本文關(guān)鍵詞：目標(biāo)跟蹤與數(shù)據(jù)融合算法研究，，由筆耕文化傳播整理發(fā)布。

【摘要】：隨著電子技術(shù)的飛速發(fā)展,目標(biāo)跟蹤技術(shù)與數(shù)據(jù)融合技術(shù)在很多領(lǐng)域得到了廣泛的應(yīng)用。目標(biāo)跟蹤是雷達(dá)數(shù)據(jù)處理中的一個(gè)重要組成部分,其核心是濾波算法,因此,濾波算法的研究對(duì)于穩(wěn)定跟蹤有重要意義。數(shù)據(jù)融合的本質(zhì)是通過(guò)融合算法整合來(lái)自多個(gè)傳感器的信息,擴(kuò)展系統(tǒng)的時(shí)空覆蓋率,提高系統(tǒng)的精度、可靠性以及信息利用率。本文針對(duì)目標(biāo)跟蹤算法和數(shù)據(jù)融合算法展開研究。其中,數(shù)據(jù)融合為目標(biāo)狀態(tài)估計(jì)級(jí)的數(shù)據(jù)融合,與目標(biāo)跟蹤算法息息相關(guān)。首先研究了基本的線性目標(biāo)跟蹤算法卡爾曼濾波(Kalman Filtering, KF)o然后針對(duì)觀測(cè)方程或狀態(tài)方程建立在非線性數(shù)學(xué)模型的情況,研究了非線性卡爾曼濾波(Extended Kalman Filtering, EKF)以及不敏卡爾曼濾波(Unscented Kalman Filtering, UKF)o通過(guò)仿真對(duì)EKF及UKF兩個(gè)非線性算法進(jìn)行對(duì)比分析,驗(yàn)證了UKF在非線性較強(qiáng)環(huán)境下有較好的跟蹤精度,而EKF在非線性不強(qiáng)的情況下跟蹤效果與UKF相當(dāng)。其次,對(duì)目標(biāo)跟蹤中涉及的數(shù)據(jù)關(guān)聯(lián)方法展開研究,其中包括概率數(shù)據(jù)關(guān)聯(lián)(Possibility Data Association, PDA)算法、聯(lián)合概率數(shù)據(jù)關(guān)聯(lián)(Joint Possibility Data Association, JPDA)算法與模糊C-均值(Fuzzy C-Means, FCM)聚類關(guān)聯(lián)算法。其中,PDA算法主要應(yīng)用于單目標(biāo)跟蹤,而JPDA算法及FCM算法主要應(yīng)用于多目標(biāo)跟蹤。本文通過(guò)仿真驗(yàn)證了PDA算法在雜波環(huán)境下對(duì)單目標(biāo)數(shù)據(jù)關(guān)聯(lián)的有效性；并對(duì)JPDA與FCM在目標(biāo)交叉運(yùn)動(dòng)場(chǎng)景下的關(guān)聯(lián)性能進(jìn)行了對(duì)比,驗(yàn)證了FCM算法的收斂速度優(yōu)于JPDA算法,丟失率也相對(duì)較少,并且其運(yùn)行時(shí)間更短。最后,根據(jù)融合系統(tǒng)的結(jié)構(gòu)分別對(duì)集中式和分布式融合算法進(jìn)行研究。對(duì)于集中式融合算法,研究了復(fù)合量測(cè)融合、序貫濾波融合和擴(kuò)維濾波融合三種算法,通過(guò)仿真驗(yàn)證了三種算法的有效性,并由結(jié)果分析得到：序貫濾波融合在數(shù)據(jù)不同步且傳感器較少的情況下融合效果最佳,但其耗時(shí)最長(zhǎng)；復(fù)合量測(cè)融合在傳感器較多且實(shí)時(shí)性要求較高情況下融合效果最佳。分布式融合算法研究了加權(quán)協(xié)方差融合、自適應(yīng)航跡融合和信息矩陣融合三種算法,通過(guò)仿真驗(yàn)證了三種算法的有效性,并由結(jié)果分析得到：加權(quán)協(xié)方差融合與信息矩陣融合性能相當(dāng),均優(yōu)于自適應(yīng)航跡融合；而自適應(yīng)航跡融合的優(yōu)勢(shì)是耗時(shí)最少。
【關(guān)鍵詞】：目標(biāo)跟蹤算法 非線性 多目標(biāo)跟蹤 數(shù)據(jù)關(guān)聯(lián)算法 數(shù)據(jù)融合算法
【學(xué)位授予單位】：電子科技大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2015
【分類號(hào)】：TP202;TN957.52
【目錄】：

• 摘要5-6
• Abstract6-10
• 第一章 緒論10-15
• 1.1 研究背景及意義10-11
• 1.2 國(guó)內(nèi)外研究發(fā)展及現(xiàn)狀11-14
• 1.2.1 目標(biāo)跟蹤算法的發(fā)展和現(xiàn)狀11-13
• 1.2.2 數(shù)據(jù)融合算法的發(fā)展和現(xiàn)狀13-14
• 1.3 本文主要研究?jī)?nèi)容14-15
• 第二章 目標(biāo)跟蹤算法15-27
• 2.1 卡爾曼濾波15-17
• 2.2 擴(kuò)展卡爾曼濾波17-19
• 2.3 不敏卡爾曼濾波19-22
• 2.3.1 UT變換(無(wú)味變換)19-20
• 2.3.2 UKF濾波過(guò)程20-22
• 2.4 仿真分析22-26
• 2.5 本章小結(jié)26-27
• 第三章 數(shù)據(jù)關(guān)聯(lián)算法27-46
• 3.1 概率數(shù)據(jù)關(guān)聯(lián)算法27-34
• 3.1.1 算法原理27-32
• 3.1.2 仿真分析32-34
• 3.2 聯(lián)合概率數(shù)據(jù)關(guān)聯(lián)算法34-41
• 3.2.1 算法原理34-39
• 3.2.2 仿真分析39-41
• 3.3 模糊聚類關(guān)聯(lián)算法41-45
• 3.3.1 算法原理41-43
• 3.3.2 仿真分析43-45
• 3.4 本章小結(jié)45-46
• 第四章 集中式數(shù)據(jù)融合算法46-58
• 4.1 基于復(fù)合量測(cè)點(diǎn)跡的數(shù)據(jù)融合算法46-49
• 4.2 基于序貫濾波的數(shù)據(jù)融合算法49-50
• 4.3 擴(kuò)維濾波方法50-51
• 4.4 仿真分析51-57
• 4.5 本章小結(jié)57-58
• 第五章 分布式數(shù)據(jù)融合算法58-67
• 5.1 加權(quán)協(xié)方差航跡融合算法58-60
• 5.2 自適應(yīng)航跡融合算法60-62
• 5.3 信息矩陣融合算法62-63
• 5.4 仿真分析63-66
• 5.5 本章小結(jié)66-67
• 第六章 結(jié)束語(yǔ)67-68
• 致謝68-69
• 參考文獻(xiàn)69-71

【參考文獻(xiàn)】

中國(guó)碩士學(xué)位論文全文數(shù)據(jù)庫(kù) 前1條

1 陳云峰;目標(biāo)跟蹤中非線性濾波[D];南京理工大學(xué);2007年

  本文關(guān)鍵詞：目標(biāo)跟蹤與數(shù)據(jù)融合算法研究，由筆耕文化傳播整理發(fā)布。

本文編號(hào)：397667