量化量测下的机动目标跟踪方法研究

摘要

机动目标跟踪技术作为目标跟踪和信息融合的重要组成部分一直是研究的热点，受到国内外研究机构和学者的高度关注。随着科技的快速发展，量化量测作为通信和信息处理中一种常见的非传统量测，如何将基于精确量测模型的机动目标跟踪技术应用到量化量测模型上是当前机动目标跟踪亟待处理的难点之一。机动目标跟踪技术主要有两种思路，一种是采用自适应模型，另一种是采用混合模型。本文对当前机动目标跟踪的两种思路在量化量测条件下的应用分别进行了相关的研究工作。
　　1)研究了量化量测的产生原因和发展现状，以及机动目标跟踪技术的发展和应用。主要包括非传统量测、误差有界区间模型、量化量测广义似然和机动目标运动模型，以及多模型方法。
　　2)研究并实现了量化量测下的Singer模型Kalman滤波，提出了量化量测下的Singer模型高斯混合概率假设密度(GMPHD)滤波。分别采用区间取中值和近似最小均方误差估计(MMSE)的方法将量化量测问题近似成点量测问题，以便在Singer模型下采用GMPHD进行滤波。该算法可以在线性高斯系统中得到闭合解，还可以处理量化量测具有的随机不确定性，集合理论不确定性和数据关联不确定性。仿真实验验证了滤波器的有效性，通过对比分析，量化量测下的跟踪误差接近于点量测下的跟踪误差，MMSE方法误差小于区间直接点化方法。
　　3)研究了量化量测下交互多模型粒子滤波和交互多模型箱粒子滤波，提出了采用被动传感器的量化量测交互多模型粒子PHD滤波和交互多模型箱粒子PHD滤波。通过在粒子/箱粒子状态向量中增加一维模型索引，用粒子/箱粒子拟合目标状态PHD强度，通过重采样和交互输入完成粒子/箱粒子PHD滤波。提出的算法可以处理非线性非高斯的机动多目标跟踪问题。在同等条件下采用交互多模型箱粒子PHD的滤波方法接近粒子PHD滤波方法的性能，同时前者使用的箱粒子个数远远小于后者使用的粒子个数。

目录

声明

摘要

插图索引

表格索引

符号对照表

缩略语对照表

第一章 绪论

1．1 研究背景和意义

1．2 国内外研究现状

1．3 论文主要工作与章节安排

第二章 量化量测下的机动目标跟踪理论基础

2．1 引言

2．2 量化量测基础知识

2．2．1 非传统量测

2．2．2 量化量测模型

2．3 机动目标运动模型

2．3．1 基于运动状态的模型

2．3．2 基于统计随机性的模型

2．4 多模型方法简介

2．5 本章小结

第三章 量化量测下的Singer模型机动目标跟踪

3．1 引言

3．2 Bayes滤波框架

3．3 量化量测下的Singer模型Kalman滤波

3．3．1 近似最小均方误差估计(MMSE)量化量测方法

3．3．2 量化量测下的Singer模型Kalman滤波

3．3．3 仿真实验与分析

3．4 量化量测下的Singer模型GMPHD滤波

3．4．1 随机有限集和PHD滤波

3．4．2 量化量测下的Singer模型GMPHD滤波

3．4．3 仿真实验及分析

3．5 本章小结

第四章 量化量测下的多模型机动目标跟踪

4．1 引言

4．2 量化量测下的非线性与广义似然

4．2．1 量化量测下的非线性

4．2．2 量化量测下的广义似然

4．3 交互多模型粒子／箱粒子滤波

4．3．1 交互多模型粒子滤波

4．3．2 交互多模型箱粒子滤波

4．4 被动传感器交互多模型粒子／箱粒子PHD滤波

4．4．1 被动传感器交互多模型粒子PHD滤波

4．4．2 被动传感器交互多模型箱粒子PHD滤波

4．4．3 仿真实验与分析

4．5 本章小结

第五章 总结和展望

5．1 总结

5．2 展望

参考文献

致谢

作者简介