目標(biāo)魯棒建模與跟蹤算法研究.pdf

1、目標(biāo)跟蹤是動態(tài)濾波應(yīng)用領(lǐng)域一個經(jīng)典的問題，其目的是通過一定的測量手段和跟蹤算法，對感興趣的目標(biāo)進行有效的跟蹤。如何建立可精確描述目標(biāo)的動態(tài)模型，以及如何處理測量中可能存在的異常值，是目標(biāo)跟蹤系統(tǒng)可靠運行必須解決的兩個關(guān)鍵問題，也就是目標(biāo)跟蹤系統(tǒng)的魯棒性問題。本文針對目標(biāo)跟蹤系統(tǒng)算法的魯棒性問題主要進行了兩個方面的研究:一、探討建立可精確描述目標(biāo)的動態(tài)模型;二、處理測量異常值對系統(tǒng)的有害影響以提高目標(biāo)跟蹤的魯棒性。本文完成的工作概括如下:

2、
　　首先，在單目標(biāo)跟蹤系統(tǒng)中，針對目標(biāo)動態(tài)模型不準(zhǔn)確的問題，提出了一種新的描述目標(biāo)的動態(tài)模型——基于多項式預(yù)測模型的魯棒動態(tài)建模方法，并給出了相應(yīng)的交互動態(tài)濾波算法。我們描述目標(biāo)的動態(tài)模型，是利用由隨機漫步模型、一階和二階多項式預(yù)測模型組成的一個模型集，其目的是希望借助交互多模型的思想，通過馬爾科夫概率轉(zhuǎn)移矩陣來賦予這個模型集中每個模型正確描述被跟蹤動態(tài)目標(biāo)的概率，并將這些正確描述動態(tài)目標(biāo)的概率進行加權(quán)合成，以獲得可更正確描述目

3、標(biāo)真實動態(tài)的全局模型，從而提高了跟蹤算法對動態(tài)目標(biāo)的自適應(yīng)能力，增強了算法的魯棒性。計算機仿真驗證了該算法在機動目標(biāo)跟蹤中的有效性和實用性。
　　其次，我們利用上面的建模思想，對線性調(diào)頻信號的瞬時頻率估計問題進行了建模，然后利用無跡卡爾曼濾波算法(Unscented Kalman Filter，UKF)對其進行濾波估計，為動態(tài)濾波方法應(yīng)用于線性調(diào)頻信號的瞬時頻率跟蹤開辟了一個新的應(yīng)用領(lǐng)域，實現(xiàn)了對瞬時頻率的實時跟蹤。分析和仿真的結(jié)

4、果都表明:提出的算法比現(xiàn)有的利用單個模型進行跟蹤的算法在瞬時頻率發(fā)生跳變時具有更好的魯棒性。
　　最后，針對多目標(biāo)跟蹤中，在目標(biāo)動態(tài)模型準(zhǔn)確的情況下，出現(xiàn)的測量異常值的問題，提出了一種魯棒的延遲可變的PHD(Variable-lag Probability HypothesisDensity，VPHD)平滑算法。該算法利用前向的PHD濾波所獲得的先驗信息來調(diào)整后向平滑的間隔，克服了固定延遲PHD(Fixed-lag PHD，F(xiàn)PH