一、多普勒雷达测量数据的Kalman滤波器设计（论文文献综述）
焦浩[1]（2021）在《FMCW雷达多目标探测与跟踪技术研究》文中研究说明调频连续波（FMCW）雷达具有距离分辨率高、结构简单、功耗低等优点,被广泛应用于军事及民用领域。雷达探测及跟踪是雷达信号及数据处理的核心任务。雷达接收到反射信号后,需要对接收信号进行处理,从而检测并提取出目标的距离、速度、角度等信息,再经过滤波、数据关联等处理,实现对目标的跟踪。在实际中,由于噪声、杂波及目标间的相互影响,研究如何利用已有的先验信息实现杂波环境下的多目标数据关联,进而实现多目标的跟踪具有深远的意义。在此研究背景下,本文介绍了FMCW雷达目标探测、跟踪原理及相关算法,主要研究了多目标跟踪中的数据关联算法,并提出了一种基于损失函数的联合概率互联（LJPDA）算法,用来在有限的存储资源及规定的时间约束下,获取较为理想的跟踪性能。主要工作如下:首先,介绍了FMCW雷达的测距、测速等基本原理,并对其进行了详细分析,给出了提取目标距离及速度的方法。以空间谱估计为基础,介绍了传统FFT测角方式及MUSIC和ESPRIT超分辨率测角的方法,并通过仿真对其进行了分析。其次,对跟踪部分的滤波及一些常用的数据关联算法进行了研究分析,阐明了在密集杂波环境下多目标数据关联算法的时效性与准确性不能同时满足的问题,并针对性的推导和提出了LJPDA算法。该算法将联合概率思想与损失函数思想相结合,根据波门之间的相互关系及相交波门内的回波数量进行分类划分,采用贡献系数用来描述有效回波对关联目标的贡献大小,并定义了与贡献系数密切相关的损失函数。然后,通过使损失函数最小,利用牛顿迭代法得到最优贡献系数,进而得到各个回波相对于目标的联合概率,从而实现快速、准确的多目标数据关联,实现对多目标的跟踪。通过与JPDA算法进行比较,大量仿真及分析证明了该算法具有关联精度高、实时性强、资源消耗少、易于工程实现等优点。最后,本文综合考虑雷达信号及数据处理的各个步骤,根据实际需求对FMCW雷达信号发射波形、探测及跟踪参数进行合理设计,对整个雷达探测及跟踪系统进行实现。
赵悦彤[2]（2021）在《基于多源信息融合的列车测速方法研究》文中提出随着我国下一代列控系统的深入研究,车车通信、互联互通的新模式对列车测速系统的结果提出了更高的要求。多源信息融合测速方式具有高可靠性、强冗余性、高精度的特点,是国内外列车测速领域的重点研究方向。目前列车使用单一测速技术具有局限性,导致列车测速准确性较低,因此本文在研究对比列车测速的不同方式后,提出了不依靠轨旁设备的多传感器测速方案,使用OPG脉冲测速传感器、多普勒雷达测速传感器和加速度计的组合测速方式,设计了基于多源信息组合的列车空转打滑检测及补偿方案和基于多传感器融合的列车测速算法,通过仿真实验证明了以上方案可行性,提高了列车测速精度,实现列车自主测速的目的。本文主要研究内容如下:1.建立了列车动力学模型,研究轮轴速度传感器、多普勒雷达测速传感器、加速度计的测速原理和特性,对不同测速方法进行误差分析和数学建模,建立状态方程和观测方程,从而实现传感器数据仿真。2.以OPG脉冲测速传感器为主要研究对象,深入分析该传感器的工作原理和特性。针对该传感器的轮径磨损和空转打滑造成的测速误差问题,提出了基于多源信息组合的轮径磨损校正方法和列车空转打滑检测及误差补偿方法,通过仿真对该方法进行验证,可以有效检测OPG传感器的空转打滑及轮径磨损情况,并有效补偿该传感器测速误差。3.将OPG传感器、多普勒雷达测速传感器、加速度计的测量值作为信息源,提出了基于以上信息源的列车组合测速方案。分析对比了直接切换法、加权平均法、最优估计法的多传感器组合结构,选取最优估计法为研究重点。深入研究最优估计中的卡尔曼滤波算法,以卡尔曼滤波算法为基础,采用分散式架构提出了适用于列车多源信息测速的联邦卡尔曼滤波算法,完成测量信息的有效性判定和融合处理过程,最终估计出列车测速的最优解。算法中利用标准卡尔曼滤波设计了子滤波器和主滤波器模块分别实现了降低传感器白噪声干扰和最优估计出运行状态的目的。通过仿真测试验证了列车多源信息测速联邦卡尔曼滤波算法的有效性,提高了列车测速抗干扰能力和测速精度,证明该算法具有优越性。4.基于以上研究成果,设计了多源信息测速融合仿真平台,开发该平台上位机软件。将信号仿真及多源信息处理过程集成于该平台,实现了列车测速融合方法的可视化,相关传感器参数模型及干扰误差可控,增强了系统的可操作性。此仿真平台对本文算法及方案的分析论证和研究具有重要意义。
刘洋[3]（2021）在《雷达导引头迎头转尾追空中目标跟踪方法研究》文中提出机动目标跟踪是雷达信号处理领域研究中的热点课题之一,随着各类目标的机动性不断增强,对目标进行实时有效的跟踪变得越来越困难。“迎头转尾追”是防空导弹作战过程中敌方目标典型的一种逃逸方式,导致导引头无法连续稳定跟踪目标。本论文针对线性调频脉冲体制雷达导引头,对迎头转尾追空中目标开展回波建模仿真与跟踪方法研究。主要研究内容包括以下几部分:1、雷达基本原理和信号处理方法。从雷达的分类、组成以及常用测量参数等方面阐述了雷达系统的主要功能;分析了简单脉冲、LFM线性调频、步进频、调频步进等雷达系统常用信号的时域特性、频域特性,以及匹配滤波、脉冲压缩、相干积累、目标检测等信号处理方法,完成了信号仿真;2、“迎头转尾追”空中目标回波仿真。结合某课题数据获取实际场景,建立了空中迎头转尾追目标的运动轨迹模型;在此基础上构建了线性调频信号雷达回波模型;分别针对雷达上视、雷达下视两种场景,完成了迎头转尾追空中目标的雷达回波仿真;3、“迎头转尾追”目标跟踪算法研究。在机动目标运动状态建模方面,基于CV/CA模型、CTRV模型完成了“迎头转尾追”目标运动模型构建;在最优估计滤波方面,分析了卡尔曼滤波、扩展卡尔曼滤波（EKF）、不敏卡尔曼滤波（UKF）、交互多模型滤波（IMM）算法,基于α-β滤波、不敏卡尔曼滤波、交互多模型滤波算法完成了仿真实验。
方建成[4]（2021）在《智能交通系统中交通流量控制及小目标检测识别》文中研究指明随着中国经济的发展,城镇化进程的不断加快,为了进一步提高城市交通系统的运输效率,智能交通系统应运而生。为了解决在封闭道路场景下的交通拥堵问题和城市道路场景下的小目标检测和识别问题,本文做了大量理论论证和推导,并提出了相应的方案用来解决不同场景存在的问题。针对封闭道路场景下的智能交通系统,主要需要解决在运行过程中的交通流量不稳定性问题。现有的交通流量控制模型主要针对理想情况下的交通流量进行控制。因而,在实际道路场景中由于不稳定性因素的影响,上述模型不能有效的消除交通流量的不稳定性。本文在其基础上,从理论上对真实场景下交通流量的不稳定性进行定量的考量,并总结得到导致交通流量不稳定的主要因素:延迟和误差。综合考虑误差和延迟对系统的影响,本文从已有模型进行出发,结合卡尔曼滤波的思想,提出可预测的双边控制模型。从不同场景下的实验结果可以看出,通过引入预测过程和最优估计过程,我们对交通流量的不稳定性进行了有效的抑制,从而在实际场景中可以有效的提升交通系统的运输效率。针对城市道路场景下的小目标检测识别问题。以行人为例,现有的基于计算机视觉的行人检测识别方法存在诸多问题。本文通过引入非刚体的微多普勒效应,通过对行人微多普勒特征的分析,从理论上论证其可行性。在微多普勒效应的基础上,结合小型的FMCW（连续调频波）雷达,本文构建出一套基于行人微多普勒特征,并使用目前流行的深度学习技术进行行人识别的方案,通过实验仿真初步论证了该方案的有效性和潜力。在最后,为了进一步的提高行人识别的准确率,引入ACGAN（辅助分类生成式对抗网络）和本文提出的基于CNN（深度卷积神经网络）的预测模型对数据进行增强,并从一定程度上提高了行人识别的准确率,也为数据不足的场景提供了初步的解决思路。
郭正琨[5]（2020）在《目标运动子空间建模与状态估计》文中研究表明目标跟踪是雷达数据处理中的一个重要组成部分,它指对来自目标的量测进行处理,有效抑制雷达测量过程中引入的随机误差,保持对目标状态的实时估计。对于多普勒雷达,传统的目标跟踪方法主要有两类:1)将目标运动在笛卡尔空间建模,利用含多普勒量测的观测直接估计目标运动的笛卡尔空间状态,多普勒量测的强非线性是近十年来这类问题研究的难点和热点;2)将目标运动在观测坐标系中建模,从而使观测方程线性高斯的优势得以保留,但目前这类问题中使用的观测坐标模型都是近似的经验模型,不能准确反映观测分量随时间演化的真实规律。为了解决以上问题,本论文深入开展目标运动的子空间建模和状态估计方法的研究,取得的主要成果如下:1.针对多普勒观测的强非线性问题,提出了一种相控阵雷达方向余弦坐标系中合理利用多普勒量测提高估计精度的目标跟踪方法。通过距离和多普勒的乘积构造转换多普勒,再由转换多普勒及其导数构造伪状态,将强非线性的多普勒信息转换到线性伪状态子空间处理,以便选取线性滤波器更精确地提取多普勒量测中包含的目标运动速度信息。同时推导方向余弦坐标系中位置量测转换和多普勒量测转换及其转换量测误差的均值、协方差和互协方差,构造两个线性估计器分别从转换位置量测和转换多普勒量测中提取目标运动的笛卡尔状态信息和伪状态信息,将两者在最小均方误差（Minimum Mean Squared Error,MMSE）准则下静态融合出目标的最终状态。典型对比仿真实验表明,本文所提方法可有效提高目标跟踪的估计精度和稳定性,尤其在位置量测误差比较大的场景下,本文所提方法估计的位置相对均方根误差（Relative Root Mean Square Error,RRMSE）和速度RRMSE相比序贯扩展卡尔曼滤波器（Sequential Extented Kalman Filter,SEKF）和不敏卡尔曼滤波器（Unscented Kalman Filter,UKF）可降低约30%以上。2.针对观测坐标精确模型缺失的问题,对目标运动在距离-多普勒子空间建模,推导了距离和多普勒的时间演化方程,提出了一种仅用距离量测和多普勒量测直接提取目标距离信息和多普勒信息的状态估计方法,这为在距离-多普勒子空间进行目标跟踪和其他应用建立了理论基础。本文首先利用距离、多普勒以及它们乘积的导数,分别构造三种常见运动匀速直线运动（Constant Velocity,CV）、匀加速直线运动（Constant Acceleration,CA）和恒转弯运动（Constant Turn,CT）在距离-多普勒子空间的状态向量。然后利用显式替代的方法,根据距离-多普勒状态和笛卡尔状态之间的函数关系,推导各个运动的距离-多普勒状态转移方程。最后利用UKF从距离量测和多普勒量测中提取目标的距离-多普勒状态,从而得到目标的距离估计和多普勒估计,并根据两点差分法推导滤波器的初始化公式,合理地处理距离-多普勒状态向量内部元素之间的相关性。典型对比仿真实验表明,基于本文建立的精确距离-多普勒子空间模型的状态估计方法,可有效提高距离和多普勒的估计精度,相比基于经验模型的距离估计和多普勒估计,RMSE可分别降低约20%和50%以上。3.在工作2的基础上,研究了仅用距离观测的状态估计方法。仅用距离观测完成对距离本身观测噪声的滤波,同时实现对多普勒等参数的动态估计。首先根据两点差分法推导三种常见运动CV运动、CA运动和CT运动在只有距离量测情况下的滤波器初始化公式。然后对于初始化高阶模型时两点差分法误差大的问题,提出了一种基于距离-多普勒状态模型的初始化方法。通过状态转移方程,构造距离-多普勒状态向量和几个连续扫描周期的距离真值之间的函数关系,利用距离量测替代距离真值初始化状态向量各分量;再通过初始状态向量和几个连续扫描周期的距离量测之间的函数关系,利用不敏变换（Unscented Transformation,UT）计算初始协方差。由于考虑了真实的目标运动模型,即状态转移方程的约束,而不是简单地使用两点差分法进行近似,新的初始化方法更精确,尤其是在目标距离随时间非线性变化的场景。最后利用UKF从距离量测中提取目标的距离-多普勒状态,从而得到目标的距离估计和多普勒估计。典型对比仿真实验表明,只用距离量测进行状态估计的方法是有效的,新的初始化方法相比两点差分法更精确,距离估计和多普勒估计的RMSE可分别降低约30%和50%以上。
杨炜[6]（2020）在《基于雷达数据融合的室内多目标追踪系统设计与实现》文中进行了进一步梳理近年来随着物联网技术的发展,室内定位技术在智慧安防、智能家居等领域的应用也越来越广泛。然而目前主流的室内定位技术都存在一定不足,比如摄像头监控有可能侵犯人们的隐私,RFID技术需要携带特定标签,UWB技术成本过于高昂等,这些不足对室内定位技术的应用推广产生了一定的限制。本文在分析现有室内定位技术所存在的不足的基础上,将FMCW毫米波雷达引入到室内定位中,通过对多雷达数据融合和多目标追踪技术的研究,设计并实现了基于24GHz毫米波雷达的室内多目标追踪系统,可以在不侵犯隐私以及无需携带特定设备的前提下对室内环境中的运动人体进行定位与追踪。为了避免室内金属障碍物反射雷达电磁波所导致的视野盲区问题,本文通过多台雷达组网的方式不仅扩大了雷达探测范围,还进一步提升了系统定位精度。针对多雷达系统中所存在的目标区分问题,本文首先对雷达测量数据进行统一坐标系转换,然后结合灰色关联分析算法,提出了一种基于灰色关联分析算法的自适应目标同源划分算法,该算法能够准确地识别多雷达所探测的同源目标。而对于不同雷达因为自身质量以及环境因素所造成的测量精度不完全一致的问题,结合最小二乘法,提出了一种基于加权最小二乘法的多雷达数据融合算法,并基于雷达历史测量方差提出了一种雷达测量方差估计算法,实验表明多雷达测量数据的融合有效地提升了系统定位精度。针对毫米波雷达本身无法对多目标追踪进行持续追踪的问题,本文首先对比选取了合适的跟踪波门和轨迹起始检测算法,接着研究了NNDA、PDA与JPDA这三种常见的数据关联算法,并针对密集多目标情况下JPDA算法随着追踪目标数量增加其时间复杂度也会迅速增加的问题,基于区域分割思想提出了一种改进的联合概率数据关联算法（RD-JPDA）,实验证明本文所提出的RD-JPDA算法在保持了JPDA算法原有追踪精度的基础上,大大降低了算法的计算量,具有精度高、实时性强的优点。在上述研究的基础上,本文基于C++和Electron技术设计并实现了室内多目标追踪系统软件,首先根据系统的功能特点,对系统进行功能性与非功能性需求分析,然后结合需求分析结论给出了系统的概要设计,包括系统总体架构与系统数据库设计,接着通过序列图与类图阐述了系统主要功能模块的详细设计与实现过程,包括雷达数据收发模块,雷达数据处理模块,多设备管理模块,追踪轨迹显示模块,邮件报警模块以及历史记录查询模块。最后结合测试用例从功能性和非功能性两个角度对系统进行测试,验证了系统功能完整且各个功能模块都能正常运行,在非功能性方面系统的追踪精度和系统响应的实时性也都能满足实际需求。本文实现的室内多目标追踪系统追踪精度高且实时性强,具有较高的实际应用价值。目前,本系统已在全国多地进行应用部署,为隧道安全施工以及大型仓储安防监控等场景提供服务,并获得了用户的高度评价。
冯奇[7]（2020）在《压缩量测域中的雷达目标检测与跟踪方法研究》文中进行了进一步梳理现代雷达系统为了更有效地检测和跟踪目标,通常需要采用大带宽、多通道的信号处理方式来提升雷达对目标（如距离、速度、角度等参数）的最大探测范围、分辨率、测量精度等探测性能。受限于奈奎斯特采样定理,大带宽往往会带来高采样率和大数据量等问题。然而,目标在雷达探测背景中是高度稀疏的,有效的目标信息只占海量雷达数据的极少一部分,造成了雷达系统在实现目标检测时的资源浪费和效率低下。近年来压缩感知（Compressive Sensing,CS）理论从信号采样的角度为解决上述问题提供了可能。压缩感知雷达（Compressive Sensing Radar,CSR）可以在极大降低采样数据的同时,保证目标信息的完整。然而主流的CSR只是将压力从前端的信号采集转移到了后端的信号处理,即需要通过复杂的信号重构算法来完成目标的检测和跟踪,这与降低雷达系统的复杂度和提高系统的实时性是相悖的。因此学者们研究了直接处理压缩量测的第二类CSR。该类CSR在压缩采样与处理（Compressive Samping and Processing,CSP）框架下,不重构雷达信号,直接在压缩量测域完成目标的检测、识别、跟踪、分类等任务,充分发挥了CS理论在雷达信号采集、传输、处理等方面的优势。但是在CSP框架中,由压缩量测导致的低信噪比问题严重制约着CSR的性能。低信噪比可能会引起CSR的一系列问题,如压缩采样实现难度大、压缩采样算子性能下降、压缩检测器无法检测到目标等。压缩采样算子作为CS理论的核心环节,同时也是CSR的重要可设计模块,是解决上述问题的重要途径。为了提升压缩量测域中雷达目标的检测和跟踪性能,本文将“直接利用压缩量测的雷达信号处理”和“目标检测和跟踪优化”相结合,以压缩量测域中雷达目标的有效检测为研究目标,以包含目标跟踪结果的信号子空间估计和最优压缩采样算子设计为主要技术手段,展开了一系列研究,主要的贡献和创新如下:（1）研究了脉冲重复率压缩采样器。针对主流模拟-信息转换器（Analog to Information Converter,AIC）的高速率混频电路不易工程实现的问题,利用雷达连续脉冲强相关性,提出了一种脉冲重复率压缩采样器。该方法充分利用了雷达信号在快时间距离维和慢时间脉冲维的稀疏特性,设计了结构更优的压缩采样算子。相比于只采样单个脉冲的随机解调器（Random Demodulation,RD）,所提的方法更易于工程实现,且数据压缩率更高。（2）研究了单目标压缩检测和跟踪的分步优化方法。首先,针对由低信噪比引起的压缩检测器性能下降的问题,研究了一种单目标跟踪前置压缩检测器。该检测器根据目标跟踪结果设计了最优的压缩采样算子,从而优化了下一时刻的压缩采样和压缩检测。其次,利用提出的压缩量测域Mean-Shift定位法实现了目标在压缩量测中的具体定位。最后,针对压测量测噪声慢速时变问题,通过建立多种量测噪声模型,提出了一种多模型滤波算法;针对压测量测噪声快速时变问题,利用变分贝叶斯方法近似估计量测噪声,提出了一种自适应卡尔曼滤波算法。本研究遵循了先跟踪后检测的思路,实现了对单目标检测和跟踪的分步优化,实验结果验证了所提方法的有效性。（3）研究了单目标压缩检测和跟踪的联合优化方法。针对检测和跟踪的单独优化或分步优化无法找到系统全局最优解的问题,提出了一种单目标压缩检测和跟踪的联合优化方法。该方法将最优贝叶斯联合决策和估计理论引入到CSP框架中,推导出了一个全新的联合优化风险函数,并给出了该函数的最优解。该方法采用双闭环反馈结构,目标跟踪结果既被用于优化压缩采样算子和压缩检测器,也被用于优化下一时刻的目标跟踪。实验结果验证了该方法在联合检测和跟踪性能上的全局优越性。（4）研究了多目标压缩检测和跟踪的分步优化方法。针对现有的雷达多目标跟踪系统中雷达数据量大、基于数据关联的跟踪算法实时性差等问题,提出了一种多目标压缩检测和跟踪的分步优化方法。该方法首先将单目标跟踪前置压缩检测器和定位法扩展至多目标问题中,然后利用概率假设密度（Probability Hypothesis Density,PHD）滤波器处理由压缩检测器得到的目标参数,从而避免了数据关联的问题。实验结果验证了该方法可以提升压缩量测域中多目标跟踪系统的实时性和跟踪性能。（5）研究了多目标压缩检测和跟踪的联合优化方法。遵循单目标联合优化的思路,对目标数已知且固定、目标航迹不交叉且可明显区分的简单多目标联合优化问题展开了研究。该方法通过将简单多目标问题分解为多个单目标并行的联合检测和跟踪问题,推导出了一个多目标联合优化风险函数,并给出了该函数的最优解。该方法是单目标联合优化的一种拓展,实验结果验证了该方法的全局优越性。综上所述,本文从直接处理压缩量测的角度出发,采用分步优化和联合优化的思路,提升了压缩量测域中雷达目标的检测和跟踪性能。
刘代[8]（2020）在《雷达资源分配与目标跟踪算法研究》文中认为随着雷达技术的快速发展,雷达功能越来越复杂,任务模式也越来越多,如何利用雷达有限资源提高雷达探测能力和目标跟踪精度成为重要研究课题,本文按照从雷达资源分配到目标跟踪,从量测噪声到量测方程,从线性滤波到非线性滤波,从非机动跟踪到机动跟踪的技术路线,在资源分配和目标跟踪两大技术领域开展研究。主要工作如下:1.针对雷达资源分配课题开展研究,包括时序设计和任务调度算法两方面。（1）时序设计:提出了动态时间片的定义,根据雷达不同的应用场景提出动态时间片的划分,并基于动态时间片节拍进行时序设计,克服了传统的调度间隔固定,不灵活,容易产生时间碎片,调度任务较少时时间利用率低等缺点,具有调度间隔灵活可变,不会产生时间碎片,时间利用率高等优点。本文通过计算机仿真证明该时序设计的有效性。（2）任务调度算法:提出了基于任务相关性的自适应调度算法,传统的自适应的调度算法未考虑任务之间的相关性即当前调度任务执行对后续任务的影响,实际上当前任务的执行对后续任务有影响,本文通过分析当前任务与后续任务之间的相关性,建立失跟任务数和时间余度模型,增加了时间余度评估指标,提出了基于任务相关性的自适应调度算法,经计算机仿真验证本文算法在多目标条件特别是负载饱和情况下大大提高了发现目标性能和时间余度。2.通过分析雷达测角精度和测距精度的影响因素,距离误差、角度误差与目标信噪比相关,量测噪声协方差矩阵可根据信噪比估计结果进行适当修正,结合先进的非线性滤波算法,提出了基于信噪比模型的扩展卡尔曼滤波算法和基于信噪比模型的不敏卡尔曼滤波算法。传统非线性滤波跟踪算法中测角误差和测距误差根据经验取固定常数值,而实际上测角误差和测距误差是变化值,会随信噪比的变化而变化。本文所提算法通过不断修正量测噪声协方差矩阵进行跟踪滤波,相比传统的非线性滤波算法目标跟踪性能得到显着提高,体现在目标跟踪精度更高、收敛速度更快。通过计算机仿真验证算法的有效性。3.宽带相控阵雷达可以获取目标高分辨距离像,本文利用此特征获取目标姿态角,并将其应用到目标跟踪。利用高分辨距离像对目标姿态角进行实时估计,并将其融合到目标的量测方程,因目标姿态角与目标运动参数间的关系是非线性的,本文结合先进的非线性滤波算法实现目标跟踪。（1）对于非机动目标跟踪提出了利用姿态角的扩展卡尔曼滤波算法和利用姿态角的不敏卡尔滤波算法。在利用姿态角的扩展卡尔曼滤波算法中,因量测方程中的姿态角是非线性函数,本文推导了姿态角由非线性方程转线性方程的表达式。通过计算机仿真表明,利用姿态角的目标跟踪算法相比传统的非线性滤波算法目标跟踪精度（位置精度和速度精度）得到很大提高,收敛速度变快,姿态角测角误差对跟踪性能影响不大,同时利用姿态角的扩展卡尔曼滤波算法和利用姿态角的不敏卡尔滤波算法跟踪精度差距不大,但在计算耗时上利用姿态角的扩展卡尔曼滤波算法较优,但在姿态角为临界值时算法失效,利用姿态角的不敏卡尔滤波算法姿态角无角度限制。（2）对于机动目标跟踪提出了利用姿态角的机动目标跟踪算法。此算法相比传统的机动目标跟踪算法性能优越,极大地改善了目标跟踪性能,体现在具有较小的目标位置误差和速度误差,更高的目标预测精度,同时分析了姿态角测角误差对算法性能的影响,姿态角测角误差越小,目标跟踪性能越好。通过计算机仿真验证了所提算法的有效性。4.针对杂波环境下目标跟踪算法开展研究,包括杂波环境下的非机动目标跟踪和机动目标跟踪。（1）对于杂波环境下的非机动目标跟踪,基于MTD测出不模糊径向速度,利用此径向速度建立速度波门,推导了径向速度波门表达式,在量测方程中引入径向速度维,利用MTD测出的径向速度实时更新目标观测值中的径向速度,而不是利用目标三轴速度和位置的数学表达式来计算径向速度。该算法相比杂波环境下传统的滤波算法目标跟踪性能得到较大提升。（2）对于杂波环境下的机动目标跟踪,根据多普勒量测信息解速度模糊,得到目标径向速度,然后在目标量测方程中增加径向速度维,将量测方程中的径向速度函数进行泰勒级数展开略去高阶量转为线性函数,同时在点迹关联时增加了径向速度波门,滤除更多的杂波点,利用多普勒量测计算出的径向速度实时更新观测值中的径向速度,因在机动目标跟踪算法中利用了更多量测信息,所以目标跟踪性能相比杂波环境下传统机动目标跟踪算法有较大提高,体现在目标位置精度、速度精度得到很大提高、位置和速度收敛速度加快、目标发生机动时响应速度更快,同时本文分析了多普勒量测误差对跟踪性能的影响,多普勒量测误差越小,目标跟踪性能越好。通过计算机仿真验证了本文所提算法的有效性。
林益耳[9]（2020）在《基于微多普勒特征的人类行为分类方法研究》文中指出目标不同结构部件相对运动（微动）产生的多普勒效应称为微多普勒效应。研究人员可以利用微多普勒特征来研究人类正常行为,从而有效检测异常行为或威胁。因此开展基于微多普勒特征的人类行为分类及相关问题研究在医疗康复、生命救援、公共安全与医疗监测等领域具有广阔应用前景,受到研究人员的广泛关注。本文针对现有微多普勒信号处理方法存在的不足,主要从噪声抑制、特征提取及目标分类等三方面展开具体研究,在现有理论和方法的基础上,进一步拓展基于微多普勒特征的人类行为分类的理论基础,设计更具普适性和鲁棒性的高效方法,为微多普勒特征的具体应用提供理论和技术支撑。本文提出的算法及模型全部通过理论分析、计算机仿真以及测量数据检验,证实其具有良好性能。具体研究内容归纳如下:1、研究了目标与微多普勒效应之间的关系。针对微多普勒雷达测量数据样本不足的问题,提出了一种基于运动捕捉数据的人类行为雷达回波模拟方法。该方法通过人类运动数据对人类行为建模,结合雷达系统收发位置关系,对雷达回波进行模拟。不同人类行为的模拟样本与其雷达测量样本特征参数的一致性验证了该方法的有效性。2、研究了经验模式分解及其衍生算法信号去噪问题。针对信号去噪时分解分量凭经验选取的问题,通过分解分量频率与目标频率的比较,提出了分解分量直接提取准则,避免因凭经验选取分解分量而造成的错误。仿真和实验结果表明,直接提取的分解分量即为有效信号分量。针对信号去噪时分解筛选过程破坏特征的问题,基于小波字典学习机制,进一步提出了缺失特征重构算法,将分解筛选过程中丢失或中断的信号分量重建。仿真和实验结果表明,该算法可以在重建分解筛选过程破坏的信号分量的同时移除无用信息。相较于有效分解分量叠加算法,该算法具有更强去噪能力。3、研究了多分量微多普勒频率估计问题。针对现有多分量频率估计方法严重依赖于可靠先验模型的缺陷,提出了一种可缺少信号先验模型的稀疏多分量频率估计算法。该算法通过离散傅立叶变换字典搜索粗糙信号分量,在最佳空间基投影,估计出精细信号分量。在实现过程中,该算法利用交替方向乘子法进一步提高离散傅立叶字典学习效率。若信号无偏,粗糙信号分量可通过计算直接得到用于投影的最佳空间回归基。若信号有偏,则可通过交叉验证分组方式在时序上对信号分量进行分组,并计算每组信号分量对应的子空间回归基,通过子空间回归基得到用于粗糙信号分量投影的空间回归基。交叉验证折叠数由可平衡精度和处理时间的粒度选择准则实现。仿真和实验结果表明,该算法不需任何有关信号模型的先验知识,便可估计线性调频或正弦调频信号分量,获得比时频图更好的分辨率。4、研究了人类行为的微多普勒雷达信号样本分类问题。针对时频分析误差导致分类性能差的问题,利用时域信号自相关函数与时频图存在函数映射关系,通过引入l2范数,将时域雷达回波自相关函数特征提取问题转化为一个凸优化问题,设计了一个迭代卷积神经网络框架对该凸优化问题求解,实现微多普勒特征的自动提取,并进一步提出了迭代卷积神经网络特征提取分类算法。该算法通过迭代卷积神经网络框架自动提取微多普勒特征,接着利用提取特征作为分类器输入实现分类,从而解决了时频分析误差导致的分类性能差的问题。仿真和实验结果表明,相较于时频图提取特征分类结果,该算法分类性能更为稳健。在三维空间不同方向上,同一行为会产生不同微多普勒频移。针对方向对微多普勒特征分类性能影响问题,本文采用不同分类算法对不同方向处采集的数据样本进行分类,并研究其分类性能。仿真和实验结果表明,不同特征对分类性能影响巨大,不同分类器对分类性能影响较小。训练样本与测试样本方向越接近,分类性能越好。
高猛[10]（2020）在《机载多普勒测速雷达信号处理系统的设计与实现》文中研究表明多普勒测速雷达作为多普勒导航系统中最重要的一部分,直接决定了多普勒导航系统的测速与导航精度。单频连续波雷达具有重量轻、体积小和作用高度可以为零的优点,广泛应用于多项领域。针对国内低功率、低成本的民用直升机机载多普勒测速雷达产品较少的情况,本文主要完成了基于FPGA+DSP的单频连续波多普勒测速雷达信号处理系统的设计与实现。首先,介绍了机载连续波雷达的测速原理,分析了不同波束配置下雷达测速误差,并描述了相关信号处理技术,包括数字采样、数字下变频、耦合泄露抑制、恒虚警检测、多普勒频率校验和卡尔曼滤波;其次,在单频连续波雷达体制下根据系统指标和要求完成了多普勒测速雷达的信号处理系统方案的设计,包括信号处理算法方案和硬件方案;然后,利用FPGA高速数字运算的能力对信号处理系统算法方案进行了仿真与实现,并给出了仿真结果,包括数字下变频模块、耦合泄露抑制模块、多普勒频率测量模块、恒虚警检测模块、卡尔曼滤波模块以及SRIO和ARINC-429接口通信模块;最后,在系统硬件平台上对各个模块进行功能验证,并将调试完毕的雷达样机进行试验,实地分析其性能。试验结果表明,多普勒测速雷达信号处理系统的设计满足要求,实现的信号处理系统工作正常,算法方案可行。
二、多普勒雷达测量数据的Kalman滤波器设计（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、多普勒雷达测量数据的Kalman滤波器设计（论文提纲范文）
（1）FMCW雷达多目标探测与跟踪技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 引言 |
| 1.2 研究背景及意义 |
| 1.3 国内外研究现状 |
| 1.4 论文研究内容及章节安排 |
| 2 FMCW雷达探测原理 |
| 2.1 引言 |
| 2.2 FMCW雷达信号分析 |
| 2.3 测距测速原理 |
| 2.3.1 测距原理 |
| 2.3.2 测速原理 |
| 2.3.3 速度分辨率及最大无模糊速度 |
| 2.4 测角原理 |
| 2.4.1 空间谱估计测角原理 |
| 2.4.2 空时等效性 |
| 2.4.3 MIMO虚拟天线技术 |
| 2.4.4 FFT测角原理 |
| 2.5 子空间测角原理 |
| 2.5.1 信号子空间与噪声子空间 |
| 2.5.2 MUSIC测角原理 |
| 2.5.3 ESPRET测角原理 |
| 2.6 仿真分析 |
| 2.6.1 测距、测速仿真 |
| 2.6.2 测角仿真 |
| 2.7 本章小结 |
| 3 目标跟踪技术 |
| 3.1 引言 |
| 3.2 Kalman滤波 |
| 3.3 数据关联 |
| 3.4 数据关联算法 |
| 3.4.1 PDA数据关联 |
| 3.4.2 JPDA数据关联 |
| 3.4.3 CJPDA数据关联 |
| 3.5 仿真分析 |
| 3.5.1 Kalman滤波仿真 |
| 3.5.2 数据关联仿真 |
| 3.6 本章小结 |
| 4 基于损失函数的联合概率数据关联算法 |
| 4.1 引言 |
| 4.2 LJPDA算法基本思想 |
| 4.3 LJPDA算法基本模型 |
| 4.3.1 情况一 |
| 4.3.2 情况二 |
| 4.3.3 情况三 |
| 4.3.4 LJPDA算法实现过程 |
| 4.4 相关证明及推导 |
| 4.4.1 引理1证明 |
| 4.4.2 式4-17推导过程 |
| 4.5 仿真分析 |
| 4.5.1 LJPDA算法有效性仿真 |
| 4.5.2 算法精度仿真 |
| 4.5.3 算法时效性分析 |
| 4.6 本章小结 |
| 5 目标探测及跟踪系统设计 |
| 5.1 硬件系统概述 |
| 5.1.1 硬件平台 |
| 5.1.2 波形设计 |
| 5.1.3 数字信号处理算法 |
| 5.1.4 数据处理算法 |
| 5.2 软件系统概述 |
| 5.3 本章小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间主要科研成果 |
（2）基于多源信息融合的列车测速方法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 引言 |
| 1.1 课题研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 现行主要测速定位技术 |
| 1.2.2 多传感器测速研究现状 |
| 1.2.3 信息融合理论研究现状 |
| 1.3 论文组织与安排 |
| 2 列车测速技术分析及建模 |
| 2.1 测速系统概述 |
| 2.2 列车动力学模型 |
| 2.2.1 匀速运动与匀加速运动 |
| 2.2.2 状态方程建立 |
| 2.3 轮轴速度传感器 |
| 2.3.1 轮轴速度传感器分析与建模 |
| 2.3.2 轮轴速度传感器观测方程 |
| 2.4 多普勒雷达测速传感器 |
| 2.4.1 多普勒雷达测速传感器分析与建模 |
| 2.4.2 多普勒雷达测速传感器误差分析 |
| 2.5 加速度计 |
| 2.6 本章小结 |
| 3 列车车轮非正常状态检测及误差补偿 |
| 3.1 OPG速度传感器测速误差分析 |
| 3.2 打滑分析与建模 |
| 3.2.1 车轮打滑建模 |
| 3.2.2 打滑过程分析 |
| 3.2.3 列车防滑策略 |
| 3.3 OPG速度传感器误差检测及校正 |
| 3.3.1 OPG测速流程 |
| 3.3.2 轮径磨损误差校正方案 |
| 3.3.3 空转打滑检测系统配置 |
| 3.3.4 空转打滑检测算法 |
| 3.3.5 空转打滑校正方案 |
| 3.4 仿真验证 |
| 3.5 本章小结 |
| 4 基于列车多源信息的联邦卡尔曼滤波融合算法研究 |
| 4.1 信息融合算法概述 |
| 4.2 多传感器组合结构分析和方案比较 |
| 4.3 列车多源信息的滤波融合 |
| 4.3.1 标准卡尔曼滤波算法 |
| 4.3.2 集中式与分散式滤波结构选取 |
| 4.3.3 列车多源信息的联邦卡尔曼滤波改进算法 |
| 4.4 .算法仿真验证 |
| 4.5 本章小结 |
| 5 多源信息测速融合仿真平台设计与实现 |
| 5.1 软件功能设计 |
| 5.2 界面显示 |
| 5.2.1 数据采集界面 |
| 5.2.2 数据融合界面 |
| 5.3 .多信息融合测试实例 |
| 5.4 本章小结 |
| 6 总结与展望 |
| 参考文献 |
| 作者简历及攻读硕士学位期间取得的研究成果 |
| 学位论文数据集 |
（3）雷达导引头迎头转尾追空中目标跟踪方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究工作的背景与意义 |
| 1.2 国内外研究历史与现状 |
| 1.2.1 机动目标雷达回波建模仿真研究现状 |
| 1.2.2 机动目标跟踪研究现状 |
| 1.3 本文的主要贡献与创新 |
| 1.4 本论文的结构安排 |
| 第二章 雷达信号处理原理 |
| 2.1 雷达基本原理 |
| 2.1.1 雷达分类和组成 |
| 2.1.2 雷达目标参数测量原理 |
| 2.2 信号处理 |
| 2.2.1 几种常见的发射信号模型 |
| 2.2.2 回波信号处理 |
| 2.3 本章小结 |
| 第三章 迎头转尾追空中目标回波仿真 |
| 3.1 迎头转尾追空中目标建模 |
| 3.1.1 迎头转尾追上视目标 |
| 3.1.2 迎头转尾追下视目标 |
| 3.2 回波仿真 |
| 3.2.1 LFM信号目标回波建模仿真 |
| 3.2.2 雷达噪声建模仿真 |
| 3.2.3 杂波建模仿真 |
| 3.3 迎头转尾追空中目标回波仿真 |
| 3.3.1 迎头转尾追空中上视目标回波仿真 |
| 3.3.2 迎头转尾追空中下视目标回波仿真 |
| 3.4 本章小结 |
| 第四章 迎头转尾追空中目标跟踪 |
| 4.1 目标跟踪的原理 |
| 4.2 目标运动模型 |
| 4.2.1 CV和CA运动模型 |
| 4.2.2 CTRV运动模型 |
| 4.2.3 迎头转尾追目标模型 |
| 4.3 滤波算法 |
| 4.3.1 卡尔曼滤波 |
| 4.3.2 扩展卡尔曼滤波 |
| 4.3.3 不敏卡尔曼滤波 |
| 4.3.4 多模型滤波 |
| 4.4 仿真验证 |
| 4.4.1 目标跟踪仿真实验一 |
| 4.4.2 目标跟踪仿真实验二 |
| 4.4.3 目标跟踪仿真实验三 |
| 4.5 本章小结 |
| 第五章 全文总结与展望 |
| 致谢 |
| 参考文献 |
（4）智能交通系统中交通流量控制及小目标检测识别（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 智能交通系统技术研究背景 |
| 1.2 智能交通相关技术的发展与国内外研究现状 |
| 1.2.1 交通系统流量研究现状 |
| 1.2.2 智能交通系统中小目标检测识别研究现状与分析 |
| 1.3 本文研究内容与结构 |
| 第二章 微多普勒和双边控制理论基础 |
| 2.1 雷达理论基础 |
| 2.1.1 FMCW毫米波雷达 |
| 2.1.2 微多普勒效应 |
| 2.1.2.1 多普勒效应 |
| 2.1.2.2 非刚体的微多普勒效应 |
| 2.2 车辆控制理论研究 |
| 2.2.1 车辆系统抽象 |
| 2.2.2 传统控制模型 |
| 2.2.2.1 跟车模型 |
| 2.2.2.2 双边控制模型 |
| 2.2.2.3 多节点双边控制模型 |
| 2.2.3 卡尔曼滤波理论 |
| 2.2.3.1 卡尔曼滤波简介 |
| 2.3 深度学习基础 |
| 2.3.1 神经网络基础 |
| 2.3.1.1 感知器 |
| 2.3.1.2 激活函数 |
| 2.3.2 卷积神经网络 |
| 2.3.3 生成式对抗网络 |
| 2.4 本章小结 |
| 第三章 基于卡尔曼滤波的双边控制模型 |
| 3.1 车辆系统的不稳定性来源 |
| 3.1.1 系统误差分析 |
| 3.1.2 系统延迟分析 |
| 3.2 可预测双边控制模型 |
| 3.3 可预测双边控制模型的算法 |
| 3.3.1 状态预测过程 |
| 3.3.2 最优估计过程 |
| 3.4 本章小结 |
| 第四章 基于微多普勒特征的行人识别 |
| 4.1 行人的微多普勒特征 |
| 4.2 基于CNN和微多普勒特征的行人识别方法 |
| 4.3 使用深度神经网络进行数据生成 |
| 4.3.1 使用对抗网络进行数据生成 |
| 4.3.2 基于CNN的预测模型 |
| 4.4 本章小结 |
| 第五章 实验与结果分析 |
| 5.1 实验环境和平台简介 |
| 5.2 可预测双边控制模型实验 |
| 5.2.1 最优估计过程的误差消除效果 |
| 5.2.2 不同模型的对比实验 |
| 5.2.2.1 速度对比实验 |
| 5.2.2.2 车间距对比实验 |
| 5.2.2.3 小结 |
| 5.3 基于微多普勒特征的行人识别实验 |
| 5.3.1 数据的预处理 |
| 5.3.2 基于CNN的行人识别结果 |
| 5.3.3 使用深度学习相关方法进行数据增强实验 |
| 5.3.3.1 使用生成式对抗网络进行数据增强实验 |
| 5.3.3.2 使用基于CNN预测模型进行数据增强 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间取得的成果 |
（5）目标运动子空间建模与状态估计（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 课题背景及研究的目的和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 目标运动建模与状态估计 |
| 1.2.2 多普勒雷达目标跟踪 |
| 1.2.3 无角度量测目标跟踪 |
| 1.3 本文主要研究内容与章节安排 |
| 第2章 运动建模与估计理论基础 |
| 2.1 运动建模理论 |
| 2.1.1 状态空间描述法 |
| 2.1.2 常见运动模型 |
| 2.2 状态估计理论 |
| 2.2.1 基本估计方法 |
| 2.2.2 最小均方误差估计 |
| 2.2.3 卡尔曼滤波 |
| 2.3 估计性能的评价指标 |
| 2.4 本章小节 |
| 第3章 伪状态子空间建模与多普勒雷达跟踪 |
| 3.1 问题描述 |
| 3.2 伪状态子空间建模 |
| 3.2.1 匀速直线运动 |
| 3.2.2 匀加速直线运动 |
| 3.3 量测转换 |
| 3.3.1 多普勒量测转换 |
| 3.3.2 位置量测转换 |
| 3.3.3 量测转换之间的相关性 |
| 3.4 跟踪滤波器 |
| 3.4.1 转换多普勒量测卡尔曼滤波 |
| 3.4.2 转换位置量测卡尔曼滤波 |
| 3.4.3 静态融合 |
| 3.5 仿真分析 |
| 3.6 本章小结 |
| 第4章 距离-多普勒子空间建模与状态估计 |
| 4.1 问题描述 |
| 4.2 距离-多普勒子空间建模 |
| 4.2.1 匀速直线运动 |
| 4.2.2 匀加速直线运动 |
| 4.2.3 恒转弯运动 |
| 4.3 距离-多普勒状态估计 |
| 4.3.1 量测方程 |
| 4.3.2 滤波算法 |
| 4.3.3 滤波器初始化 |
| 4.4 仿真分析 |
| 4.5 本章小结 |
| 第5章 仅用距离观测的子状态估计 |
| 5.1 问题描述 |
| 5.2 两点差分法初始化 |
| 5.3 基于状态方程的初始化方法 |
| 5.3.1 匀速直线运动 |
| 5.3.2 匀加速直线运动 |
| 5.3.3 恒转弯运动 |
| 5.4 仿真分析 |
| 5.5 本章小结 |
| 结论 |
| 参考文献 |
| 攻读博士学位期间发表的论文及其他成果 |
| 致谢 |
| 个人简历 |
（6）基于雷达数据融合的室内多目标追踪系统设计与实现（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 符号对照表 |
| 缩略语对照表 |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 多雷达数据融合研究现状 |
| 1.2.2 多目标追踪研究现状 |
| 1.3 本文主要工作及内容安排 |
| 第二章 数据融合与多目标追踪相关理论 |
| 2.1 FMCW雷达定位原理 |
| 2.2 多传感器数据融合算法 |
| 2.2.1 最小二乘法 |
| 2.2.2 极大似然估计法 |
| 2.2.3 贝叶斯估计法 |
| 2.3 跟踪滤波算法 |
| 2.3.1 维纳滤波 |
| 2.3.2 卡尔曼滤波 |
| 2.3.3 无迹卡尔曼滤波 |
| 2.4 本章小结 |
| 第三章 多雷达数据融合关键算法 |
| 3.1 引言 |
| 3.2 雷达部署与坐标系转换 |
| 3.3 基于灰色关联分析的自适应目标同源划分算法 |
| 3.3.1 多雷达系统中的目标同源划分问题 |
| 3.3.2 灰色关联分析算法 |
| 3.3.3 自适应目标同源划分算法 |
| 3.3.4 实验结果分析 |
| 3.4 基于加权最小二乘法的多雷达数据融合算法 |
| 3.4.1 加权最小二乘法在多雷达数据融合中的应用 |
| 3.4.2 雷达测量方差估计算法 |
| 3.4.3 实验结果分析 |
| 3.5 本章小结 |
| 第四章 多目标追踪关键算法 |
| 4.1 引言 |
| 4.2 跟踪波门的设置 |
| 4.2.1 环形波门 |
| 4.2.2 椭圆形波门 |
| 4.3 轨迹起始检测算法 |
| 4.3.1 直观法 |
| 4.3.2 逻辑法 |
| 4.4 多目标数据关联算法 |
| 4.4.1 最近邻域法 |
| 4.4.2 概率数据关联算法 |
| 4.4.3 联合概率数据关联算法 |
| 4.4.4 改进的联合概率数据关联算法 |
| 4.4.5 实验结果分析 |
| 4.5 本章小结 |
| 第五章 室内多目标追踪系统的设计与实现 |
| 5.1 引言 |
| 5.2 追踪系统需求分析 |
| 5.2.1 功能性需求分析 |
| 5.2.2 非功能性需求分析 |
| 5.3 系统软件概要设计 |
| 5.3.1 系统总体架构设计 |
| 5.3.2 系统数据库设计 |
| 5.4 系统详细设计与实现 |
| 5.4.1 雷达数据收发模块 |
| 5.4.2 雷达数据处理模块 |
| 5.4.3 多设备管理模块 |
| 5.4.4 追踪轨迹显示模块 |
| 5.4.5 邮件报警模块 |
| 5.4.6 历史记录查询模块 |
| 5.5 系统测试 |
| 5.5.1 测试环境 |
| 5.5.2 功能性测试 |
| 5.5.3 非功能性测试 |
| 5.6 本章小结 |
| 第六章 总结与展望 |
| 6.1 本文工作总结 |
| 6.2 未来工作展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（7）压缩量测域中的雷达目标检测与跟踪方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 缩略词表 |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 研究历史与现状 |
| 1.2.1 雷达目标检测和跟踪 |
| 1.2.2 压缩感知雷达 |
| 1.2.3 基于压缩感知理论的目标检测和跟踪 |
| 1.3 论文结构框架和内容安排 |
| 第2章 贝叶斯联合决策和估计 |
| 2.1 引言 |
| 2.2 贝叶斯联合决策和估计理论 |
| 2.2.1 最优贝叶斯联合决策和估计 |
| 2.2.2 递归贝叶斯联合决策和估计 |
| 2.2.3 联合性能评价指标 |
| 2.3 目标联合决策和估计应用 |
| 2.3.1 目标联合跟踪和分类应用场景 |
| 2.3.2 目标联合跟踪和分类仿真实验 |
| 2.4 本章小结 |
| 第3章 压缩感知雷达信号采样 |
| 3.1 引言 |
| 3.2 压缩感知与压缩采样 |
| 3.2.1 压缩感知理论 |
| 3.2.2 压缩采样 |
| 3.3 模信转换器及欠采样雷达 |
| 3.4 脉冲重复率压缩采样器 |
| 3.4.1 采样结构和信号模型 |
| 3.4.2 实验验证及结果分析 |
| 3.5 本章小结 |
| 第4章 单目标压缩检测和跟踪的分步优化方法 |
| 4.1 引言 |
| 4.2 单目标跟踪前置压缩检测器(ST-PTCD) |
| 4.2.1 单目标雷达信号和压缩量测 |
| 4.2.2 单目标子空间构造 |
| 4.2.3 ST-PTCD的实现过程 |
| 4.2.4 单目标压缩量测域Mean-Shift定位法 |
| 4.3 基于ST-PTCD的多模型(CSP-IMM)算法 |
| 4.3.1 CSP-IMM算法的实现过程 |
| 4.3.2 仿真实验及结果分析 |
| 4.4 基于ST-PTCD的变分贝叶斯自适应卡尔曼(CSP-VBAKF)算法 |
| 4.4.1 CSP-VBAKF算法的实现过程 |
| 4.4.2 仿真实验及结果分析 |
| 4.5 本章小结 |
| 第5章 单目标压缩检测和跟踪的联合优化方法 |
| 5.1 引言 |
| 5.2 基于ST-PTCD的联合压缩检测和跟踪(CSP-JDT)算法 |
| 5.2.1 CSP-JDT算法的代价函数设计 |
| 5.2.2 CSP-JDT算法的具体求解流程 |
| 5.2.3 联合性能估计及算法复杂度分析 |
| 5.3 实验及结果分析 |
| 5.3.1 CSP-JDT优化的ST-PTCD检测性能分析 |
| 5.3.2 CSP-JDT算法跟踪性能分析 |
| 5.4 本章小结 |
| 第6章 多目标压缩检测和跟踪的分步优化方法 |
| 6.1 引言 |
| 6.2 多目标跟踪前置压缩检测器(MT-PTCD) |
| 6.2.1 多目标雷达信号和压缩量测 |
| 6.2.2 多目标子空间构造 |
| 6.2.3 MT-PTCD的实现过程 |
| 6.2.4 多目标压缩量测域Mean-Shift定位法 |
| 6.3 基于MT-PTCD的概率假设密度(CSP-PHD)算法 |
| 6.3.1 CSP-PHD算法的实现过程 |
| 6.3.2 性能评价指标 |
| 6.3.3 仿真实验及结果分析 |
| 6.4 本章小结 |
| 第7章 多目标压缩检测和跟踪的联合优化方法 |
| 7.1 引言 |
| 7.2 简单情形下的多目标联合压缩检测和跟踪(SMT-CSP-JDT)算法 |
| 7.2.1 SMT-CSP-JDT算法的代价函数设计 |
| 7.2.2 SMT-CSP-JDT算法的具体求解流程 |
| 7.2.3 评价指标及算法复杂度分析 |
| 7.3 仿真实验及结果分析 |
| 7.4 本章小结 |
| 第8章 总结与展望 |
| 8.1 论文总结 |
| 8.2 研究展望 |
| 参考文献 |
| 附录 A 跟踪前置压缩检测器的检测概率服从F-分布的证明 |
| 深圳大学指导教师对研究生学位论文的学术评语 |
| 深圳大学研究生学位(毕业)论文答辩委员会决议书 |
| 致谢 |
| 攻读博士学位期间的研究成果与科研项目 |
（8）雷达资源分配与目标跟踪算法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 符号对照表 |
| 缩略语对照表 |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 研究历史与现状 |
| 1.2.1 雷达资源分配 |
| 1.2.2 雷达目标跟踪算法 |
| 1.3 研究内容及计划安排 |
| 第二章 基于动态时间片节拍和任务相关性的自适应调度 |
| 2.1 引言 |
| 2.2 可分配雷达资源 |
| 2.3 传统的自适应调度算法 |
| 2.3.1 经典EDF算法 |
| 2.3.2 HPEDF算法 |
| 2.4 基于动态时间片节拍的时序设计 |
| 2.4.1 时间片的定义 |
| 2.4.2 时序设计 |
| 2.5 基于任务相关性的自适应调度算法 |
| 2.5.1 任务模型 |
| 2.5.2 任务相关性模型 |
| 2.5.3 评估指标 |
| 2.5.4 任务驻留时间对雷达威力的影响 |
| 2.5.5 执行任务选择 |
| 2.5.6 调度策略 |
| 2.6 仿真分析 |
| 2.6.1 以动态时间片为节拍的时序设计仿真 |
| 2.6.2 基于任务相关性的自适性调度算法仿真 |
| 2.7 本章小结 |
| 第三章 基于信噪比模型的目标跟踪 |
| 3.1 引言 |
| 3.2 量测噪声分析 |
| 3.2.1 数学模型 |
| 3.2.2 目标回波信噪比随距离的变化 |
| 3.2.3 雷达方位测角精度分析 |
| 3.2.4 雷达俯仰测角精度分析 |
| 3.2.5 雷达测距精度分析 |
| 3.2.6 量测噪声协方差的选取 |
| 3.3 基于信噪比模型的扩展卡尔曼滤波 |
| 3.3.1 扩展卡尔曼滤波算法 |
| 3.3.2 基于信噪比模型的扩展卡尔曼滤波 |
| 3.4 基于信噪比模型的不敏卡尔曼滤波 |
| 3.4.1 不敏卡尔曼滤波算法 |
| 3.4.2 基于信噪比模型的不敏卡尔曼滤波 |
| 3.5 仿真分析 |
| 3.5.1 角度误差变化仿真 |
| 3.5.2 距离误差变化仿真 |
| 3.5.3 距离误差角度误差变化仿真 |
| 3.6 本章小结 |
| 第四章 利用姿态角辅助的目标跟踪 |
| 4.1 引言 |
| 4.2 利用姿态角的目标跟踪 |
| 4.2.1 姿态角的定义 |
| 4.2.2 数学模型 |
| 4.2.3 算法实现 |
| 4.3 利用姿态角辅助的非机动目标跟踪算法 |
| 4.3.1 利用姿态角的扩展卡尔曼滤波 |
| 4.3.2 利用姿态角的不敏卡尔曼滤波 |
| 4.3.3 仿真分析 |
| 4.4 利用姿态角辅助的机动目标跟踪算法 |
| 4.4.1 机动目标跟踪算法 |
| 4.4.2 利用姿态角辅助的机动目标跟踪算法 |
| 4.4.3 仿真分析 |
| 4.5 本章小结 |
| 第五章 杂波环境下的目标跟踪 |
| 5.1 引言 |
| 5.2 杂波环境下传统的目标跟踪算法 |
| 5.2.1 杂波环境下非机动目标跟踪算法 |
| 5.2.2 杂波环境下机动目标跟踪算法 |
| 5.3 径向速度分析 |
| 5.3.1 径向速度获取 |
| 5.3.2 基于多普勒量测的测速精度分析 |
| 5.3.3 径向速度线性化 |
| 5.4 杂波环境下径向速度辅助的非机动目标跟踪算法 |
| 5.4.1 数学模型 |
| 5.4.2 径向速度波门 |
| 5.4.3 利用径向速度的Kalman-PDA算法 |
| 5.4.4 仿真分析 |
| 5.5 杂波环境下径向速度辅助的机动目标跟踪算法 |
| 5.5.1 数学模型 |
| 5.5.2 径向速度波门 |
| 5.5.3 利用径向速度的IMM-PDA算法 |
| 5.5.4 仿真分析 |
| 5.6 本章小结 |
| 第六章 总结与展望 |
| 6.1 工作总结 |
| 6.2 工作创新点 |
| 6.3 研究展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（9）基于微多普勒特征的人类行为分类方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 缩略词表 |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 微多普勒效应研究现状 |
| 1.2.1 刚体微多普勒效应研究现状 |
| 1.2.2 非刚体微多普勒效应研究现状 |
| 1.3 关键技术研究现状及问题 |
| 1.3.1 数据准备 |
| 1.3.2 噪声抑制 |
| 1.3.3 特征提取 |
| 1.3.4 目标分类 |
| 1.4 本文主要创新 |
| 1.5 论文组织结构 |
| 第二章 人类行为雷达回波信号模拟方法及分类算法研究 |
| 2.1 引言 |
| 2.2 微多普勒效应 |
| 2.2.1 物理原理 |
| 2.2.2 目标微多普勒频移 |
| 2.3 人类行为雷达回波信号模拟方法 |
| 2.3.1 数据来源 |
| 2.3.2 人体建模 |
| 2.3.3 回波信号模拟 |
| 2.4 分类算法及分类性能评估指标 |
| 2.4.1 分类算法 |
| 2.4.2 分类性能评估指标 |
| 2.5 本章小结 |
| 第三章 基于EMD的人类行为回波信号的去噪重构算法研究 |
| 3.1 引言 |
| 3.2 常用EMD类算法简介 |
| 3.2.1 EMD算法 |
| 3.2.2 EEMD算法 |
| 3.2.3 CEEMDAN算法 |
| 3.3 基于数理统计的分解分量直接提取准则 |
| 3.3.1 分解分量直接提取准则 |
| 3.3.2 EMD分解分量直接提取准则验证 |
| 3.3.3 EEMD分解分量直接提取准则验证 |
| 3.3.4 CEEMDAN分解分量直接提取准则验证 |
| 3.4 基于字典的缺失信号分量重构算法 |
| 3.4.1 缺失信号分量重构算法 |
| 3.4.2 EMD筛选过程破坏的信号分量重构验证 |
| 3.4.3 EEMD筛选过程破坏的信号分量重构验证 |
| 3.4.4 CEEMDAN筛选过程破坏的信号分量重构验证 |
| 3.5 本章小结 |
| 第四章 针对人类行为的多分量微多普勒频率估计算法研究 |
| 4.1 引言 |
| 4.2 稀疏多分量频率估计算法 |
| 4.2.1 信号模型 |
| 4.2.2 字典学习 |
| 4.2.3 空间回归 |
| 4.2.4 算法分析 |
| 4.3 仿真验证与分析 |
| 4.3.1 算法性能理论下限 |
| 4.3.2 线性调频信号频率估计与分析 |
| 4.3.3 正弦调频信号频率估计与分析 |
| 4.4 测量数据验证与分析 |
| 4.4.1 基于MoCap的合成信号频率重构 |
| 4.4.2 测量信号频率重构 |
| 4.5 本章小结 |
| 第五章 基于微多普勒特征的人类行为分类算法研究 |
| 5.1 引言 |
| 5.2 基于迭代卷积神经网络特征提取分类算法 |
| 5.2.1 理论分析 |
| 5.2.2 算法 |
| 5.2.3 仿真数据验证 |
| 5.2.4 测量数据验证 |
| 5.3 方向对微多普勒特征分类性能影响 |
| 5.3.1 方向对分类性能影响仿真 |
| 5.3.2 方向对分类性能影响实验 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 全文工作总结 |
| 6.2 研究工作展望 |
| 致谢 |
| 参考文献 |
| 攻读博士学位期间取得的成果 |
（10）机载多普勒测速雷达信号处理系统的设计与实现（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究状况 |
| 1.3 论文主要工作及结构安排 |
| 1.3.1 论文的主要工作 |
| 1.3.2 论文的结构安排 |
| 2 机载多普勒测速雷达信号处理理论 |
| 2.1 雷达测速原理 |
| 2.1.1 雷达波束配置 |
| 2.1.2 多普勒频谱特性 |
| 2.2 数字采样技术 |
| 2.3 数字下变频技术 |
| 2.4 耦合泄露抑制 |
| 2.5 恒虚警检测 |
| 2.6 多普勒频率校验 |
| 2.7 卡尔曼滤波 |
| 2.8 本章小结 |
| 3 机载多普勒测速雷达信号处理系统方案设计 |
| 3.1 信号处理总体方案设计 |
| 3.1.1 信号处理系统设计要求 |
| 3.1.2 雷达整机工作流程 |
| 3.1.3 信号处理系统方案 |
| 3.2 信号处理算法设计 |
| 3.2.1 信号波形参数设计 |
| 3.2.2 信号处理算法设计 |
| 3.3 信号处理硬件系统方案设计 |
| 3.3.1 系统要求分析 |
| 3.3.2 主要芯片选型 |
| 3.3.3 通讯接口设计 |
| 3.4 本章小结 |
| 4 机载多普勒测速雷达信号处理系统实现 |
| 4.1 数字下变频模块 |
| 4.1.1 AD采样 |
| 4.1.2 数字自动增益控制 |
| 4.1.3 数字正交解调 |
| 4.2 耦合泄露抑制模块 |
| 4.3 多普勒频率测量模块 |
| 4.4 恒虚警检测模块 |
| 4.5 卡尔曼滤波模块 |
| 4.6 SRIO通讯模块 |
| 4.7 ARINC-429通讯模块 |
| 4.8 本章小结 |
| 5 系统验证 |
| 5.1 信号处理系统硬件平台 |
| 5.2 信号处理模块 |
| 5.2.1 AD采样及数字下变频 |
| 5.2.2 耦合泄露抑制模块 |
| 5.2.3 多普勒频率测量模块 |
| 5.2.4 恒虚警检测 |
| 5.2.5 卡尔曼滤波 |
| 5.3 通讯接口模块 |
| 5.3.1 SRIO接口 |
| 5.3.2 ARINC-429接口 |
| 5.4 系统实测验证 |
| 5.5 本章小结 |
| 6 总结与展望 |
| 致谢 |
| 参考文献 |
| 附录 |
四、多普勒雷达测量数据的Kalman滤波器设计（论文参考文献）
- [1]FMCW雷达多目标探测与跟踪技术研究[D]. 焦浩. 烟台大学, 2021(09)
- [2]基于多源信息融合的列车测速方法研究[D]. 赵悦彤. 北京交通大学, 2021
- [3]雷达导引头迎头转尾追空中目标跟踪方法研究[D]. 刘洋. 电子科技大学, 2021(01)
- [4]智能交通系统中交通流量控制及小目标检测识别[D]. 方建成. 电子科技大学, 2021(01)
- [5]目标运动子空间建模与状态估计[D]. 郭正琨. 哈尔滨工业大学, 2020
- [6]基于雷达数据融合的室内多目标追踪系统设计与实现[D]. 杨炜. 西安电子科技大学, 2020(05)
- [7]压缩量测域中的雷达目标检测与跟踪方法研究[D]. 冯奇. 深圳大学, 2020
- [8]雷达资源分配与目标跟踪算法研究[D]. 刘代. 西安电子科技大学, 2020(08)
- [9]基于微多普勒特征的人类行为分类方法研究[D]. 林益耳. 电子科技大学, 2020(01)
- [10]机载多普勒测速雷达信号处理系统的设计与实现[D]. 高猛. 南京理工大学, 2020(01)