基于小波变换的目标机动检测

论文摘要

在过去的20多年里，人们已对机动目标的跟踪问题进行了大量的研究，并在建立系统模型、机动检测及采用卡尔曼滤波器的自适应算法方面取得了一些有益的结果。机动目标跟踪的难点在于如何确定是否有机动，何时开始机动，据此及时、准确地转换系统模型，以实现对机动及非机动目标的良好跟踪。但在实际应用中，难以选择与目标运动情况相匹配的合适模型，跟踪滤波器对噪声和扰动特别敏感，尤其在强噪声中，相对小的机动几乎淹没在噪声中，目标模型易于受噪声触发而错误转换，结果导致目标模型和目标运动情况失配。如果模型不正确，跟踪系统就可能发散而导致跟踪失败。本文首先详细地介绍了以下几种传统的机动检测算法：可调白噪声模型机动检测方法、输入估计法和变维算法，分析出了它们的缺陷：无论检测门限怎样选取，都会产生两类错误概率—虚警概率和漏警概率；而且这些传统的方法也不具有抗干扰的能力，在低信噪比的情况下可能导致机动检测失败。为解决上述问题，Hong首先将基于小波变换的多分辨率技术用于目标跟踪中，给出了多分辨率目标跟踪方法，利用小波变换实现了单分辨率测量数据到多分辨率测量数据的转换。当含噪声的原始数据分解到低分辨级时，由于小波变换的低通滤波效果，噪声被大大降低，而目标的机动状态变得清晰可见，从而能及时、准确地检测到机动，使目标跟踪变得容易。尽管噪声中机动目标的多分辨率跟踪方法显示出独特的性能，对于目标跟踪这个实时性问题，运算量的成倍增加会严重制约其在实际跟踪系统中的实时应用。针对这个问题，本文对Hong提出的多分辨率目标跟踪算法进行了改进，即将小波变换的两种快速算法—MALLAT算法和提升小波变换法取代原来的多分辨率方法，从而有效地加快了该算法的运行速度。通过MATLAB仿真表明，新的改进算法很好地实现了机动检测。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 课题的研究背景
• 1.2 论文研究的内容及重点解决的问题
• 第二章 机动检测
• 2.1 机动目标模型
• 2.1.1 微分多项式模型
• 2.1.2 SINGER模型
• 2.1.3 机动目标当前统计模型
• 2.2 机动检测原理
• 2.2.1 机动目标跟踪的基本原理
• 2.2.2 机动检测与机动辨识
• 2.3 传统的机动检测方法
• 2.3.1 可调白噪声模型
• 2.3.2 输入估计法
• 2.3.3 变维算法
• 2.3.4 高阶累积量方法
• 2.4 两种多分辨率方法
• 2.5 小结
• 第三章 MALLAT算法用于机动检测
• 3.1 概述
• 3.1.1 小波分析的原理简介
• 3.1.2 小波分析的定义
• 3.1.3 离散小波变换
• 3.2 多分辨分析简介
• 3.2.1 多分辨分析的定义
• 3.2.2 多分辨率测量数据结构
• 3.3 MALLAT塔式分解与重构算法
• 3.3.1 MALLAT算法的思想
• 3.3.2 MALLAT算法
• 3.3.3 重构公式
• 3.3.4 MALLAT算法的应用
• 3.4 小波分析与非平稳信号检测
• 3.4.1 噪声在小波变换下的传播性质及噪声强度的估计
• 3.4.2 利用小波变换进行信号的消噪和重构
• 3.5 基于MALLAT算法的机动检测
• 3.5.1 多分辨率建模
• 3.5.2 多分辨率多模机动检测
• 3.6 小结
• 第四章 第二代小波变换
• 4.1 提升小波变换
• 4.1.1 提升小波变换基本步骤
• 4.1.2 利用提升算法构造小波基
• 4.1.3 提升算法的多相表示
• 4.1.4 传统小波的提升实现
• 4.2 整数小波变换
• 4.3 基于提升小波变换的机动目标跟踪
• 4.4 小结
• 第五章 结论与展望
• 参考文献
• 致谢
• 攻读学位期间发表的学术论文目录