论文部分内容阅读
粒子滤波算法是一种基于非参数的蒙特卡洛方法的近似贝叶斯滤波算法，具有算法简洁，使用灵活，容易实现，同时具有较好的并行结构等特点，适用于传统方法很难解决的非线性目标跟踪问题。其跟踪精度可以逼近最优估计。
本文结合实际应用需求，针对智能传感侦察网络中的机动目标跟踪问题开展研究工作。以粒子滤波算法为核心，深入研究了在传感器网络节点能力受限条件下的多机动目标跟踪问题。主要的研究内容和成果如下：
对目前机动目标跟踪的机动目标模型和跟踪算法做全面、系统的讨论。首先从机动模型入手，对适用于地面目标的模型做详尽的介绍。其次，对目前常用的目标跟踪算法进行归纳和总结，深入讨论其原理与适用范围。并在此基础上从贝叶斯重要性采样原理入手，详尽探讨粒子滤波的原理，以及基本的序列粒子滤波算法。接着对粒子滤波中的粒子退化问题现象和问题原因进行详细阐述，并介绍部分粒子滤波的改进算法。最后，通过仿真，比较扩展卡尔曼滤波算法和粒子滤波算法，证实粒子滤波能够很好的解决机动目标跟踪中的非线性问题，对目标的机动性有很好的适应能力。
对智能传感器侦察网络中多目标跟踪问题进行深入系统的研究，并在此基础上提出基于预测的多目标跟踪算法。通过研究无线传感器网络中的多目标跟踪的特有问题，提出多目标跟踪问题的局部性特征和量测信息的信号混叠特性，即通过子区域化网络来将多目标跟踪问题简化为单目标跟踪和交汇子区域的多目标跟踪。在此基础上，提出了一种基于粒子滤波的多目标跟踪算法，该算法充分利用滤波跟踪的历史信息，结合粒子滤波的预测结果，对传感节点探测信号进行分离，从而实现多目标跟踪。
由于真实情形中无线传感器网络子区域化非常困难，为了使上述算法更能仿真出接近与现实的情况，提出将多目标混杂拓广到整个传感器布设区域的思想，即认为无线传感网中的任何一个传感器某一时刻所接收到的信号，都是多个机动目标的混叠信号。也就是说，为了解决多目标跟踪问题，需要在整个传感器布设区域使用信号分离算法来分离出单个机动目标的信号。该算法同样利用滤波跟踪的历史信息，结合粒子滤波的预测结果，对传感节点探测信号进行分离，实现多目标跟踪。仿真实验证明，基于预测的多目标跟踪算法能够用较小的计算代价，解决多目标跟踪问题，满足实用系统需求。