被動多傳感器探測目標跟蹤技術(shù)研究.pdf

1、被動多傳感器目標跟蹤是多傳感器數(shù)據(jù)融合的一個重要研究內(nèi)容，在軍用和民用領(lǐng)域具有廣闊的應(yīng)用前景，備受國內(nèi)外學者和工程領(lǐng)域?qū)＜业年P(guān)注。本文針對被動多傳感器探測的目標跟蹤問題，從系統(tǒng)參數(shù)優(yōu)化設(shè)計和目標跟蹤方法等方面進行了深入、系統(tǒng)的研究，提出了一些有效的新方法。取得主要成果如下：
　　 1、在系統(tǒng)參數(shù)優(yōu)化設(shè)計方面，提出了一種基于目標跟蹤精度分析的系統(tǒng)參數(shù)優(yōu)化設(shè)計算法，采用多傳感器集中式融合方式與擴展卡爾曼濾波(EKF)相結(jié)合實現(xiàn)被動目

2、標跟蹤，并推導(dǎo)了跟蹤誤差的克拉美.羅下限。在此基礎(chǔ)上，給出了監(jiān)視空域內(nèi)目標跟蹤精度的幾何分布(GDTE)。此外，通過分析系統(tǒng)參數(shù)對目標跟蹤精度幾何分布的影響，給出了提高系統(tǒng)性能的有效措施。
　　 2、在單目標跟蹤方面，提出了一種基于無跡卡爾曼濾波(UKF)的被動目標跟蹤算法，將無跡變換(UT)引入卡爾曼濾波，避免了傳統(tǒng)的擴展卡爾曼濾波的線性化近似過程，在保證目標跟蹤實時性的前提下，有效提高了目標跟蹤精度。針對單一坐標系下濾波算法

3、中目標狀態(tài)耦合問題，提出了一種基于混合坐標系無跡卡爾曼濾波(hC-UKF)的被動目標跟蹤算法，利用無跡變換實現(xiàn)目標狀態(tài)的坐標轉(zhuǎn)換，降低了目標狀態(tài)的耦合程度，有效提高了目標跟蹤精度。針對基于粒子濾波(PF)的被動目標跟蹤算法計算量大的問題，提出了一種基于擬蒙特卡羅采樣高斯粒子濾波(QMC-GPF)的被動目標跟蹤算法，通過擬蒙特卡羅采樣實現(xiàn)高斯粒子濾波的遞歸計算，減少了樣本點數(shù)量，在保證目標跟蹤精度的前提下，有效降低了算法的計算復(fù)雜度。

4、r>　　 3、在機動目標跟蹤方面，提出了一種基于二次加權(quán)變結(jié)構(gòu)多模型(RVSIMM)的被動機動目標跟蹤算法，將二次加權(quán)過程引入到模型交互過程中，提高了模型融合精度。為了避免不匹配模型的影響，引入模型集合自適應(yīng)調(diào)整過程，在降低計算復(fù)雜度的同時，提高了目標跟蹤精度。提出了一種基于自適應(yīng)兩階段擴展卡爾曼濾波(RTSEKF)的被動機動目標跟蹤算法，采用兩階段卡爾曼濾波分別估計目標狀態(tài)和機動偏差擾動，通過對機動偏差的在線估計來修正濾波輸出，并引

5、入改進的噪聲自適應(yīng)估計算法實時估計模型噪聲參數(shù)，在不明顯增加計算量的情況下，有效提高了目標跟蹤精度。
　　 4、在多目標跟蹤方面，針對雜波環(huán)境下數(shù)目未知且時變的多個機動目標的跟蹤問題，提出了一種基于交互多模型概率假設(shè)密度(IMM-PHD)濾波的被動機動多目標跟蹤算法，將多目標狀態(tài)和觀測建模為隨機有限集合，并通過概率假設(shè)密度濾波(PHD)同時估計目標數(shù)目和狀態(tài)。為了避免目標機動時出現(xiàn)失跟現(xiàn)象，將交互多模型算法(IMM)引入到濾波遞