神经网络辅助滤波在多雷达数据融合中的应用

论文摘要

随着我国经济的快速增长,航空事业得到迅猛发展,航空器数量与密度不断增加,空中交通日益繁忙,对空管系统提出了越来越高的要求。目前,我国正在加大力度进行空管自动化建设,以保证飞行安全、有序的进行,同时达到减轻管制员的工作负荷的目的。多雷达数据融合技术是空中交通管理自动化系统中的关键技术,而目标的跟踪质量又是取得好的数据融合效果的基础。跟踪是指利用雷达测量数据对目标当前时刻的状态进行估计,对目标未来时刻的状态进行预测。目标状态包括各种运动参数,如目标的位置、去向、速度和加速度等。如何快速、可靠和精确的跟踪机动目标一直都是目标跟踪系统设计的主要目的。机动目标跟踪所遇到的基本问题是,对机动目标的状态估计是在两种不确定性情况下进行的,一是机动目标运动模型的不确定性,二是由干扰、噪声所导致的量测不确定性,这些情况都会导致传统滤波方法产生较大的误差,甚至发散。传统的卡尔曼滤波器要求信号的状态模型是已知的,但在实际应用中,特别是对机动目标进行跟踪时,精确给出状态模型是很难办到的。本文利用神经网络具有的高度非线性映射能力,提出了一种应用神经网络对卡尔曼滤波结果进行校正的机动目标跟踪方法,用BP神经网络修正目标机动运动时的卡尔曼滤波误差,并用Matlab对该滤波方法进行仿真,验证其滤波效果,通过与卡尔曼滤波在精度和稳定度方面的比较表明该算法比传统卡尔曼滤波算法在机动目标跟踪方面有更好的效果。

论文目录

• 摘要
• Abstract
• 第一章 前言
• 1.1 多雷达数据融合概述
• 1.2 国内外研究现状
• 1.3 本文的研究工作
• 第二章 多雷达数据融合的基本理论
• 2.1 数据融合基础
• 2.1.1 数据融合的定义
• 2.1.2 数据融合的功能模型
• 2.1.3 数据融合的级别
• 2.1.4 数据融合方式
• 2.1.5 数据融合的基本方法
• 2.2 单雷达数据处理
• 2.2.1 坐标变换
• 2.2.2 目标关联与相关门的选取
• 2.2.3 航迹状态滤波
• 2.3 多雷达航迹融合
• 2.3.1 时空对准
• 2.3.2 航迹关联
• 2.3.3 航迹融合及其算法描述
• 第三章 目标跟踪中的滤波算法
• 3.1 目标的运动模型
• 3.1.1 CV 与CA 模型
• 3.1.2 时间相关模型
• 3.1.3 半马尔可夫模型
• 3.1.4 当前统计模型
• 3.2 雷达目标跟踪滤波算法
• 3.2.1 卡尔曼滤波算法
• 3.2.2 α- β滤波
• 3.2.3 α- β- γ滤波
• 3.3 非线性滤波方法
• 3.3.1 扩展卡尔曼滤波
• 3.3.2 去偏转换测量卡尔曼滤波
• 第四章 神经网络辅助卡尔曼滤波算法研究
• 4.1 人工神经网络理论基础
• 4.1.1 神经网络简介
• 4.1.2 人工神经网络的基本要素
• 4.2 BP 神经网络
• 4.2.1 BP 神经网络的基本结构
• 4.2.2 BP 神经网络的学习算法
• 4.3 BP 神经网络辅助卡尔曼滤波算法
• 4.3.1 算法模型
• 4.3.2 算法的matlab 仿真实现
• 4.4 仿真结果及分析
• 4.4.1 模拟数据的仿真
• 4.4.2 真实雷达数据的仿真验证
• 4.5 神经网络技术在多雷达目标跟踪中的应用
• 结论
• 参考文献
• 攻读硕士学位期间取得的学术成果
• 致谢