艦載多被動(dòng)聲納多目標(biāo)跟蹤算法研究.pdf

1、艦載被動(dòng)聲納系統(tǒng)是艦艇遠(yuǎn)距離隱蔽探測和跟蹤水面艦艇、水中武器和潛艇的主要手段。多被動(dòng)聲納多目標(biāo)跟蹤是水下目標(biāo)跟蹤的重要課題。隨著水下目標(biāo)的隱身技術(shù)、水下武器的機(jī)動(dòng)性能以及水聲對抗能力的不斷提高,對被動(dòng)聲納的水下目標(biāo)探測、識別和跟蹤提出了更高要求。為了滿足同趨復(fù)雜的水下目標(biāo)跟蹤的要求,多被動(dòng)聲納多目標(biāo)跟蹤需要不斷采用高新技術(shù),研究新的理論和方法。本論文著重研究了被動(dòng)聲納目標(biāo)跟蹤的非線性濾波,多被動(dòng)聲納多機(jī)動(dòng)目標(biāo)跟蹤,引入量測幅值信息的被動(dòng)

2、聲納多目標(biāo)跟蹤,以及基于隨機(jī)有限集理論的被動(dòng)聲納目標(biāo)跟蹤和異步融合等問題。主要的研究成果和創(chuàng)新點(diǎn)如下:
　　 1.針對被動(dòng)聲納的高測量噪聲及純方位目標(biāo)跟蹤的非線性問題,研究了無跡卡爾曼濾波(UKF)和粒子濾波(PF)這兩種非線性濾波算法。針對模型誤差和計(jì)算誤差引起的濾波發(fā)散,提出了一種基于衰減記憶濾波的平方根UKF被動(dòng)目標(biāo)跟蹤(MA-SR-UKF)算法;針對被動(dòng)聲納目標(biāo)跟蹤的粒子濾波算法所固有的計(jì)算復(fù)雜性問題,提出了一種基于小波

3、多分辨率技術(shù)的高效粒子濾波算法,即小波變換粒子濾波(WMPF)算法。仿真結(jié)果表明:MA-SR-UKF算法有效抑制了濾波器的發(fā)散;WMPF算法降低了具有非線性非高斯特點(diǎn)的被動(dòng)聲納純方位目標(biāo)跟蹤中粒子濾波的計(jì)算復(fù)雜性。
　　 2.針對雜波環(huán)境中的多被動(dòng)聲納多機(jī)動(dòng)目標(biāo)跟蹤問題,研究了交互式多模型聯(lián)合概率數(shù)據(jù)關(guān)聯(lián)濾波(IMM-JPDAF)算法。由于IMM-JPDAF算法中擴(kuò)展卡爾曼濾波在非線性非高斯條件下跟蹤誤差較大,提出了一種基于粒子

4、濾波的多被動(dòng)聲納交互式多模型多機(jī)動(dòng)目標(biāo)跟蹤算法(IMM-JPDA-PF),給出了兩個(gè)被動(dòng)聲納傳感器情況下的IMM-JPDA-PF算法,該算法能夠很容易的擴(kuò)展到任意多個(gè)傳感器多機(jī)動(dòng)目標(biāo)跟蹤情況。仿真結(jié)果表明:IMM-JPDA-PF算法能夠?qū)﹄s波環(huán)境中的多機(jī)動(dòng)目標(biāo)進(jìn)行有效的跟蹤。
　　 3.研究了基于隨機(jī)有限集理論的被動(dòng)聲納多目標(biāo)跟蹤問題,將高斯混合概率假設(shè)密度(GM-PHD)濾波和高斯混合勢分布概率假設(shè)密度(GM-CPHID)濾波

5、應(yīng)用于被動(dòng)聲納多目標(biāo)跟蹤問題;針對被動(dòng)聲納純方位多目標(biāo)跟蹤問題中量測方程的非線性,利用擴(kuò)展Kalman濾波(EKF)和無跡Kalman濾波(UKF)來處理,給出了高斯混合形式的EK-CPHD濾波和UK-CPHD濾波算法。仿真結(jié)果表明:高斯混合EK-CPHD和UK-CPHD濾波算法與高斯混合EK-PHD和UK-PHD濾波算法相比具有更高的目標(biāo)數(shù)目和多目標(biāo)狀態(tài)估計(jì)精度。
　　 4.針對被動(dòng)聲納純方位目標(biāo)跟蹤中的低可觀測問題,研究了引

6、入量測幅值信息(AI)的目標(biāo)跟蹤方法。將JPDA算法中的似然與AI幅值似然比相結(jié)合,提出了基于幅值信息的聯(lián)合概率數(shù)據(jù)關(guān)聯(lián)粒子濾波(AI-JPDA-PF)算法;在CPHD濾波框架下引入量測幅值信息,提出了基于幅值信息的勢分布概率假設(shè)密度(AI-CPHD)濾波算法,利用量測幅值信息改善了被動(dòng)聲納低可觀測條件下的目標(biāo)跟蹤性能。仿真結(jié)果表明:AI-JPDA-PF算法提高了被動(dòng)聲納純方位目標(biāo)跟蹤中數(shù)據(jù)關(guān)聯(lián)的可靠性和目標(biāo)跟蹤的精度;AI-CPHD濾

7、波算法在已知和未知信噪比情況下,對于目標(biāo)數(shù)目的估計(jì)精度均優(yōu)于未引入幅值信息的CPHD濾波算法。
　　 5.將多模型算法與基于隨機(jī)有限集理論的概率假設(shè)密度濾波相結(jié)合,提出了一種基于高斯混合的多模型概率假設(shè)密度(GM-MMPHD)濾波算法。該算法從高斯混合形式的多目標(biāo)狀態(tài)后驗(yàn)概率假設(shè)密度函數(shù)中提取多目標(biāo)狀態(tài),增加了MMPHD濾波的穩(wěn)定性和可靠性,避免了復(fù)雜的數(shù)據(jù)關(guān)聯(lián)的計(jì)算。仿真結(jié)果表明:GM-MMPHD濾波算法能夠?qū)Ρ粍?dòng)聲納多機(jī)動(dòng)目

8、標(biāo)進(jìn)行穩(wěn)定可靠的跟蹤,與傳統(tǒng)的IMMJPDA算法相比,計(jì)算速度有了顯著的提高。
　　 6.針對具有非順序量測的多被動(dòng)聲納多目標(biāo)跟蹤問題,提出了一種基于序貫勢分布概率假設(shè)密度濾波的異步融合(OOSM-SGMCPHD)算法。該算法避免了多被動(dòng)聲納多目標(biāo)跟蹤中復(fù)雜的數(shù)據(jù)關(guān)聯(lián),有效解決了多目標(biāo)跟蹤的目標(biāo)數(shù)目不確定性問題和具有非順序量測的異步融合問題。仿真結(jié)果表明:OOSM-SGMCPHD算法提高了具有非順序量測的多被動(dòng)聲納序貫CPHD濾