论文部分内容阅读
本论文结合国内外水下分布式传感器网络的发展，说明了研究水下分布式传感器网络的重要性及必要性。论文首先介绍了单节点跟踪技术，分别介绍了非线性跟踪及方位跟踪两种跟踪方法。随后介绍了单传感器多目标数据关联算法，并对常用数据关联算法进行了仿真及性能分析。论文介绍了水下分布式传感器网络目标定位及传感器间的数据关联算法，提出了一种基于霍夫变换的改进型数据关联算法，同时分析了算法性能，并基于实验和仿真对算法进行了验证。由于水下分布式传感器网络在实际工作中，需要配合不同类型的传感器协同工作，本文提出了一种改进的混合高斯概率假设滤波器的分布式传感器数据融合算法，并对算法性能进行了分析，最后用实验数据对算法进行了验证。在最后，本文分析验证了一种便于工程实现的单节点目标深度辨识算法，通过此算法可以辨识目标深度，文中对此算法进行了数值仿真及实验验证，证明了其有效性。同时将此算法推广到分布式多节点，通过仿真分析了算法性能。 本文的主要研究内容及创新点为: 1.针对单节点探测系统，研究了三种不同的数据关联算法，分析了传感器精度对数据关联算法性能的影响，得出了有意义的结论。 2.针对多节点探测系统，提出了一种基于霍夫变换目标数据关联算法，通过节点分组循环观测，将定位结果转换到霍夫变换域，统计关联计数值并与阈值门限进行比较，确定最终的关联组。该算法有效解决了方位目标关联困难的问题，为多节点纯方位目标定位提供了理论基础。 3.针对水下分布式传感器网络的应用需求，提出了一种多源多目标数据融合算法。通过序贯法改进了混合高斯概率假设滤波器的校正步骤，有效的解决了不同类型、不同精度传感器的数据融合问题。 4.针对水下分布式传感器的实际应用情况，为水下分布式纯方位传感器设计了一种分对循环观测方法，该方法解决了纯方位观测节点在对目标进行定位及数据融合时出现虚点的问题。 5.研究验证了一种基于双声压传感器的目标深度辨识技术，同时提出利用N-P多元判决准则，将单节点目标深度辨识技术推广到多节点，提高了水下分布式传感器网络的目标深度辨识能力。