论文部分内容阅读
目标跟踪技术是通过处理目标观测数据来保持目标当前状态估计的技术，在军用民用领域中均有广泛应用。随着电磁隐身技术，反辐射导弹在现代电子战场的不断发展和应用，被动传感器目标跟踪技术凭借其隐蔽性较好、系统的生存能力较强等特点，逐渐成为目标跟踪领域的热门研究方向。本文以工程实践为背景，针对多被动传感器目标跟踪系统的非线性估计问题展开研究，分别给出了适应多被动传感器单目标跟踪的高斯和粒子滤波方法和适应多被动传感器多目标跟踪的高斯和粒子概率密度假设滤波方法，可为多被动传感器目标跟踪系统的工程实践提供有益的参考。 考虑到实际工程中系统被估状态与干扰噪声存在非高斯分布特性，利用高斯混合模型与不同的非线性估计算法相结合，分别提出了基于扩展卡尔曼滤波和粒子滤波的两种多被动传感器单目标高斯混合跟踪方法。针对多被动传感器系统噪声为非高斯分布的情况，将状态的分布和系统过程噪声均视作高斯混合模型，结合扩展卡尔曼滤波算法进行单目标跟踪状态估计。为使估计方法更适应强非线性系统，将高斯混合算法结合粒子滤波进行单目标跟踪状态估计。仿真结果表明，高斯混合扩展卡尔曼滤波方法耗时较高斯混合粒子滤波短，但是与高斯混合粒子滤波方法和含重采样步骤的序贯重要性采样粒子滤波方法相比，其跟踪精度明显较差。高斯混合粒子滤波方法与含重采样步骤的序贯重要性采样粒子滤波方法估计精度略低，但前者的算法执行时间明显更短。因此，针对多被动传感器跟踪系统目标状态估计问题，本文提出的高斯混合粒子滤波方法在保证精度的同时，运行时间较短。 考虑到实际工程中多目标跟踪中数据关联过程计算复杂消耗较大，目标个数不确定，本文采用概率假设密度滤波方法实现多被动传感器多目标跟踪状态估计。根据随机有限集理论，将系统的状态集合和观测集合所分别构成的随机有限集的概率假设密度近似为多个加权高斯分量之和，随后结合蒙特卡罗与粒子滤波方法更新每个高斯分量的预测和估计，避免了传统多目标跟踪下的数据关联步骤，进而实现了多目标跟踪状态估计。仿真结果表明，针对多被动传感器多目标跟踪状态估计问题，该方法与采用联合概率数据关联结合含重采样步骤的序贯重要性采样粒子滤波算法相比，目标运动状态的估计精度更高，且该方法无需目标个数的先验信息，对多被动传感器多目标跟踪过程中目标个数的估计准确，适用范围更广，可适应目标数不确定的实际工程环境中。