论文部分内容阅读
被动多传感器目标跟踪是多传感器数据融合的一个重要研究内容,在军用和民用领域具有广阔的应用前景,备受国内外学者和工程领域专家的关注。本文针对被动多传感器探测的目标跟踪问题,从系统参数优化设计和目标跟踪方法等方面进行了深入、系统的研究,提出了一些有效的新方法。取得主要成果如下：1在系统参数优化设计方面,提出了一种基于目标跟踪精度分析的系统参数优化设计算法,采用多传感器集中式融合方式与扩展卡尔曼滤波(EKF)相结合实现被动目标跟踪,并推导了跟踪误差的克拉美-罗下限。在此基础上,给出了监视空域内目标跟踪精度的几何分布(GDTE)。此外,通过分析系统参数对目标跟踪精度几何分布的影响,给出了提高系统性能的有效措施。2在单目标跟踪方面,提出了一种基于无迹卡尔曼滤波(UKF)的被动目标跟踪算法,将无迹变换(UT)引入卡尔曼滤波,避免了传统的扩展卡尔曼滤波的线性化近似过程,在保证目标跟踪实时性的前提下,有效提高了目标跟踪精度。针对单一坐标系下滤波算法中目标状态耦合问题,提出了一种基于混合坐标系无迹卡尔曼滤波(HC-UKF)的被动目标跟踪算法,利用无迹变换实现目标状态的坐标转换,降低了目标状态的耦合程度,有效提高了目标跟踪精度。针对基于粒子滤波(PF)的被动目标跟踪算法计算量大的问题,提出了一种基于拟蒙特卡罗采样高斯粒子滤波(QMC-GPF)的被动目标跟踪算法,通过拟蒙特卡罗采样实现高斯粒子滤波的递归计算,减少了样本点数量,在保证目标跟踪精度的前提下,有效降低了算法的计算复杂度。3在机动目标跟踪方面,提出了一种基于二次加权变结构多模型(RVSIMM)的被动机动目标跟踪算法,将二次加权过程引入到模型交互过程中,提高了模型融合精度。为了避免不匹配模型的影响,引入模型集合自适应调整过程,在降低计算复杂度的同时,提高了目标跟踪精度。提出了一种基于自适应两阶段扩展卡尔曼滤波(RTSEKF)的被动机动目标跟踪算法,采用两阶段卡尔曼滤波分别估计目标状态和机动偏差扰动,通过对机动偏差的在线估计来修正滤波输出,并引入改进的噪声自适应估计算法实时估计模型噪声参数,在不明显增加计算量的情况下,有效提高了目标跟踪精度。4在多目标跟踪方面,针对杂波环境下数目未知且时变的多个机动目标的跟踪问题,提出了一种基于交互多模型概率假设密度(IMM-PHD)滤波的被动机动多目标跟踪算法,将多目标状态和观测建模为随机有限集合,并通过概率假设密度滤波(PHD)同时估计目标数目和状态。为了避免目标机动时出现失跟现象,将交互多模型算法(IMM)引入到滤波递归过程中,有效提高了目标跟踪精度。