本文關(guān)鍵詞： 目標(biāo)跟蹤 模糊多普勒量測 無跡卡爾曼濾波 高斯和 群粒子　出處：《哈爾濱工業(yè)大學(xué)》2014年碩士論文　論文類型：學(xué)位論文

【摘要】：雷達目標(biāo)跟蹤[1]中，一般目標(biāo)的狀態(tài)建立在笛卡爾坐標(biāo)系中，而目標(biāo)的量測信息是在球坐標(biāo)或極坐標(biāo)下給出。球坐標(biāo)系下的無噪聲無模糊多普勒量測信息在笛卡爾坐標(biāo)系下使用是一種非線性的雷達目標(biāo)跟蹤問題。 為了解決這個問題本文首先敘述了最常用的目標(biāo)跟蹤方法[2]，比如卡爾曼濾波[3]、無跡卡爾曼濾波[4]。其次，，在無跡卡爾曼濾波的基礎(chǔ)上文章提出了高斯和無跡卡爾曼濾波。用高斯和表示模糊多普勒量測的概率密度函數(shù)。基于高斯和的無跡卡爾曼濾波方法解決模糊的多普勒量測狀態(tài)估計問題。仿真結(jié)果說明了這種方法的有效性。此方法與無跡卡爾曼濾波器以及轉(zhuǎn)換量測卡爾曼濾波器比較顯示在位置和速度誤差方面有更高的精度。 最后，著重講解了一下高斯和參數(shù)的估計問題。因為高斯和是上面我們提到的濾波算法的基礎(chǔ)。本論文也提出了兩種最有效的方法EM算法和群粒子（PSO）算法。其中EM算法也稱為期望最大化算法，主要通過期望步驟和期望最大化步驟不斷地更新得到的估計值，直到達到一個我們認為合理的結(jié)果。粒子群方法估計高斯和參數(shù)主要是用群搜索的特性完成的。在特定的范圍內(nèi)通過個體和群體之間其他個體的相互協(xié)作完成最優(yōu)估計的搜索。
[Abstract]:Radar target tracking. [In [1], the state of the general object is established in the Cartesian coordinate system. The measurement information of the target is given in the spherical coordinate or polar coordinate. It is a nonlinear radar target tracking problem that the noiseless non-fuzzy Doppler measurement information is used in the Cartesian coordinate system. In order to solve this problem, this paper first describes the most commonly used target tracking methods. [2], for example, Kalman filtering. [3], unscented Kalman filter. [4]. Second. On the basis of unscented Kalman filter, Gao Si and unscented Kalman filter are proposed. The probability density function of fuzzy Doppler measurement is represented by the Gao Si sum. The unscented Kalman filter method based on Gao Si sum is used to solve fuzzy multiple. The simulation results show that this method is effective. Compared with the unscented Kalman filter and the converted measurement Kalman filter, the proposed method has higher accuracy in position and velocity error. Degree. Finally. This paper focuses on the estimation of Gao Si and its parameters. Because Gao Si sum is the basis of the filtering algorithm mentioned above, this paper also proposes two most effective methods, EM algorithm and Swarm PSO). The EM algorithm is also called the expectation maximization algorithm. The resulting estimates are updated mainly through the expected steps and the expectation maximization steps. Until we reach a reasonable result. Particle swarm optimization method estimates Gao Si and parameters are mainly done with the characteristics of swarm search. In a specific range of individuals and other individuals between the cooperation of the completion of the most. Search for optimal estimates.
【學(xué)位授予單位】：哈爾濱工業(yè)大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2014
【分類號】：TN953

【相似文獻】

相關(guān)期刊論文 前10條

1 陳杰;程蘭;甘明剛;;基于高斯和近似的擴展切片高斯混合濾波器及其在多徑估計中的應(yīng)用[J];自動化學(xué)報;2013年01期

2 林青;尹建君;張建秋;胡波;;非線性非高斯模型的高斯和濾波算法[J];系統(tǒng)工程與電子技術(shù);2010年12期

3 李理敏;馬陸;任前義;余金培;;基于衰減記憶高斯和濾波的星間精密測距技術(shù)[J];電子與信息學(xué)報;2011年02期

4 郝燕玲;孟凡彬;周衛(wèi)東;孫楓;歐陽泰山;;多目標(biāo)跟蹤的高斯混合概率假設(shè)密度濾波算法[J];彈箭與制導(dǎo)學(xué)報;2010年03期

5 王興元;常沛軍;;廣義高斯和分形序列及其M-J集研究[J];大連理工大學(xué)學(xué)報;2007年02期

6 尹建君;;非線性非高斯模型的高斯和PHD濾波算法(英文)[J];Chinese Journal of Aeronautics;2008年04期

7 李理敏;龔文斌;劉會杰;余金培;;基于高斯和粒子濾波的聯(lián)合碼和載波相位的偽距估計算法[J];通信學(xué)報;2011年05期

8 陳鵬;錢徽;朱淼良;;一種快速高斯粒子濾波算法[J];華中科技大學(xué)學(xué)報(自然科學(xué)版);2008年S1期

9 王寧;王從慶;;高斯粒子濾波器及其在非線性估計中的應(yīng)用[J];南京航空航天大學(xué)學(xué)報;2006年S1期

10 尹建君;張建秋;;條件線性高斯?fàn)顟B(tài)空間模型的GSF-KF濾波算法[J];系統(tǒng)仿真學(xué)報;2008年18期

相關(guān)會議論文 前1條

1 尹建君;張建秋;;條件線性高斯?fàn)顟B(tài)空間模型的GSF-KF濾波算法[A];2007系統(tǒng)仿真技術(shù)及其應(yīng)用學(xué)術(shù)會議論文集[C];2007年

相關(guān)重要報紙文章 前1條

1 蔡天新;高斯：從數(shù)學(xué)神童到數(shù)學(xué)王子[N];江蘇科技報;2005年

相關(guān)博士學(xué)位論文 前1條

1 楊晶;指數(shù)4情形下高斯和的決定[D];清華大學(xué);2006年

相關(guān)碩士學(xué)位論文 前7條

1 江玲玲;基于小波包熵和高斯性檢驗的流化床結(jié)塊預(yù)警方法[D];北京化工大學(xué);2015年

2 刁亞娟;基于高斯混合濾波的目標(biāo)跟蹤方法[D];哈爾濱工業(yè)大學(xué);2014年

3 羅世新;指數(shù)4的高斯和[D];清華大學(xué);2004年

4 張曼;基于高斯和的濾波算法研究[D];西安工程大學(xué);2015年

5 羅英勇;關(guān)于高斯和（mod p～l）l≥2[D];河南大學(xué);2007年

6 張恒娟;基于分塊高斯背景的運動目標(biāo)檢測與跟蹤技術(shù)研究[D];天津師范大學(xué);2008年

7 李磊;模為算術(shù)級數(shù)中素數(shù)的三次高斯和的分布[D];解放軍信息工程大學(xué);2004年

本文編號：1468175