群目標(biāo)跟蹤是現(xiàn)代目標(biāo)跟蹤技術(shù)研究的重要領(lǐng)域之一,是多目標(biāo)跟蹤技術(shù)的一種特殊情況。在完全不可分辨、部分可分辨和完全可分辨的條件下,群目標(biāo)跟蹤與多目標(biāo)跟蹤有著顯著不同:在傳統(tǒng)的量測-目標(biāo)關(guān)聯(lián)方法的基礎(chǔ)上需要考慮群目標(biāo)整體運(yùn)動(dòng)趨勢及群目標(biāo)結(jié)構(gòu)信息,群整體和個(gè)體、個(gè)體與個(gè)體間的交互運(yùn)動(dòng)特性,群目標(biāo)屬性特征及其動(dòng)態(tài)變化等情況。因此,亟待研究綜合利用群目標(biāo)相關(guān)特征的建模和求解方法。本文以群目標(biāo)跟蹤應(yīng)用為背景,以貝葉斯理論為研究基礎(chǔ),在理論上研究基于貝葉斯框架的群目標(biāo)跟蹤方法,提出了雜波環(huán)境下單群目標(biāo)魯棒跟蹤方法、多群目標(biāo)跟蹤方法和機(jī)動(dòng)群目標(biāo)跟蹤方法;在應(yīng)用層面充分挖掘群目標(biāo)特征屬性及其相互關(guān)系,將群目標(biāo)特征屬性與運(yùn)動(dòng)狀態(tài)在貝葉斯框架中進(jìn)行聯(lián)合估計(jì),構(gòu)建了群目標(biāo)形狀的分層貝葉斯模型和群目標(biāo)機(jī)動(dòng)特性的非參數(shù)貝葉斯模型。所提出的貝葉斯框架及算法可對群目標(biāo)跟蹤做出更為全面、清晰、準(zhǔn)確的解釋,對提高環(huán)境感知能力有重要的理論和實(shí)際意義。本文的主要研究成果包括以下四個(gè)部分:1.基于貝葉斯框架構(gòu)建統(tǒng)一的群目標(biāo)跟蹤系統(tǒng)。首先針對密集群目標(biāo)整體運(yùn)動(dòng)趨勢和形狀估計(jì)問題,給出單層群目標(biāo)跟蹤貝葉斯框架,可以對群目標(biāo)狀態(tài)及環(huán)... 

【文章頁數(shù)】：148 頁

【學(xué)位級別】：博士

【文章目錄】：
摘要
abstract
第一章 緒論
    1.1 研究背景及意義
    1.2 群目標(biāo)研究內(nèi)容
    1.3 研究現(xiàn)狀
    1.4 主要內(nèi)容及結(jié)構(gòu)安排
第二章 基于貝葉斯框架的群目標(biāo)跟蹤方法
    2.1 引言
    2.2 群目標(biāo)跟蹤的貝葉斯框架
        2.2.1 單層群目標(biāo)跟蹤貝葉斯框架
        2.2.2 聯(lián)合群整體-個(gè)體跟蹤貝葉斯框架
    2.3 群目標(biāo)特征信息建模方法
        2.3.1 群目標(biāo)形狀模型
        2.3.2 群目標(biāo)交互模型
    2.4 基于貝葉斯框架的群目標(biāo)跟蹤算法
        2.4.1 粒子濾波方法在群目標(biāo)跟蹤中的應(yīng)用
        2.4.2 隨機(jī)有限集方法在群目標(biāo)跟蹤中的應(yīng)用
        2.4.3 非參數(shù)貝葉斯模型在群目標(biāo)跟蹤中的應(yīng)用
    2.5 本章小結(jié)
第三章 基于隨機(jī)矩陣模型的魯棒群目標(biāo)跟蹤
    3.1 引言
    3.2 問題建模
        3.2.1 系統(tǒng)狀態(tài)空間模型
        3.2.2 變分貝葉斯方法
    3.3 基于學(xué)生t分布的魯棒群跟蹤算法
        3.3.1 基于學(xué)生t分布的群目標(biāo)跟蹤系統(tǒng)狀態(tài)方程
        3.3.2 基于變分法的群目標(biāo)狀態(tài)后驗(yàn)估計(jì)
        3.3.3 雜波密度參數(shù)的最大似然估計(jì)
        3.3.4 群目標(biāo)魯棒跟蹤算法
    3.4 仿真實(shí)驗(yàn)
        3.4.1 仿真場景設(shè)置及理想情況下仿真結(jié)果
        3.4.2 不考慮雜波的部分可觀測場景及仿真結(jié)果
        3.4.3 考慮雜波估計(jì)的部分可觀測場景及仿真結(jié)果
    3.5 本章小結(jié)
第四章 基于隨機(jī)超曲面模型的多群目標(biāo)跟蹤
    4.1 引言
    4.2 問題建模
    4.3 基于隨機(jī)超曲面模型的多群目標(biāo)跟蹤算法
        4.3.1 基于變分法的系統(tǒng)狀態(tài)變量后驗(yàn)概率密度估計(jì)
        4.3.2 超參數(shù)的最大似然估計(jì)
        4.3.3 多群目標(biāo)跟蹤算法
    4.4仿真實(shí)驗(yàn)
        4.4.1 仿真場景設(shè)置
        4.4.2 靜止多群目標(biāo)跟蹤仿真
        4.4.3 運(yùn)動(dòng)多群目標(biāo)跟蹤仿真
    4.5 本章小結(jié)
第五章 基于非參數(shù)貝葉斯模型的稀疏機(jī)動(dòng)群目標(biāo)跟蹤
    5.1 引言
    5.2 問題建模
        5.2.1 稀疏機(jī)動(dòng)群目標(biāo)運(yùn)動(dòng)建模
        5.2.2 多假設(shè)跟蹤方法
    5.3 基于分層狄利克雷過程的多假設(shè)跟蹤
        5.3.1 系統(tǒng)狀態(tài)聯(lián)合概率密度
        5.3.2 分層狄利克雷過程—隱馬爾科夫模型—多假設(shè)跟蹤算法
        5.3.3 算法討論
    5.4 仿真實(shí)驗(yàn)
        5.4.1 仿真場景設(shè)置
        5.4.2 雜波環(huán)境下機(jī)動(dòng)群目標(biāo)仿真
        5.4.3 與交互多模型-多假設(shè)跟蹤算法比較
    5.5 本章小結(jié)
第六章 總結(jié)與展望
    6.1 工作總結(jié)
    6.2 研究展望
參考文獻(xiàn)
致謝
攻讀博士學(xué)位期間已發(fā)表或完成的論文
攻讀博士學(xué)位期間參加的主要科研項(xiàng)目
攻讀博士學(xué)位期間申請的國家發(fā)明專利



本文編號：3664519