基于STK空间探测传感器管理算法仿真

摘要

基于天基和地基的空间目标探测传感器在探测和监视空间物体起着关键作用，提高传感器效能在多目标背景环境下非常必要，相关研究在国民经济等领域具有重要意义。
　　 建立在贝叶斯递归滤波框架基础上的随机有限集(RandomFiniteSet，RFS)方法传感器管理，能够适合于不同形势下的传感器探测场景。本文针对RFS法传感管理进行研究，主要做了以下工作：
　　 1．系统描述了RFS方法在多目标贝叶斯滤波中的应用，以及利用有限集统计(FiniteSetStatistics，FISST)工具——集积分，概率产生泛函(ProbabilityGeneratingFunctional，PGFL)及其泛导数——推导多目标贝叶斯近似滤波器：概率假设密度(ProbabilityHypothesisDensity，PHD)滤波器和带势概率假设密度(CardinalizedPHD，CPHD)滤波器的过程。在此基础上PHD滤波器和CPHD滤波器给出了的贯序蒙特卡罗(SequentialMonteCarlo，SMC)方法实现：SMC-PHD，SMC-CPHD;高斯混合方法(GaussianMixture，GM)实现：GM-PHD，GM-CPHD。
　　 2.给出了基于PHD滤波器和CPHD滤波器传感器管理对多目标多传感器系统所建立的假设模型及其近似。在传感器视场(FieldofView，FoV)固定时，选择合理的多传感器模型，推导出多传感器多目标PHD滤波递归方程，用粒子标记法实现了视场固定多传感器管理。
　　 3．在传感器视场可配置时，讨论贝叶斯滤波器及其近似应用于传感器管理的策略，从这个策略出发，推导出基于PHD滤波器的PENT-SM和基于CPHD滤波器的PENT-SM的目标函数表达式。
　　 4．用贯序蒙特卡罗法的粒子系统实现集成了PENTI目标函数的PHD滤波器和CPHD滤波器传感器管理。利用STK构建了天基可视(Space-BasedVisible，SBV)、地基雷达(GroundBasedRadar，GBR)传感器探测和跟踪空间目标的场景，运用这样的实现对进行管理。
　　 本文实现了视场固定多传感器，视场可配置多传感器在多目标探测时的传感器管理算法，并在空间目标探测传感器管理中获得了良好的效果。