多传感器机动目标跟踪的自适应网格交互多模算法研究

摘要

多传感器数据融合的应用范围十分广泛，包括军用和民用的众多领域如：目标跟踪与识别、医疗诊断、交通管制、工业机器人等等。多传感器数据融合的目的是，利用多个或多种传感器提供的冗余信息和互补信息，减少观测信息的不确定性和模糊性，提高对目标的检测、跟踪定位和识别能力，增强系统的可靠性和生存能力。在多传感数据融合中，实时、精确地跟踪机动目标在军事上和许多民用领域有着重要的意义。本文较为系统地研究了多传感器数据融合目标跟踪中的数据获取、处理及跟踪算法。 机动目标跟踪是为了维持对目标当前状态的估计，同时也是对传感器接收到的数据进行处理的过程。所以在跟踪之前，应该保证接收到的数据准确、可靠。本文对多传感器在机动目标跟踪中数据的来源、获取及处理进行了归纳和整理，其中包括多传感器的组成、分类、工作原理，对机动目标跟踪中数据的分步获取，相关处理，雷达之间的相互通信，多雷达数据预处理，最后提供给指挥中心。 为得到较好的多传感器数据融合关联算法，首先应理解数据融合的基本原理、关键问题、融合步骤及性能评价等。其次对多传感器单机动目标跟踪的几个典型算法进行归纳总结，仿真对比。 通过对国内外多传感器机动目标跟踪数据融合算法的研究，结合飞机的实际飞行轨迹和相关军工科研单位的实际考察，发现基于模型的算法是较为理想并可行的算法。分析了机动目标跟踪交互多模型(InteractingMuliiple Model -IMM)算法和自适应网格交互式多模型(Adaptive GridInteracting Multiple Model-AGIMM)算法的核心思想、实用范围及缺陷。对多模型算法中设计模式集的数量、匹配度与跟踪精度、计算复杂度及实时性等进行了对比研究，从AGIMM算法入手，针对AGIMM存在的不足，本文提出了两方面的改进：(1)在网格中心和网格距离的计算中用当前时刻的预测概率代替前一时刻的后验概率，以减小误差；(2)模式集的选择，通过实时扩增的期望模式集E优化当前模式集M，使其更接近于目标真实运动模型。设定了多种飞行轨迹，飞行速度、加速度、及转弯率等来模拟真实的机动目标飞行情况，用IMM、AGIMM和改进的AGIMM算法分别进行了跟踪，并得出了跟踪误差，Monte Carlo仿真结果表明，改进的AGIMM在跟踪精度和实时性方面都有了进一步的提高。

目录

文摘

英文文摘

论文说明：符号说明

声明

第一章绪论

1.1引言

1.2国内外研究动态

1.3论文主要工作

第二章多传感器概述及雷达通信

2.1传感器组成概述

2.1.1传感器的组成

2.1.2传感器的分类

2.1.3常用传感器

2.2多传感器的特点

2.2.1多传感器的特征

2.2.2多传感器的管理

2.2.3多传感器跟踪优势

2.3雷达通信系统

2.3.1雷达数据预处理

2.3.2雷达网络结构

2.3.3宽带雷达通信网

2.4小结

第三章多传感器数据融合及关联

3.1数据融合相关概述

3.1.1数据融合定义

3.1.2数据融合原理

3.1.3数据融合分类

3.1.4数据融合关键问题

3.1.5数据融合的优点

3.1.6数据融合的性能评价

3.2数据融合的主要内容

3.2.1数据融合处理的问题

3.2.2数据融合的步骤

3.2.3数据融合常用方法

3.3数据关联算法

3.3.1算法回顾

3.3.2“最近邻”法

3.3.3概率数据关联滤波器

3.3.4联合概率数据关联滤波器

3.4数据融合滤波算法

3.4.1卡尔曼滤波

3.4.2扩展卡尔曼滤波

3.5小结

第四章多传感器机动目标跟踪原理

4.1机动目标跟踪基本原理

4.1.1目标跟踪概述

4.1.2目标跟踪原理

4.1.3跟踪基本要素

4.2几种常用的模型

4.2.1匀速模型

4.2.2匀加速模型

4.2.3匀速率转弯模型

4.2.4当前统计模型

4.3小结

第五章多传感器机动目标跟踪算法

5.1基于模型的跟踪算法概述

5.2多模型算法

5.2.1多模型算法原理

5.2.2静态多模型算法

5.2.3交互多模算法

5.2.4变结构交互多模算法

5.3自适应网格交互多模算法

5.3.1 AGIMM算法概述

5.3.2 AGIMM算法

5.3.3 AGIMM优点

5.4自适应网格交互多模算法改进

5.4.1模式转移概率计算的改进

5.4.2模式集M的实时扩增

5.5三种模式仿真比较

5.5.1模拟轨迹

5.5.2仿真结论

5.6小结

第六章总结与展望

参考文献

附录

致谢

攻读学位期间发表的学术论文目录