机动目标运动轨迹的成组估计

论文摘要

机动目标跟踪广泛应用于军事和民用领域,因为GKF涉及的广义线性模型的系数服从确定的变化规律而无需在线辨识或预先计算,广泛适用于模型未知的连续系统,因此本文针对机动目标跟踪问题,建立了被跟踪目标运动的状态模型、测量模型、滤波—预测模型,可以对机动目标的运动状态进行实时估计,且能预测出目标在未来多个时刻的状态。因为应用广义卡尔曼滤波算法对机动目标进行多步估计的过程是一个迭代计算的过程,而迭代计算的过程也是误差不断传递的过程,传递过程中的误差累积作用会使得多步预报数据逐步偏离真实数据,从而会降低预测数据的精度,影响预测数据的可用性。本文以广义卡尔曼滤波算法为基础给出了机动目标运动轨迹的成组估计的计算过程,分析了多步估计过程中的误差传递和累积作用。仿真实验的结果显示,广义卡尔曼滤波算法对高机动性目标能够获得良好的跟踪和多步预报效果。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 概述
• 1.2 课题核心内容
• 1.3 广义卡尔曼滤波算法
• 1.3.1 算法的定义
• 1.3.2 算法的递推关系
• 第2章 对机动目标运动轨迹的多步估计与误差分析
• 2.1 机动目标多步预测问题
• 2.2 用GKF算法实现机动目标运动轨迹的成组估计
• 2.2.1 测量值
• 2.2.2 算法初始值
• 2.2.3 对目标状态进行多步估计
• 2.2.4 多步预测误差方差的计算
• 2.2.5 对机动目标的连续成组估计
• 2.3 GKF算法的多步预测中的误差分析
• 2.3.1 多步预测中的误差
• 2.3.2 多步估计中误差的传递与合成
• 2.3.3 传递误差对多步预测精度的影响
• 2.4 提高估计精度的措施
• 2.4.1 测量值中随机误差的统计处理
• 2.4.2 适当提高采样频率
• 2.4.3 选取合适阶数的滤波器
• 第3章 仿真
• 3.1 仿真平台及编程语言
• 3.2 仿真系统的设定
• 3.3 仿真参量的设定
• 3.3.1 误差分量的取值
• 3.3.2 初始输入量的确定
• 3.4 系统仿真算法及流程图
• 3.4.1 仿真算法
• 3.4.2 仿真流程图
• 3.4.3 仿真结果与分析
• 结论
• 参考文献
• 致谢
• 攻读硕士期间发表（含录用）的学术论文