基于交互多模型的被動多傳感器機動目標(biāo)跟蹤算法研究.pdf

1、被動多傳感器的機動目標(biāo)跟蹤是目標(biāo)跟蹤領(lǐng)域的一個重要研究方面，受到越來越多國內(nèi)外學(xué)者專家的關(guān)注。隨著現(xiàn)代科學(xué)技術(shù)的日益發(fā)展，目標(biāo)的機動性能不斷提高，使得現(xiàn)代戰(zhàn)爭環(huán)境日益復(fù)雜，對目標(biāo)跟蹤提出越來越高的要求。因而，研究被動多傳感器系統(tǒng)下的機動目標(biāo)跟蹤，對于提高我國防御系統(tǒng)的能力，具有十分重要的意義。針對機動目標(biāo)的機動特性，本文重點研究了基于交互多模型(IMM)的機動目標(biāo)跟蹤算法。
　　 本文首先針對被動多傳感器的非線性觀測問題，研究了

2、最近新提出的基于確定性采樣的高斯濾波算法，詳細(xì)闡述了利用拉格朗日乘數(shù)法得到更加逼近狀態(tài)先驗概率密度函數(shù)采樣點的過程。利用IMM算法典型的模塊化設(shè)計的優(yōu)點，本文提出了一種基于交互多模型高斯濾波(IMMGF)的被動多傳感器目標(biāo)跟蹤算法，該算法能夠有效地提高機動目標(biāo)跟蹤的精度。
　　 其次，針對由于IMM算法采用標(biāo)量權(quán)值更新模型概率而導(dǎo)致的目標(biāo)的速度、加速度等估計不精確問題，研究了基于對角矩陣的交互多模型(DIMM)算法，該算法利用最

3、優(yōu)信息融合理論，將各模型狀態(tài)估計的每一維向量元素(如：位置、速度、加速度等)實現(xiàn)優(yōu)化融合，使得融合后狀態(tài)的誤差協(xié)方差矩陣最小。本文結(jié)合無跡卡爾曼濾波(UKF)算法，提出了DIMMUKF算法，該算法有效地提高了機動目標(biāo)跟蹤的精度，尤其對目標(biāo)速度、加速度等的估計更加精確。
　　 再次，研究了基于模型切換時間的交互多模型(STC-IMM)算法，該算法在傳感器的采樣頻率大于目標(biāo)的機動頻率的情況下，機動跟蹤性能明顯優(yōu)于IMM算法。本文將S

4、TC-IMM算法與擴展卡爾曼濾波(EKF)算法相結(jié)合，應(yīng)用于被動多傳感器系統(tǒng)中，提出了一種新的STC-IMM-EKF算法，實現(xiàn)了只測角條件下對機動目標(biāo)的跟蹤。
　　 最后，針對機動目標(biāo)跟蹤中模型難以匹配的問題，本文提出了一種基于曲線模型自適應(yīng)的機動目標(biāo)跟蹤算法。該算法將已有的曲線模型自適應(yīng)跟蹤算法作了一些改進，有效地避免了由于模型估計不精確導(dǎo)致的濾波器發(fā)散的現(xiàn)象。仿真實驗表明，本文提出算法比現(xiàn)有算法取得更高精度的同時，擴大了其應(yīng)