基于隨機有限集多擴展目標跟蹤方法的研究.pdf

1、多目標跟蹤問題一直是目標跟蹤領(lǐng)域研究的難點，其目的是在目標不確定性和量測不確定性的情況下對多目標的狀態(tài)和數(shù)目進行聯(lián)合估計。隨著電子技術(shù)的不斷發(fā)展和傳感器精度的不斷提高，目標可占據(jù)傳感器的多個分辨單元，這種目標被看作擴展目標。由于擴展目標會在每個時刻產(chǎn)生多個量測，若仍采用傳統(tǒng)的數(shù)據(jù)關(guān)聯(lián)方法確定量測與目標之間的對應(yīng)關(guān)系將會十分困難。近些年來，基于隨機有限集的多目標跟蹤方法因其避免了復(fù)雜的數(shù)據(jù)關(guān)聯(lián)問題而受到學(xué)者們的廣泛關(guān)注。因此，本文以隨機有

2、限集為理論基礎(chǔ)，開展多擴展目標跟蹤方法的研究，主要內(nèi)容如下：
　　1.針對多擴展目標的量測集劃分問題，本文研究了一種自適應(yīng)密度模糊C均值(Fuzzy C-means,FCM)量測集劃分算法。首先，該算法利用自適應(yīng)門對量測集進行預(yù)處理，濾除部分雜波量測，降低了算法計算復(fù)雜度的同時提高了量測集劃分的準確度；其次，采用密度函數(shù)法產(chǎn)生 FCM的初始聚類中心，并闡述了自適應(yīng)密度FCM多擴展目標量測集劃分方法的詳細過程；最后，通過仿真實驗與已

3、有的Kmeans++劃分進行比較，驗證了該算法不僅劃分結(jié)果較為準確，而且時間代價也較低。
　　2.針對多擴展目標粒子概率假設(shè)密度(Probability Hypothesis Density,PHD)濾波算法存在的粒子退化問題，本文研究了一種多擴展目標容積粒子PHD濾波算法。該算法在粒子的先驗分布更新階段充分考慮最新的量測信息，利用容積卡爾曼濾波產(chǎn)生多擴展目標粒子PHD濾波算法的重要性密度函數(shù)，確保能夠在擴展目標真實量測所對應(yīng)的狀

4、態(tài)空間上采樣粒子，使采樣的粒子向似然函數(shù)峰值區(qū)移動，從而能夠更加精確地逼近多擴展目標的后驗強度，改善多擴展目標粒子PHD濾波的跟蹤性能。仿真實驗表明，該算法在緩解粒子退化的同時，提高了算法整體的跟蹤性能。
　　3.研究了基于隨機矩陣方法在非線性情況下的多擴展目標跟蹤問題。首先，研究了基于隨機矩陣多擴展目標的建模和跟蹤方法，該方法用對稱正定隨機矩陣所表示的橢圓對擴展目標的形狀進行建模；其次，利用修正量測轉(zhuǎn)換(Modified unb

5、iased-converted measurement,MUCM)方法將雷達量測通過坐標變換轉(zhuǎn)換為笛卡爾坐標系下的偽線性量測形式，并用統(tǒng)計方法求出轉(zhuǎn)換量測誤差的協(xié)方差；然后，基于MUCM給出高斯逆威沙特概率假設(shè)密度(Gaussian inverse Wishart Probability Hypothesis Density,GIW-PHD)濾波算法的具體實現(xiàn)過程，從而可遞推獲取多擴展目標的運動狀態(tài)和形狀估計。最后，通過仿真實驗驗證了算