傳感器網(wǎng)絡(luò)探測(cè)系統(tǒng)是為應(yīng)對(duì)隱身目標(biāo)威脅和復(fù)雜探測(cè)環(huán)境挑戰(zhàn)提出的新型探測(cè)體制,所感知量測(cè)與目標(biāo)具有未知時(shí)變的強(qiáng)不確定性,難以基于傳統(tǒng)統(tǒng)計(jì)理論進(jìn)行描述和建模�；跇�(biāo)號(hào)隨機(jī)集理論的信息融合技術(shù)是一種新興的先進(jìn)信號(hào)處理技術(shù),通過(guò)將多源量測(cè)的不確定性,包括隨機(jī)性、不準(zhǔn)確性、模糊性等,和目標(biāo)個(gè)數(shù)的未知時(shí)變特性建模在點(diǎn)過(guò)程理論框架下,提供了統(tǒng)一的多源-多目標(biāo)不確定性問(wèn)題描述和建模方法,是國(guó)際信號(hào)處理和信息融合領(lǐng)域的前沿?zé)狳c(diǎn)。該技術(shù)作為一項(xiàng)正在發(fā)展中的新技術(shù),仍面臨著諸多的問(wèn)題和挑戰(zhàn),例如,傳感器量測(cè)模型非標(biāo)準(zhǔn)化、傳感器間量測(cè)相關(guān)性未知、標(biāo)號(hào)隨機(jī)集分布式融合性能不穩(wěn)健等。本論文針對(duì)上述問(wèn)題,在標(biāo)號(hào)隨機(jī)集理論框架下,研究了基于廣義量測(cè)模型(generic observation model,GOM)的傳感器網(wǎng)絡(luò)單節(jié)點(diǎn)濾波算法、傳感器間“標(biāo)號(hào)不一致”問(wèn)題建模與分析、穩(wěn)健標(biāo)號(hào)多目標(biāo)(labeled multi-object,LMO)濾波器分布式融合算法、高效LMO濾波器分布式融合算法等工作。主要工作和貢獻(xiàn)如下:1.針對(duì)傳感器量測(cè)模型非標(biāo)準(zhǔn)化問(wèn)題,包括傳感器量測(cè)疊加、合并和遮蔽等,提出了基于GOM的LMO(L...

【文章頁(yè)數(shù)】：142 頁(yè)

【學(xué)位級(jí)別】：博士

【文章目錄】：
摘要
abstract
第一章 緒論
    1.1 研究工作的背景與意義
    1.2 國(guó)內(nèi)外研究歷史與現(xiàn)狀
        1.2.1 標(biāo)號(hào)隨機(jī)集單傳感器濾波算法
        1.2.2 標(biāo)號(hào)隨機(jī)集分布式融合算法
    1.3 本論文的結(jié)構(gòu)安排
第二章 基于標(biāo)號(hào)隨機(jī)集的傳感器網(wǎng)絡(luò)分布式融合問(wèn)題建模
    2.1 標(biāo)號(hào)隨機(jī)集統(tǒng)計(jì)特性描述工具
    2.2 基于FISST貝葉斯估計(jì)的單節(jié)點(diǎn)標(biāo)號(hào)多目標(biāo)濾波建模
        2.2.1 多目標(biāo)轉(zhuǎn)移模型
        2.2.2 廣義量測(cè)模型
        2.2.3 基于標(biāo)準(zhǔn)量測(cè)模型的標(biāo)號(hào)濾波算法局限性分析
    2.3 基于廣義協(xié)方差交集準(zhǔn)則的標(biāo)號(hào)后驗(yàn)分布融合建模
        2.3.1 廣義協(xié)方差交集分布式融合準(zhǔn)則
        2.3.2 標(biāo)號(hào)多目標(biāo)濾波標(biāo)準(zhǔn)GCI融合算法局限性分析
    2.4 本章小結(jié)
第三章 基于廣義量測(cè)模型的單節(jié)點(diǎn)標(biāo)號(hào)多目標(biāo)濾波器設(shè)計(jì)
    3.1 基于廣義量測(cè)模型的最優(yōu)標(biāo)號(hào)多目標(biāo)濾波器
        3.1.2 LMO-GOM濾波器迭代方程
        3.1.3 基于SMC方法的LMO-GOM濾波器數(shù)值計(jì)算方法
        3.1.4 討論與分析
    3.2 基于“最佳”LMB近似的次優(yōu)標(biāo)號(hào)多目標(biāo)濾波器
        3.2.1 “最佳”LMB近似方法
        3.2.2 LMB-GOM濾波器的迭代方程
        3.2.3 討論與分析
        3.2.4 基于SMC方法的LMB-GOM濾波器數(shù)值計(jì)算方法
    3.3 基于分組濾波的次優(yōu)標(biāo)號(hào)多目標(biāo)濾波器
        3.3.1 多目標(biāo)似然函數(shù)分解模型
        3.3.2 并行分組濾波過(guò)程
        3.3.3 分組準(zhǔn)則設(shè)計(jì)
        3.3.4 討論與分析
    3.4 計(jì)算復(fù)雜度分析
    3.5 典型場(chǎng)景性能評(píng)估
        3.5.1 像素化TBD模型實(shí)驗(yàn)
        3.5.2 聲源幅度模型實(shí)驗(yàn)
    3.6 本章小結(jié)
第四章 標(biāo)號(hào)濾波器GCI融合“標(biāo)號(hào)不一致”問(wèn)題建模與分析
    4.1 典型標(biāo)號(hào)隨機(jī)集分布的標(biāo)準(zhǔn)GCI融合分析
    4.2 “標(biāo)號(hào)不一致”現(xiàn)象產(chǎn)生機(jī)理分析
    4.3 GCI融合“標(biāo)號(hào)不一致”敏感問(wèn)題建模
        4.3.1 “標(biāo)號(hào)不一致”度量指標(biāo)建模
        4.3.2 “標(biāo)號(hào)不一致”與GCI融合性能關(guān)系建模
    4.4 本章小結(jié)
第五章 穩(wěn)健標(biāo)號(hào)濾波器分布式融合算法
    5.1 基于免標(biāo)號(hào)的穩(wěn)健GCI融合算法
    5.2 GLMB分布族穩(wěn)健GCI融合算法
        5.2.1 GLMB分布族邊緣非標(biāo)號(hào)分布計(jì)算方法
        5.2.2 GMB分布的GCI融合算法
        5.2.3 GLMB形式融合后驗(yàn)分布重構(gòu)方法
    5.3 LF-GCI-GLMB融合算法實(shí)現(xiàn)和計(jì)算復(fù)雜度分析
    5.4 典型場(chǎng)景性能評(píng)估
        5.4.1 魯棒性驗(yàn)證場(chǎng)景
        5.4.2 優(yōu)效性評(píng)估場(chǎng)景
    5.5 本章小結(jié)
第六章 高效標(biāo)號(hào)濾波器分布式融合算法
    6.1 基于標(biāo)號(hào)匹配的高效GCI融合算法
        6.1.1 最優(yōu)標(biāo)號(hào)匹配問(wèn)題建模
        6.1.2 基于標(biāo)號(hào)匹配的GCI融合方法
    6.2 標(biāo)號(hào)匹配問(wèn)題快速求解
        6.2.1 最優(yōu)分配問(wèn)題的降維方法
        6.2.2 LMB分布的線性分配問(wèn)題建模
        6.2.3 任意LMO分布分配問(wèn)題的近似線性化方法
    6.3 LM-GCI-LMB融合算法實(shí)現(xiàn)和計(jì)算高效性分析
    6.4 典型場(chǎng)景性能評(píng)估
        6.4.1 魯棒性驗(yàn)證場(chǎng)景
        6.4.2 高效性驗(yàn)證場(chǎng)景
    6.5 本章小結(jié)
第七章 全文總結(jié)與展望
    7.1 全文總結(jié)
    7.2 后續(xù)工作展望
致謝
參考文獻(xiàn)
攻讀博士學(xué)位期間取得的成果



本文編號(hào)：3965970