基于隨機(jī)有限集多擴(kuò)展目標(biāo)跟蹤方法的研究.pdf

1、多目標(biāo)跟蹤問(wèn)題一直是目標(biāo)跟蹤領(lǐng)域研究的難點(diǎn)，其目的是在目標(biāo)不確定性和量測(cè)不確定性的情況下對(duì)多目標(biāo)的狀態(tài)和數(shù)目進(jìn)行聯(lián)合估計(jì)。隨著電子技術(shù)的不斷發(fā)展和傳感器精度的不斷提高，目標(biāo)可占據(jù)傳感器的多個(gè)分辨單元，這種目標(biāo)被看作擴(kuò)展目標(biāo)。由于擴(kuò)展目標(biāo)會(huì)在每個(gè)時(shí)刻產(chǎn)生多個(gè)量測(cè)，若仍采用傳統(tǒng)的數(shù)據(jù)關(guān)聯(lián)方法確定量測(cè)與目標(biāo)之間的對(duì)應(yīng)關(guān)系將會(huì)十分困難。近些年來(lái)，基于隨機(jī)有限集的多目標(biāo)跟蹤方法因其避免了復(fù)雜的數(shù)據(jù)關(guān)聯(lián)問(wèn)題而受到學(xué)者們的廣泛關(guān)注。因此，本文以隨機(jī)有

2、限集為理論基礎(chǔ)，開展多擴(kuò)展目標(biāo)跟蹤方法的研究，主要內(nèi)容如下：
　　1.針對(duì)多擴(kuò)展目標(biāo)的量測(cè)集劃分問(wèn)題，本文研究了一種自適應(yīng)密度模糊C均值(Fuzzy C-means,FCM)量測(cè)集劃分算法。首先，該算法利用自適應(yīng)門對(duì)量測(cè)集進(jìn)行預(yù)處理，濾除部分雜波量測(cè)，降低了算法計(jì)算復(fù)雜度的同時(shí)提高了量測(cè)集劃分的準(zhǔn)確度；其次，采用密度函數(shù)法產(chǎn)生 FCM的初始聚類中心，并闡述了自適應(yīng)密度FCM多擴(kuò)展目標(biāo)量測(cè)集劃分方法的詳細(xì)過(guò)程；最后，通過(guò)仿真實(shí)驗(yàn)與已

3、有的Kmeans++劃分進(jìn)行比較，驗(yàn)證了該算法不僅劃分結(jié)果較為準(zhǔn)確，而且時(shí)間代價(jià)也較低。
　　2.針對(duì)多擴(kuò)展目標(biāo)粒子概率假設(shè)密度(Probability Hypothesis Density,PHD)濾波算法存在的粒子退化問(wèn)題，本文研究了一種多擴(kuò)展目標(biāo)容積粒子PHD濾波算法。該算法在粒子的先驗(yàn)分布更新階段充分考慮最新的量測(cè)信息，利用容積卡爾曼濾波產(chǎn)生多擴(kuò)展目標(biāo)粒子PHD濾波算法的重要性密度函數(shù)，確保能夠在擴(kuò)展目標(biāo)真實(shí)量測(cè)所對(duì)應(yīng)的狀

4、態(tài)空間上采樣粒子，使采樣的粒子向似然函數(shù)峰值區(qū)移動(dòng)，從而能夠更加精確地逼近多擴(kuò)展目標(biāo)的后驗(yàn)強(qiáng)度，改善多擴(kuò)展目標(biāo)粒子PHD濾波的跟蹤性能。仿真實(shí)驗(yàn)表明，該算法在緩解粒子退化的同時(shí)，提高了算法整體的跟蹤性能。
　　3.研究了基于隨機(jī)矩陣方法在非線性情況下的多擴(kuò)展目標(biāo)跟蹤問(wèn)題。首先，研究了基于隨機(jī)矩陣多擴(kuò)展目標(biāo)的建模和跟蹤方法，該方法用對(duì)稱正定隨機(jī)矩陣所表示的橢圓對(duì)擴(kuò)展目標(biāo)的形狀進(jìn)行建模；其次，利用修正量測(cè)轉(zhuǎn)換(Modified unb

5、iased-converted measurement,MUCM)方法將雷達(dá)量測(cè)通過(guò)坐標(biāo)變換轉(zhuǎn)換為笛卡爾坐標(biāo)系下的偽線性量測(cè)形式，并用統(tǒng)計(jì)方法求出轉(zhuǎn)換量測(cè)誤差的協(xié)方差；然后，基于MUCM給出高斯逆威沙特概率假設(shè)密度(Gaussian inverse Wishart Probability Hypothesis Density,GIW-PHD)濾波算法的具體實(shí)現(xiàn)過(guò)程，從而可遞推獲取多擴(kuò)展目標(biāo)的運(yùn)動(dòng)狀態(tài)和形狀估計(jì)。最后，通過(guò)仿真實(shí)驗(yàn)驗(yàn)證了算