目标跟踪系统中多传感器数据融合算法研究

摘要

传感器技术和分布式计算方法的迅猛发展以及人们对系统控制便利性要求的逐步提高，都极大的推动了多传感器技术在不同系统中的应用。与单传感器系统相比，通过融合一系列传感器(通常为不同类型的传感器)的数据，多传感器系统可以得到更加全面的信息。通常，单传感器系统所获得的信息具有不完全性，且对数据获取方案具有较大的依赖性，所以这些基于固定算法的单传感器系统在模糊识别、误差分辨以及不确定环境条件下的错误探测等方面都有极大的欠缺。而多传感器系统通过数据融合技术，可以极大的消除单传感器方案的不利因素。因此，多传感器系统可以提供更好的可信度、可靠性以及分辨率。 本文首先总结了机动目标跟踪数据融合算法的发展历史、研究现状以及未来的发展方向。随后介绍了跟踪融合系统中的一些基础算法和常用的融合算法，并在此基础上，通过结合不同算法和模型，提出了一种基于自适应模糊神经网络的多传感器数据融合算法(ANF-MDFA)。通常在目标跟踪系统中，加速度与测量噪声是影响跟踪精度的两大主要因素，该算法通过神经网络、自适应模糊神经推理系统(ANFIS)以及卡尔曼滤波器的结合，可以自适应的调整以上两个跟踪参数，并融合不同传感器的数据获得更加精确的结果。仿真结果表明，该算法可以通过调整跟踪参数有效的防止目标丢失。

目录

文摘

英文文摘

声明

第一章 引言

1.1机动目标跟踪概述

1.2数据融合算法概述

1.2.1数据融合的概念及其定义

1.2.2数据融合的基本原理及分类

1.2.3目标跟踪系统中数据融合算法的发展现状与趋势

1.3本文的主要工作

第二章 卡尔曼滤波器

2.1卡尔曼滤波器的发展过程

2.2离散卡尔曼滤波器

2.2.1被估计的过程信号

2.2.2滤波器的计算原型

2.2.3滤波器的概率原型

2.2.4离散卡尔曼滤波器算法

2.3卡尔曼滤波器的主要特性

2.3.1过程模型

2.3.2滤波器方程和参数

2.3.3模拟实验

第三章 神经网络

3.1神经网络概述

3.2神经元模型

3.2.1神经元的数学模型

3.2.2神经元的转移函数

3.3神经网络的网络结构

3.3.1网络拓扑结构分类

3.3.2网络信息流向分类

3.4神经网络的学习规则

3.5反向传播(BP)网络

3.5.1 BP算法

3.5.2 BP网络设计

3.5.3 BP网络的限制与不足

第四章 模糊系统

4.1模糊理论概述

4.2模糊集合

4.2.1模糊集合的基本概念

4.2.2模糊集合运算

4.3模糊规则与模糊推理

4.4模糊系统设计

4.5自适应模糊神经推理系统

4.5.1 ANFIS概述

4.5.2Takagi-Sugeno-Kang模糊系统

4.5.3 ANFIS的结构

第五章 多传感器数据融合算法

5.1卡尔曼滤波器模块设计

5.2神经网络模块设计

5.2.1目标加速度的探测与估计

5.2.2数据融合的神经网络法

5.3 ANFIS模块设计

5.4算法仿真与结果分析

第六章 结论与展望

6.1结论

6.2展望

致谢

参考文献

附录

攻硕期间取得的研究成果