机动目标跟踪理论的算法研究

论文摘要

机动目标跟踪是研究对目标机动运动不能准确描述的目标运动估计问题。而其中,多目标跟踪是主体为了维持对多个目标当前状态的估计而对所接收的测量信息进行处理的过程。此项技术在国防科研以及雷达,声呐信号处理及其它相关领域中是一个非常重要的研究课题,并在军事和民用上都有着广泛的应用前景。本文介绍了目标跟踪的基本理论和方法;主要研究基于连续型Hopfield神经网络并结合模拟退火算法来克服联合概率数据关联算法中的组合爆炸、网络演化收敛慢和易于局部极小等问题;研究了自适应滤波参数方面的目标跟踪方法;还研究了基于扩展卡尔曼粒子滤波算法下的机动多目标跟踪的技术等,并在此方面上做了分析和改进工作,主要的研究内容如下:1.实现了基本的扩展卡尔曼滤波算法。关于机动多目标跟踪技术,因联合概率数据关联算法中计算量很大的问题,而复现了基于连续型Hopfield神经网络的联合概率数据关联算法,提高其处理速度,其中结合了模拟退火算法思想的优点,来解决网络演化过程中收敛慢和易于局部极小等问题。给出了仿真实验结果并对此网络参数做出了相应的分析。2.针对自适应的滤波跟踪技术,本文提出一个新的自适应滤波方法,主要是用遗传算法来自适应优化机动多目标跟踪下的滤波参数。通过适应值函数的确定,根据遗传迭代操作可以找到当前跟踪效果最好前提下与之对应的滤波参数。仿真实验结果表明该方法改善了多目标的跟踪精度。3.实现基本粒子滤波算法。研究了基于扩展卡尔曼滤波和粒子滤波混合滤波下多目标跟踪算法。对该算法提出了改进,改进后的新算法与此算法作了跟踪结果比较。仿真实验验证了此改进算法对多目标跟踪的精度整体上有一定的提高,表明该改进算法的优越性。最后,对论文的研究工作进行总结,并对进一步的工作进行展望。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 机动目标跟踪问题的提出
• 1.1.1 机动目标跟踪的研究目的
• 1.1.2 机动目标跟踪的研究意义
• 1.2 研究现状概述
• 1.3 本文研究内容
• 1.4 本文的组织结构
• 第二章 机动目标跟踪的基本理论与方法
• 2.1 机动目标跟踪的基本原理
• 2.1.1 机动单目标跟踪的基本原理
• 2.1.2 机动多目标跟踪的基本原理
• 2.2 机动目标跟踪的基本要素
• 2.2.1 量测数据形成
• 2.2.2 机动检测
• 2.2.3 跟踪坐标系与滤波状态变量的选取
• 2.2.4 跟踪门的形成方法
• 2.2.5 跟踪起始与跟踪终结
• 2.3 卡尔曼滤波理论
• 2.3.1 标准卡尔曼滤波器
• 2.3.2 扩展卡尔曼滤波器
• 2.3.3 滤波器的初始化
• 2.3.4 仿真实验及分析
• 2.4 数据关联理论
• 2.4.1 “最近邻”数据关联法
• 2.4.2 “全邻”最优滤波器
• 2.4.3 概率数据关联滤波器
• 2.4.4 联合概率数据关联算法
• 2.4.5 多假设法
• 2.4.6 航迹分裂法
• 2.4.7 简化的联合概率数据关联算法
• 2.4.8 人工神经网络与联合概率数据关联算法的结合
• 2.5 本章小结
• 第三章 基于HOPFIELD 神经网络的联合概率数据关联算法
• 3.1 联合概率数据关联算法
• 3.2 HOPFIELD 神经网络
• 3.2.1 CHNN 结构
• 3.2.2 CHNN 结构的模型
• 3.2.3 CHNN 能量函数与稳定性分析
• 3.2.4 Hopfield 网络的主要功能
• 3.3 基于CHNN 的联合概率数据关联算法
• 3.4 仿真结果及分析
• 3.4.1 仿真结果
• 3.4.2 参数分析
• 3.5 本章小结
• 第四章 基于遗传算法的自适应多目标滤波算法
• 4.1 自适应滤波
• 4.1.1 检测自适应滤波
• 4.1.2 实时辨识自适应滤波
• 4.1.3 全面自适应滤波
• 4.2 滤波参数的自适应优化
• 4.2.1 适应值函数的选取
• 4.2.2 GA 操作
• 4.3 基于遗传算法的实现
• 4.4 仿真结果及分析
• 4.5 本章小结
• 第五章 基于混合滤波器的机动多目标跟踪算法研究
• 5.1 粒子滤波的一般方法
• 5.1.1 序贯重要性采样法
• 5.1.2 优选重要性密度函数法
• 5.1.3 重采样法
• 5.1.4 仿真结果
• 5.2 混合滤波器下的多目标跟踪算法
• 5.3 仿真结果及分析
• 5.4 本章小结
• 第六章 总结与展望
• 6.1 总结
• 6.2 展望
• 致谢
• 参考文献
• 附录：作者在攻读硕士学位期间发表的论文