雷达机动目标跟踪滤波算法的研究

论文摘要

目标跟踪在军事和民用领域有着广阔的应用背景,其研究已经受到广泛的关注,而机动目标跟踪问题更是当前的一个研究热点。目标跟踪所面临的挑战在于两种离散的不确定性:量测起源的不确定性和目标运动方式的不确定性。本文以海事雷达为背景,为了准确、有效、稳定的跟踪机动目标,在学习前人研究成果的基础上,对机动目标跟踪进行了深入、系统的研究。本文首先分析了目标跟踪的基本原理,包括目标建模以及基本的跟踪滤波方法,重点分析了卡尔曼滤波算法和非线性条件下的卡尔曼滤波算法,在此基础上研究分析了机动检测和机动辨识的算法,研究了交互式多模型算法和模糊交互式多模型算法,最后针对实际工程中存在计算量大的问题研究了简化滤波算法,本文的主要工作如下:首先,研究了扩展卡尔曼滤波和去偏转换测量卡尔曼滤波两种非线性滤波算法在量测非线性条件下的应用,仿真结果表明在海事雷达目标跟踪中,两种算法都能很好的解决量测非线性问题。其次,研究了机动目标跟踪算法,通过对基于“当前”统计模型的自适应滤波算法分析提出了改进的滤波算法,该算法有利于工程上的实现,并且具有很好的跟踪效果,同时还研究分析了一种基于新息偏差的机动自适应滤波算法,该方法以CV机动模型为跟踪模型,状态噪声矩阵调整策略简单,有利于机动目标跟踪。然后,研究了基本交互式多模型算法并引出了模糊交互式多模型算法,该算法利用模糊推理得到模型集中各模型的匹配度,代替了交互式多模型中模式概率的计算,从而降低了计算的复杂度,有利于机动目标的实时跟踪。最后,研究分析了简化卡尔曼滤波,通过对分段循环卡尔曼的研究分析提出了一种自适应的分段循环机制,并将其应用于机动目标跟踪滤波算法中,简化了计算量,有利于实时跟踪。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 课题研究背景及意义
• 1.2 目标跟踪的研究内容和现状
• 1.2.1 目标跟踪研究的基本内容
• 1.2.2 国内外研究现状
• 1.3 本文的研究内容和结构安排
• 第2章 目标跟踪滤波原理与方法
• 2.1 跟踪坐标系选择
• 2.2 目标运动模型
• 2.2.1 CV与CA模型
• 2.2.2 时间相关模型（Singer模型）
• 2.2.3 半马尔可夫模型
• 2.2.4 Noval统计模型
• 2.2.5 机动目标“当前”统计模型
• 2.2.6 机动转弯模型
• 2.3 目标跟踪滤波与预测方法
• 2.3.1 wiener滤波
• 2.3.2 加权最小二乘法滤波
• 2.3.3 α-β和α-β-γ滤波
• 2.3.4 线性卡尔曼滤波
• 2.4 非线性滤波方法
• 2.4.1 扩展卡尔曼滤波（EKF）
• 2.4.2 去偏转换测量卡尔曼滤波（CMKF-D）
• 2.5 仿真试验及结果分析
• 2.5.1 二维极坐标观测条件下CMKF-D算法与EKF算法比较
• 2.6 本章小结
• 第3章 机动目标跟踪的自适应滤波算法
• 3.1 机动检测自适应滤波
• 2分布机动检测方法'>3.1.1 基于χ²分布机动检测方法
• 3.1.2 基于概率机动检测方法
• 3.1.3 统计检验检测法
• 3.2 基于当前统计模型的辨识算法（CSMKF）
• 3.2.1 机动加速度的“当前”概率密度
• 3.2.2 自适应滤波算法
• 3.2.3 算法改进
• 3.3 基于新息偏差的自适应滤波算法（IBAF）
• 3.4 仿真试验及结果分析
• 3.4.1 改进基于“当前”模型统计自适应滤波仿真
• 3.4.2 基于新息偏差自适应滤波仿真
• 3.5 本章小结
• 第4章 机动目标跟踪的交互式多模型算法
• 4.1 交互式多模型滤波算法
• 4.2 模糊交互式多模型滤波算法
• 4.2.1 模糊逻辑推理
• 4.2.2 模糊逻辑推理的构成要素
• 4.2.3 模糊逻辑推理系统
• 4.2.4 模糊交互式多模型（FMMTA）算法设计
• 4.3 仿真试验及结果分析
• 4.4 本章小结
• 第5章 分段循环卡尔曼滤波
• 5.1 简化的卡尔曼滤波
• 5.1.1 降低卡尔曼滤波计算量的途径
• 5.1.2 常增益滤波
• 5.1.3 状态约减滤波
• 5.1.4 分段循环卡尔曼滤波
• 5.1.5 解耦卡尔曼滤波
• 5.2 本文的简化卡尔曼滤波方法
• 5.2.1 分段循环卡尔曼滤波分析
• 5.2.2 自适应增益阵重启原理
• 5.3 算法仿真和分析
• 5.4 本章小结
• 第6章 结论
• 6.1 全文总结
• 6.2 展望
• 参考文献
• 致谢
• 研究生履历