被动多传感器目标跟踪方法研究

论文摘要

由于被动探测与传统的雷达探测相比具有隐蔽性好,不易受到攻击等许多优点,因此利用目标自身辐射的信号对目标进行被动探测和跟踪已成为现代防御系统的研究热点之一。构建被动多传感器防御系统,实现全被动的目标探测与跟踪,对于提高防御系统的能力,具有十分重要的意义。作为被动多传感器防御系统的一项关键技术,本文对被动多传感器目标跟踪方法开展了深入研究,提出了一些有效的新方法。全文共分七章,各章的主要内容如下:第一章,简要介绍了本文的研究背景、意义和被动多传感器系统的构成,概述了目标定位与跟踪问题的研究现状,列举了本文的主要研究成果和全文的内容安排。第二章,介绍了目标跟踪的基本理论,包括常用的目标运动模型与滤波算法。第三章,对多被动传感器情况下的目标跟踪问题进行了深入研究。从最基本的三维空间中的匀速运动目标入手,建立了多个被动传感器的目标运动模型与传感器模型;针对多被动传感器目标跟踪中存在的非线性问题,分别推导了基于推广卡尔曼滤波与基于无迹卡尔曼滤波的多被动传感器目标跟踪方法,提出了一种基于最小二乘的被动多传感器目标跟踪算法,实现了较高精度的非机动目标跟踪。第四章,针对机动目标跟踪中的机动检测问题,提出了基于三阶累积量的机动检测算法。由于高阶累积量能够抑制高斯噪声,因此在三阶累积量域更易于检测机动,同时通过采用逐点更新,可实时进行机动检测。在所提出的机动检测算法的基础上,进一步研究了基于这一算法的被动多传感器的机动目标跟踪。第五章,针对被动多传感器条件下的机动目标跟踪问题,提出了一种基于当前统计模型的最小二乘自适应跟踪算法,首先采用最小二乘对目标的状态进行粗估计,然后采用当前机动目标模型与自适应跟踪算法进行线性的卡尔曼滤波。另外将经典的推广卡尔曼滤波与当前统计模型相结合,推导了推广卡尔曼滤波自适应跟踪算法;将基于采样策略的平方根无迹卡尔曼滤波与当前统计模型相结合,推导了平方根无迹卡尔曼滤波自适应跟踪算法。由于机动目标当前统计模型为时变模型,能够更为真实地反映目标的机动变化,因此采用这一模型的三种算法能够较好地跟踪机动目标,尤其是所提出的最小二乘自适应跟踪算法在被动多传感器条件下,对机动目标的跟踪可以取得令人满意的效果。第六章,将无迹卡尔曼滤波与交互多模型算法相结合,应用于被动多传感器的机动目标跟踪中,提出了一种无迹卡尔曼滤波交互多模型算法,实现了在多个被动传感器只测角条件下对机动目标的跟踪。另外,将本文提出的多被动传感器的最小二乘融合应用于机动目标跟踪中,提出了一种被动多传感器最小二乘交互多模型算法,并通过仿真实验对几种算法进行了比较。第七章,总结了论文的主要工作,并对后续研究作了展望。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 研究背景及意义
• 1.2 被动多传感器系统构成
• 1.3 目标定位与跟踪方法研究现状
• 1.4 论文主要工作及内容安排
• 第二章 目标跟踪基础
• 2.1 引言
• 2.2 目标跟踪的功能要素
• 2.3 目标运动模型
• 2.3.1 CV与CA模型
• 2.3.2 Singer模型
• 2.3.3 当前统计模型
• 2.3.4 转弯模型
• 2.4 滤波算法
• 2.4.1 卡尔曼滤波
• 2.4.2 推广卡尔曼滤波
• 2.4.3 无迹卡尔曼滤波
• 2.5 小结
• 第三章 被动多传感器非机动目标跟踪
• 3.1 引言
• 3.2 被动多传感器目标跟踪建模
• 3.2.1 目标运动模型
• 3.2.2 传感器模型
• 3.2.3 被动多传感器的数据融合
• 3.3 基于推广卡尔曼滤波的被动多传感器非机动目标跟踪
• 3.4 基于无迹卡尔曼滤波的被动多传感器非机动目标跟踪
• 3.5 基于最小二乘的被动多传感器非机动目标跟踪
• 3.5.1 被动多传感器的最小二乘估计
• 3.5.2 基于最小二乘的被动多传感器非机动目标跟踪
• 3.6 小结
• 第四章 基于高阶统计量机动检测的被动多传感器目标跟踪
• 4.1 引言
• 4.2 卡尔曼滤波中传统的机动检测方法
• 4.3 基于高阶统计量的目标机动检测算法
• 4.3.1 检测方案
• 4.3.2 三阶累积量估计
• 4.3.3 仿真实验
• 4.4 基于高阶统计量机动检测的被动多传感器机动目标跟踪
• 4.5 小结
• 第五章 被动多传感器当前统计模型自适应跟踪算法
• 5.1 引言
• 5.2 当前统计模型自适应跟踪算法
• 5.3 被动多传感器推广卡尔曼滤波自适应跟踪算法
• 5.4 被动多传感器平方根无迹卡尔曼滤波自适应跟踪算法
• 5.5 被动多传感器最小二乘自适应跟踪算法
• 5.6 分析与比较
• 5.7 小结
• 第六章 被动多传感器交互多模型跟踪算法
• 6.1 引言
• 6.2 交互多模型算法
• 6.3 被动多传感器推广卡尔曼滤波交互多模型算法
• 6.3.1 算法描述
• 6.3.2 仿真分析
• 6.4 被动多传感器无迹卡尔曼滤波交互多模型算法
• 6.5 被动多传感器最小二乘交互多模型算法
• 6.6 仿真分析与比较
• 6.7 小结
• 第七章 总结与展望
• 7.1 总结
• 7.2 展望
• 致谢
• 参考文献
• 作者在攻读博士期间撰写的论文
• 参加的纵向科研项目