论文部分内容阅读
近年来,现代反辐射导弹技术和目标电磁隐身技术的发展给有源雷达带来了巨大的威胁。由于无源探测技术的隐蔽性更好,基于被动传感器系统的多目标跟踪技术日益受到重视。仅利用方位角和俯仰角等角度量测信息实现纯角度跟踪是多被动传感器跟踪的主要方向。本文针对被动传感器系统,采用改进的多维分配数据关联方法以及随机集理论框架下的多目标跟踪方法,最终在具有杂波环境的三维空间中,实现了多被动传感器多目标的状态估计。本文的主要研究内容如下:首先,本文根据Bayes理论,研究了卡尔曼滤波器(Kalman Filter,KF)、扩展卡尔曼滤波(Extended Kalman Filter,EKF)、无迹卡尔曼滤波(Unscented Kalman Filter,UKF)和粒子滤波器(Particle Filter,PF),为后续将非线性滤波方法与随机集理论相结合实现非线性系统的目标跟踪奠定基础。其次,由于传统多目标跟踪方法需进行数据关联,这样会造成计算量“组合爆炸”的问题,故本文研究了随机有限集理论框架下的多目标跟踪方法,建立了目标运动模型和传感器观测模型;针对随机集框架下的Bayes滤波存在集合积分等问题造成无法求解的情况,引入了概率假设(Probability Hypothesis Density,PHD)滤波器,讨论了PHD滤波器和Bayes滤波器之间的本质联系。再次,研究了被动传感器量测数据关联和融合方法,针对传统多维分配算法计算量过大的问题,设计了一种改进的3-D分配算法,该算法在保证精度的同时减少了计算量;研究了被动多传感器系统的阵列扩维数据融合法和交叉定位融合法,并利用这两种方法将关联好的量测数据进行融合,得到跟踪滤波器的输入量。随后,针对PHD滤波器无法得到闭合解的问题,引入了两种实现形式:高斯混合PHD和粒子PHD。为了实现高斯混合PHD非线性系统下的目标跟踪,将EKF和UKF滤波算法与GM-PHD滤波器相结合,设计基于被动传感器系统下的仿真实验证明两种滤波器的有效性,并进行结果分析。最后,针对机动性较强的目标,引入多模型方法,并将其与线性GM-PHD滤波器相结合,提出IMM-GM-PHD滤波器。设计仿真实验,验证线性高斯系统下IMM-GM-PHD滤波器的有效性,并进行结果分析;将多模型方法与粒子PHD相结合,提出IMM-SMC-PHD滤波器。设计基于被动传感器系统的仿真实验,最终实现杂波环境下多被动传感器多目标的三维空间状态估计。