跟蹤(Joint Maximum Likelihood Probabilistic Multi-Hypothesis Tracker， JML-PMHT）算法。分析表明了 ML-PMHT突出的擴展能力，然后介紹了一種基于滑窗法實現(xiàn)的多目標檢測與跟蹤框架。
　

5、　3、針對天波超視距雷達場景(Over-The-Horizon Radar，OTHR）的多路徑特點，提出了一種多路徑信息融合的JML-PMHT多目標檢測算法。推導了克拉美羅下界(Cramer-Rao Low Bound，CRLB）。然后通過滑窗法實現(xiàn)了多目標檢測與跟蹤。其在提高估計精度同時減少了虛假航跡的產(chǎn)生。
　　4、針對多路徑 JML-PMHT算法在跟蹤維持階段計算量較大的缺點，提出了一種多路徑概率多假設(shè)跟蹤(Probabil