论文部分内容阅读
随着现代战争环境日益复杂化,雷达观测区域中出现的目标和干扰越来越多,且目标的运动形式更加复杂多样,呈现高速、高机动的特点,这些都给雷达目标跟踪工作带来了巨大的挑战。如何对密集杂波环境下的高机动多目标进行更准确、高效的跟踪是目前亟待解决的问题,对此,论文主要从提高精度和降低计算量两个层面优化雷达高机动多目标跟踪算法的性能。具体工作如下:1.对机动目标的运动模型和滤波算法进行了研究。首先研究了几种典型的机动目标运动模型和非线性滤波算法的原理,然后通过仿真分析了在目标具有高机动性的情况下,典型模型的适用范围,以及各算法的稳定性和精度,为后续的研究提供了理论基础。2.对基于数据关联的高机动多目标跟踪算法进行了研究。首先,针对联合概率数据关联算法(JPDA)计算量大的问题,给出一种修正的JPDA算法(MJPDA)。MJPDA算法通过修正因子将公共回波区别对待,直接在确认矩阵的基础上计算互联概率,避免了对确认矩阵的拆分。理论分析和仿真实验表明,MJPDA算法既能保证较高的跟踪精度,又能大幅降低算法的复杂度。然后,基于上述研究结果,针对高机动多目标的状态突变问题,又给出一种基于交互式多模型的修正联合概率数据关联算法(IMM-MJPDA)。该算法通过滤波过程中的残差,调整目标的模型概率,以应对目标的状态突变,并利用MJPDA算法计算多目标的互联概率。仿真实验表明,IMM-MJPDA算法可准确地对高机动多目标进行跟踪,在目标状态发生突变时,具有适应性强、精度高的优点。3.对基于随机集的高机动多目标跟踪算法进行了研究。针对基于CS模型的EK-GMPHD滤波算法在目标状态发生突变时估计精度不高的问题,给出了一种自适应的高机动多目标跟踪算法。该算法在基于CS模型的EK-GMPHD滤波算法的基础上,引入时变的渐消因子和机动变化率,从而自适应调整滤波增益以应对高机动目标的状态突变问题,同时避免了基于数据关联的多目标跟踪算法计算量大的问题。仿真实验表明,在目标状态发生突变时,自适应算法可有效降低跟踪误差,提高对目标个数和状态估计的准确性。