機動目標融合跟蹤算法研究.pdf

1、機動目標跟蹤在現(xiàn)代軍事領(lǐng)域和民用領(lǐng)域占有十分重要的地位并且有著廣泛的應(yīng)用前景，使得國內(nèi)外許多研究人員對之展開了深入的研究，并取得了飛躍式的發(fā)展。機動目標跟蹤是目標發(fā)生機動時不能準確描述目標運動的估計問題。隨著科學(xué)技術(shù)的快速發(fā)展，目標的運行速度和機動性能變得越來越高，再加之，跟蹤環(huán)境的復(fù)雜性，對機動目標跟蹤提出了更高的要求。
　　本文在學(xué)習(xí)前人研究成果的基礎(chǔ)上，結(jié)合國內(nèi)外的最新發(fā)展，圍繞著狀態(tài)估計和交互式多模型算法(IMM)對機動目

2、標跟蹤理論展開較系統(tǒng)深入地研究。
　　首先，介紹機動目標跟蹤理論研究背景以及國內(nèi)外的研究現(xiàn)狀，介紹目標跟蹤涉及到目標運動的數(shù)學(xué)模型，概述了機動目標跟蹤的基本原理。給出了機動目標跟蹤中狀態(tài)估計算法，卡爾曼濾波算法，給出了它的理論推導(dǎo)以及算法的詳細流程。接下來，分析了概率數(shù)據(jù)關(guān)聯(lián)卡爾曼濾波算法的理論，同樣也給出了該算法的具體步驟。
　　其次，在機動目標跟蹤的背景下，介紹了非線性濾波理論，給出了EKF、UKF和CKF三種非線性濾波

3、算法，闡述了三種算法的理論基礎(chǔ)和基本原理，并給出了三種算法的詳細流程，然后通過一個非線性目標跟蹤模型驗證對比三種算法的跟蹤性能。重點介紹并分析了粒子濾波算法的理論基礎(chǔ)、實現(xiàn)方法和具體步驟。并提出一種基于MCMC的迭代容積粒子濾波算法。該算法的解決辦法是從重采樣入手，為粒子濾波選取合適的有效的重要性密度函數(shù)。在該濾波算法中，利用容積數(shù)值積分原則計算非線性隨機函數(shù)的均值和方差，在生成的粒子濾波建議分布中融入當(dāng)前量測值，提高對系統(tǒng)后驗概率的逼

4、近程度。然后在此基礎(chǔ)上融合MCMC抽樣算法(Metropolis Hasting，MH)對所選建議分布進行優(yōu)化，增加粒子多樣性，以提高跟蹤精度。
　　最后，針對標準的交互式多模型中的濾波器采用卡爾曼濾波算法很難用于跟蹤非線性較強的機動目標的問題，將改進的粒子濾波算法與交互式多模型結(jié)合，提出一種改進的交互式多模型粒子濾波算法，并給出此算法的步驟。該算法彌補了一般交互式多模型粒子濾波算法中的不足，通過仿真實驗驗證了算法的正確性和準確性