【摘要】：多目標(biāo)跟蹤問題一直是目標(biāo)跟蹤領(lǐng)域研究的難點,其目的是在目標(biāo)不確定性和量測不確定性的情況下對多目標(biāo)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(biāo)可占據(jù)傳感器的多個分辨單元,這種目標(biāo)被看作擴展目標(biāo)。由于擴展目標(biāo)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(biāo)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(biāo)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,本文以隨機有限集為理論基礎(chǔ),開展多擴展目標(biāo)跟蹤方法的研究,主要內(nèi)容如下:1.針對多擴展目標(biāo)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(zhǔn)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(biāo)量測集劃分方法的詳細(xì)過程;最后,通過仿真實驗與已有的Kmeans++劃分進行比較,驗證了該算法不僅劃分結(jié)果較為準(zhǔn)確,而且時間代價也較低。2.針對多擴展目標(biāo)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(biāo)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(biāo)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(biāo)真實量測所對應(yīng)的狀態(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(biāo)的后驗強度,改善多擴展目標(biāo)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(biāo)跟蹤問題。首先,研究了基于隨機矩陣多擴展目標(biāo)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(biāo)的形狀進行建模;其次,利用修正量測轉(zhuǎn)換(Modified unbiased-converted measurement,MUCM)方法將雷達量測通過坐標(biāo)變換轉(zhuǎn)換為笛卡爾坐標(biāo)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(biāo)的運動狀態(tài)和形狀估計。最后,通過仿真實驗驗證了算法的有效性。
【學(xué)位授予單位】：蘭州理工大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2017
【分類號】：TN713

【參考文獻】

相關(guān)期刊論文 前10條

1 陳輝;韓崇昭;;機動多目標(biāo)跟蹤中的傳感器控制策略的研究[J];自動化學(xué)報;2016年04期

2 陳輝;韓崇昭;;Rao-Blackwellized粒子勢均衡多目標(biāo)多伯努利濾波器[J];控制理論與應(yīng)用;2016年02期

3 陳輝;韓崇昭;;CBMeMBer濾波器序貫蒙特卡羅實現(xiàn)新方法的研究[J];自動化學(xué)報;2016年01期

4 劉哲;王祖林;徐邁;劉景賢;楊藍(lán);;基于均方根容積粒子的SMC-PHD算法[J];北京航空航天大學(xué)學(xué)報;2015年10期

5 楊金龍;劉風(fēng)梅;王冬;葛洪偉;;基于近鄰傳播聚類的多擴展目標(biāo)量測集劃分算法[J];雷達學(xué)報;2015年04期

6 韓玉蘭;朱洪艷;韓崇昭;;采用隨機矩陣的多擴展目標(biāo)濾波器[J];西安交通大學(xué)學(xué)報;2015年07期

7 陳輝;韓崇昭;;多距離假設(shè)純方位伯努利濾波器的設(shè)計[J];控制與決策;2015年07期

8 張光華;連峰;韓崇昭;姚玲玲;;高斯混合擴展目標(biāo)多伯努利濾波器[J];西安交通大學(xué)學(xué)報;2014年10期

9 章濤;吳仁彪;;自適應(yīng)門限GM-CPHD多目標(biāo)跟蹤算法[J];數(shù)據(jù)采集與處理;2014年04期

10 張慧;徐暉;安瑋;盛衛(wèi)東;龍云利;;一種基于多模型高斯逆Wishart PHD濾波器的空間鄰近目標(biāo)跟蹤方法[J];紅外與毫米波學(xué)報;2014年02期

相關(guān)會議論文 前1條

1 陳晨;宗鵬;;基于隨機有限集的多個弱目標(biāo)跟蹤算法[A];第十二屆衛(wèi)星通信學(xué)術(shù)年會論文集[C];2016年

相關(guān)博士學(xué)位論文 前2條

1 江同洋;基于隨機有限集的多目標(biāo)貝葉斯濾波方法研究[D];浙江大學(xué);2015年

2 梁軍;粒子濾波算法及其應(yīng)用研究[D];哈爾濱工業(yè)大學(xué);2009年

相關(guān)碩士學(xué)位論文 前3條

1 劉風(fēng)梅;多擴展目標(biāo)跟蹤量測集劃分方法研究[D];江南大學(xué);2015年

2 王妮;擴展目標(biāo)的高斯混合概率假設(shè)密度濾波算法研究[D];西安工程大學(xué);2015年

3 王榮;未知量測噪聲下隨機集多擴展目標(biāo)跟蹤方法研究[D];西安電子科技大學(xué);2014年

，

本文編號：2545466