本文關(guān)鍵詞：機(jī)動目標(biāo)融合跟蹤算法研究，由筆耕文化傳播整理發(fā)布。

【摘要】：機(jī)動目標(biāo)跟蹤在現(xiàn)代軍事領(lǐng)域和民用領(lǐng)域占有十分重要的地位并且有著廣泛的應(yīng)用前景,使得國內(nèi)外許多研究人員對之展開了深入的研究,并取得了飛躍式的發(fā)展。機(jī)動目標(biāo)跟蹤是目標(biāo)發(fā)生機(jī)動時不能準(zhǔn)確描述目標(biāo)運(yùn)動的估計問題。隨著科學(xué)技術(shù)的快速發(fā)展,目標(biāo)的運(yùn)行速度和機(jī)動性能變得越來越高,再加之,跟蹤環(huán)境的復(fù)雜性,對機(jī)動目標(biāo)跟蹤提出了更高的要求。本文在學(xué)習(xí)前人研究成果的基礎(chǔ)上,結(jié)合國內(nèi)外的最新發(fā)展,圍繞著狀態(tài)估計和交互式多模型算法(IMM)對機(jī)動目標(biāo)跟蹤理論展開較系統(tǒng)深入地研究。首先,介紹機(jī)動目標(biāo)跟蹤理論研究背景以及國內(nèi)外的研究現(xiàn)狀,介紹目標(biāo)跟蹤涉及到目標(biāo)運(yùn)動的數(shù)學(xué)模型,概述了機(jī)動目標(biāo)跟蹤的基本原理。給出了機(jī)動目標(biāo)跟蹤中狀態(tài)估計算法,卡爾曼濾波算法,給出了它的理論推導(dǎo)以及算法的詳細(xì)流程。接下來,分析了概率數(shù)據(jù)關(guān)聯(lián)卡爾曼濾波算法的理論,同樣也給出了該算法的具體步驟。其次,在機(jī)動目標(biāo)跟蹤的背景下,介紹了非線性濾波理論,給出了EKF、UKF和CKF三種非線性濾波算法,闡述了三種算法的理論基礎(chǔ)和基本原理,并給出了三種算法的詳細(xì)流程,然后通過一個非線性目標(biāo)跟蹤模型驗證對比三種算法的跟蹤性能。重點介紹并分析了粒子濾波算法的理論基礎(chǔ)、實現(xiàn)方法和具體步驟。并提出一種基于MCMC的迭代容積粒子濾波算法。該算法的解決辦法是從重采樣入手,為粒子濾波選取合適的有效的重要性密度函數(shù)。在該濾波算法中,利用容積數(shù)值積分原則計算非線性隨機(jī)函數(shù)的均值和方差,在生成的粒子濾波建議分布中融入當(dāng)前量測值,提高對系統(tǒng)后驗概率的逼近程度。然后在此基礎(chǔ)上融合MCMC抽樣算法(Metropolis Hasting, MH)對所選建議分布進(jìn)行優(yōu)化,增加粒子多樣性,以提高跟蹤精度。最后,針對標(biāo)準(zhǔn)的交互式多模型中的濾波器采用卡爾曼濾波算法很難用于跟蹤非線性較強(qiáng)的機(jī)動目標(biāo)的問題,將改進(jìn)的粒子濾波算法與交互式多模型結(jié)合,提出一種改進(jìn)的交互式多模型粒子濾波算法,并給出此算法的步驟。該算法彌補(bǔ)了一般交互式多模型粒子濾波算法中的不足,通過仿真實驗驗證了算法的正確性和準(zhǔn)確性。本文提出的算法在目標(biāo)發(fā)生機(jī)動時的跟蹤效果要好于交互式多模型粒子濾波算法。
【關(guān)鍵詞】：機(jī)動目標(biāo)跟蹤 粒子濾波 交互式多模型 迭代容積
【學(xué)位授予單位】：西安工業(yè)大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2015
【分類號】：TN953
【目錄】：

• 摘要3-5
• Abstract5-9
• 1 緒論9-15
• 1.1 研究背景和意義9
• 1.2 研究現(xiàn)狀9-13
• 1.2.1 機(jī)動目標(biāo)跟蹤的基本問題9-10
• 1.2.2 目標(biāo)運(yùn)動模型10-11
• 1.2.3 狀態(tài)估計11-12
• 1.2.4 數(shù)據(jù)關(guān)聯(lián)方法12-13
• 1.3 本文研究內(nèi)容13-15
• 2 機(jī)動目標(biāo)跟蹤理論與算法概述15-23
• 2.1 機(jī)動目標(biāo)跟蹤基本理論15-16
• 2.2 目標(biāo)運(yùn)動模型16-18
• 2.2.1 CV和CA模型16
• 2.2.2 Singer模型16-17
• 2.2.3 機(jī)動目標(biāo)“當(dāng)前”統(tǒng)計模型17
• 2.2.4 協(xié)調(diào)轉(zhuǎn)彎模型17-18
• 2.3 卡爾曼濾波算法18-19
• 2.4 概率數(shù)據(jù)關(guān)聯(lián)濾波算法19-22
• 2.4.1 有效量測20-21
• 2.4.2 數(shù)據(jù)關(guān)聯(lián)卡爾曼21-22
• 2.5 非線性濾波算法22
• 2.6 本章小結(jié)22-23
• 3 目標(biāo)跟蹤中非線性濾波算法理論23-33
• 3.1 引言23
• 3.2 目標(biāo)跟蹤中非線性濾波算法23-29
• 3.2.1 擴(kuò)展卡爾曼濾波23-25
• 3.2.2 無跡卡爾曼濾波25-27
• 3.2.3 容積卡爾曼濾波27-29
• 3.3 算法仿真分析29-32
• 3.4 本章小結(jié)32-33
• 4 基于迭代容積粒子濾波算法33-51
• 4.1 引言33
• 4.2 Bayes濾波33-35
• 4.3 Monte Carlo采樣原理35
• 4.4 改進(jìn)的粒子濾波算法35-40
• 4.4.1 重要性采樣35-36
• 4.4.2 序貫重要性采樣(Sequential Importance Sampling,SIS)36-37
• 4.4.3 粒子濾波算法存在的問題37-38
• 4.4.4 重要性密度函數(shù)選取38-39
• 4.4.5 粒子濾波算法主要步驟39-40
• 4.5 改進(jìn)的粒子濾波算法40-46
• 4.5.1 EPF算法40-41
• 4.5.2 UPF算法41-43
• 4.5.3 迭代容積粒子濾波算法43-44
• 4.5.4 迭代容積粒子濾波算法44-46
• 4.6 仿真驗證46-49
• 4.6.1 仿真模型46-47
• 4.6.2 仿真結(jié)果及分析47-49
• 4.7 本章小結(jié)49-51
• 5 基于粒子濾波的交互式多模型51-64
• 5.1 引言51
• 5.2 交互式多模型算法51-59
• 5.2.1 最優(yōu)方法52-53
• 5.2.2 基本IMM算法53-55
• 5.2.3 交互式多模型粒子濾波算法55-57
• 5.2.4 迭代容積交互式多模型粒子濾波算法57-59
• 5.3 仿真分析59-63
• 5.4 本章小結(jié)63-64
• 6 總結(jié)與展望64-66
• 6.1 總結(jié)64-65
• 6.2 展望65-66
• 參考文獻(xiàn)66-71
• 攻讀碩士學(xué)位期間發(fā)表的論文71-72
• 致謝72-74

【參考文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前5條

1 王宏強(qiáng),黎湘,劉丹,郭桂蓉;非線性系統(tǒng)中的機(jī)動目標(biāo)跟蹤算法[J];國防科技大學(xué)學(xué)報;2002年04期

2 韓崇昭,朱洪艷;多傳感信息融合與自動化[J];自動化學(xué)報;2002年S1期

3 郭文艷;韓崇昭;雷明;;迭代無跡Kalman粒子濾波的建議分布[J];清華大學(xué)學(xué)報(自然科學(xué)版);2007年S2期

4 穆靜;蔡遠(yuǎn)利;張俊敏;;容積粒子濾波算法及其應(yīng)用[J];西安交通大學(xué)學(xué)報;2011年08期

5 韓崇昭;信息融合理論與應(yīng)用[J];中國基礎(chǔ)科學(xué);2000年07期

  本文關(guān)鍵詞：機(jī)動目標(biāo)融合跟蹤算法研究，由筆耕文化傳播整理發(fā)布。

，

本文編號：298436