隨機集為目標跟蹤提供了簡單明了的貝葉斯遞推形式,避免了傳統(tǒng)方法因數(shù)據(jù)關(guān)聯(lián)而復雜度高的缺點。其中以標簽隨機集為基礎(chǔ)的廣義標簽多伯努利(GLMB)濾波器真正實現(xiàn)了對目標航跡的區(qū)分。由于傳感器精度的提升,目標形狀不可忽略,傳統(tǒng)的點目標理論無法滿足實際中的各種需求,因此擴展目標跟蹤受到國內(nèi)外研究學者的關(guān)注,并大量應用于軍事和民用系統(tǒng)中。本文主要研究了GLMB濾波器在擴展目標跟蹤中的應用,具體的研究內(nèi)容如下:針對GLMB濾波器需要已知運動場景中背景環(huán)境參數(shù)而實際中這些參數(shù)無法提前獲得的問題,提出了未知雜波率和檢測概率的GLMB擴展目標濾波器。該算法通過將雜波當作沒有動態(tài)特性的一類目標,建立聯(lián)合目標-雜波混合空間模型,對混合多目標后驗密度進行迭代。同時對混合空間模型中的擴展目標部分增廣,引入檢測概率空間并采用Beta分布直接對未知檢測概率建模。另外,針對觀測區(qū)域內(nèi)目標新生和消失時Beta分布估計浮動較大的問題,給出了采用inverse gamma分布表征目標未知幅度特征進而估計檢測概率的方法。仿真實驗表明,所提兩種方法均可以在高雜波率或低檢測概率場景中實現(xiàn)對多個目標的跟蹤以及未知參數(shù)的估計,并且可以達到參數(shù)先驗已知的標準濾波器的跟蹤精度。在目標出現(xiàn)新生和消失的場景中,與Beta分布相比,inverse gamma分布對檢測概率的估計結(jié)果更加穩(wěn)定。針對近鄰場景中因量測劃分不準確導致濾波器對目標數(shù)目、質(zhì)心以及形狀的估計出現(xiàn)較大偏差的問題,提出了基于似然函數(shù)的一步數(shù)據(jù)關(guān)聯(lián)GLMB擴展目標濾波器。該算法跳過將量測劃分后再匹配的過程,通過計算量測與目標關(guān)聯(lián)后的似然函數(shù)直接尋找全局最優(yōu)關(guān)聯(lián)假設(shè),進而對目標后驗概率密度進行更新。并采用乘性噪聲模型描述目標形狀,給出濾波器的實現(xiàn)方法。實驗結(jié)果表明,所提的一步數(shù)據(jù)關(guān)聯(lián)方法在目標交叉、近鄰場景中能夠?qū)崿F(xiàn)對目標數(shù)目的準確估計,與基于量測劃分的濾波器相比,該方法對目標質(zhì)心和形狀參數(shù)的估計精度得到提高。針對現(xiàn)有的標簽隨機集理論下目標形狀估計問題,提出了基于控制點的GLMB擴展目標濾波器。該算法采用伸展-變形模型對目標擴展形狀建模,通過移動參考形狀表面控制點來擬合目標真實形狀,并采用參考形狀參數(shù)自適應的計算方法來提高變形后形狀的相似度。最后給出標簽隨機集下多目標后驗概率密度函數(shù)的迭代過程。仿真實驗表明,與基于隨機矩陣和乘性噪聲模型的方法相比,所提方法可以實現(xiàn)對橢圓形狀參數(shù)的準確估計。
【學位單位】：西安電子科技大學
【學位級別】：碩士
【學位年份】：2019
【中圖分類】：TP212;TN713
【文章目錄】：
摘要
ABSTRACT
符號對照表
縮略語對照表
第一章 緒論
    1.1 研究背景及意義
    1.2 隨機集理論基礎(chǔ)
    1.3 擴展目標跟蹤技術(shù)研究現(xiàn)狀
    1.4 論文主要研究成果及內(nèi)容安排
第二章 隨機集擴展目標跟蹤理論基礎(chǔ)
    2.1 引言
    2.2 隨機集擴展目標跟蹤模型
    2.3 標簽隨機集擴展目標跟蹤
        2.3.1 標簽隨機集跟蹤模型
        2.3.2 GLMB濾波器的實現(xiàn)
        2.3.3 基于隨機矩陣模型的擴展目標跟蹤
        2.3.4 基于GLMB的擴展目標跟蹤濾波器
    2.4 本章小結(jié)
第三章 未知背景參數(shù)的GLMB擴展目標跟蹤算法
    3.1 引言
    3.2 multi-class GLMB濾波器
    3.3 聯(lián)合目標-雜波狀態(tài)空間模型
    3.4 檢測概率估計方法
        3.4.1 Beta分布
        3.4.2 inverse gamma分布
    3.5 聯(lián)合未知雜波率和檢測概率的GLMB擴展目標濾波器
        3.5.1 濾波器的實現(xiàn)方法
        3.5.2 算法流程
    3.6 仿真實驗及分析
    3.7 本章小結(jié)
第四章 基于一步數(shù)據(jù)關(guān)聯(lián)的GLMB擴展目標濾波算法
    4.1 引言
    4.2 基于乘性噪聲模型的擴展目標跟蹤
        4.2.1 基于乘性噪聲的量測模型
        4.2.2 基于乘性噪聲的二階擴展卡爾曼擴展目標跟蹤
    4.3 基于似然函數(shù)的一步數(shù)據(jù)關(guān)聯(lián)方法
    4.4 基于似然函數(shù)一步數(shù)據(jù)關(guān)聯(lián)的GLMB濾波算法
    4.5 實驗仿真與分析
    4.6 本章小結(jié)
第五章 基于控制點的擴展形狀估計算法
    5.1 引言
    5.2 伸展-變形模型
        5.2.1 基于控制點的形狀估計
        5.2.2 自適應參考形狀選擇
    5.3 基于控制點的擴展目標GLMB濾波算法
        5.3.1 擴展目標狀態(tài)模型
        5.3.2 基于控制點的GLMB濾波器的實現(xiàn)
    5.4 仿真實驗與分析
    5.5 本章小結(jié)
第六章 總結(jié)和展望
    6.1 總結(jié)
    6.2 展望
參考文獻
致謝
作者簡介

【相似文獻】

相關(guān)期刊論文 前10條

1 夏丙鐸;湯志;徐曉濱;;基于隨機集理論的邊坡穩(wěn)定性評價方法[J];杭州電子科技大學學報;2009年06期

2 袁學海，汪培莊;隨機集的范疇[J];遼寧師范大學學報(自然科學版);1994年02期

3 黃南京;隨機集值相補問題[J];贛南師范學院學報;1995年06期

4 孔紹文;隨機集與集合套理論[J];解放軍測繪學院學報;1987年02期

5 毛超林;;某些隨機集合的復蓋性質(zhì)[J];深圳大學學報;1987年Z2期

6 王力群;;集值統(tǒng)計方法[J];應用概率統(tǒng)計;1989年03期

7 李西和;;一般隨機集的中心統(tǒng)計定理[J];數(shù)學季刊;1989年03期

8 趙亮;楊戰(zhàn)平;;基于隨機集理論的相關(guān)變量模型不確定性量化[J];系統(tǒng)仿真學報;2017年06期

9 徐曉濱;文成林;劉榮利;;基于隨機集理論的多源信息統(tǒng)一表示與建模方法[J];電子學報;2008年06期

10 吳偉志;隨機集可積選擇序列的h收斂性[J];浙江水產(chǎn)學院學報;1994年03期

相關(guān)博士學位論文 前10條

1 徐曉濱;不確定性信息處理的隨機集方法及在系統(tǒng)可靠性評估與故障診斷中的應用[D];上海海事大學;2009年

2 趙亮;基于隨機集理論的QMU關(guān)鍵技術(shù)研究[D];中國工程物理研究院;2016年

3 姜延吉;多傳感器數(shù)據(jù)融合關(guān)鍵技術(shù)研究[D];哈爾濱工程大學;2010年

4 王超;三類不確定支持向量機及其應用[D];河北大學;2013年

5 歐陽成;基于隨機集理論的被動多傳感器多目標跟蹤[D];西安電子科技大學;2012年

6 羅少華;基于隨機集的被動多傳感器目標跟蹤方法研究[D];國防科學技術(shù)大學;2013年

7 謝亞娟;洪水風險評估中多源信息融合及不確定性建模研究[D];華中科技大學;2012年

8 傅可昂;度量空間中隨機序列的若干極限定理[D];浙江大學;2009年

9 孟凡彬;基于隨機集理論的多目標跟蹤技術(shù)研究[D];哈爾濱工程大學;2010年

10 何日高;現(xiàn)代凸幾何在信息論和概率論中的應用[D];上海大學;2011年

相關(guān)碩士學位論文 前10條

1 石仁政;基于標簽隨機集的擴展目標跟蹤算法研究[D];西安電子科技大學;2019年

2 李聰蕊;隨機集值微分方程解的穩(wěn)定性分析[D];河北大學;2019年

3 苗雨;基于箱粒子濾波的標簽隨機集多目標跟蹤算法研究[D];西安電子科技大學;2018年

4 侯贊;基于隨機集理論的電力系統(tǒng)運行風險評估[D];華北電力大學(北京);2018年

5 汪百川;隨機集理論在通信中的應用研究[D];杭州電子科技大學;2010年

6 朱孟凱;基于隨機集理論的多目標跟蹤算法研究[D];吉林大學;2013年

7 鄭學弢;復雜環(huán)境下基于隨機集的多目標跟蹤算法研究[D];西安電子科技大學;2013年

8 趙欣;基于隨機集理論的被動多傳感器多目標跟蹤技術(shù)[D];西安電子科技大學;2009年

9 瑚成祥;基于隨機集理論的多目標跟蹤方法[D];西安電子科技大學;2014年

10 姜萌;基于隨機集的多目標跟蹤及融合管控算法研究[D];電子科技大學;2017年

本文編號：2880734