学位论文 > 优秀研究生学位论文题录展示

基于新的粒子滤波算法的机动目标跟踪研究

作　者: 徐金豹
导　师: 王从庆
学　校: 南京航空航天大学
专　业: 模式识别与智能系统
关键词: 代价参考粒子滤波 Rao-Blackwellised粒子滤波交互式多模型当前统计模型机动目标跟踪数据关联
分类号: TN953
类　型: 硕士论文
年　份: 2008年
下　载: 413次
引　用: 4次
阅　读: 论文下载

内容摘要

机动目标跟踪在国防科研、雷达信号处理及其他相关领域中是一个非常重要的研究课题,最近几十年来,国内外众多专家学者对之进行了深入的研究,并取得了丰硕的成果,其中部分研究成果已经成功应用于空中侦察与预警、弹道导弹防御、战场监视等军事领域,以及空中交通管制、交通导航、机器人视觉系统等民用领域。本论文主要对机动目标跟踪中的非线性滤波算法进行了系统深入的研究。首先系统地概述了机动目标跟踪的基本原理,讨论了几种常用的目标机动模型、基本滤波预测方法和数据关联算法。分析比较了多种非线性滤波算法和新的粒子滤波算法,实验结果表明代价参考粒子滤波算法有较好的滤波性能。其次为解决非线性非高斯条件下的机动目标跟踪问题,论文将代价参考粒子滤波算法与当前统计模型的优点相结合,提出了基于代价参考粒子滤波的“当前”统计模型自适应跟踪算法,仿真结果表明该算法用于解决机动目标跟踪问题是有效可行的;研究了基于代价参考粒子滤波的多模型跟踪算法,对该算法重采样过程随机性太大的缺陷做了改进,并通过仿真实验证明了改进算法的有效性和可行性;分析比较了多模型跟踪算法中模型数目选取对跟踪性能的影响,并对基于代价参考粒子滤波的两种跟踪算法的跟踪性能做了对比分析。最后针对多目标跟踪中的数据关联问题,阐述了几种典型的多目标数据关联算法,研究了另一种新的粒子滤波算法,即Rao-Blackwellised粒子滤波算法,然后将该算法应用于单机动目标的跟踪问题和多机动目标的数据关联问题,仿真结果表明,该算法有较高的跟踪精度和较好的实时性。论文还提出今后机动目标跟踪的发展方向。

全文目录

摘要  4-5
ABSTRACT  5-13
第一章绪论  13-17
  1.1 机动目标跟踪问题的研究背景和意义  13-14
  1.2 机动目标跟踪问题的主要研究内容  14
  1.3 机动目标跟踪问题的研究现状  14-16
  1.4 本文研究内容及编排  16-17
第二章机动目标跟踪基本理论与方法  17-29
  2.1 引言  17
  2.2 机动目标跟踪基本原理  17-18
  2.3 机动目标运动模型  18-21
    2.3.1 匀速模型和常加速模型  18-19
    2.3.2 Singer 模型  19
    2.3.3 “当前”统计模型  19-21
  2.4 卡尔曼滤波  21-22
  2.5 自适应滤波方法  22-26
    2.5.1 检测自适应滤波  22-23
    2.5.2 实时辨识自适应滤波  23
    2.5.3 全面自适应滤波  23-26
  2.6 多目标跟踪基本原理  26-28
  2.7 本章小结  28-29
第三章新的粒子滤波算法研究  29-48
  3.1 引言  29-30
  3.2 非线性滤波算法  30-34
    3.2.1 扩展卡尔曼滤波  30-31
    3.2.2 高斯厄米特滤波  31-33
    3.2.3 高斯和滤波  33-34
  3.3 标准粒子滤波及其改进算法  34-37
  3.4 高斯粒子滤波  37-39
  3.5 高斯和粒子滤波  39-41
  3.6 代价参考粒子滤波算法  41-44
    3.6.1 代价参考粒子滤波算法的基本原理及步骤  41-43
    3.6.2 并行重采样算法  43-44
  3.7 代价参考粒子滤波与其他滤波算法性能对比  44-47
  3.8 本章小结  47-48
第四章基于代价参考粒子滤波算法的机动目标跟踪研究  48-72
  4.1 引言  48-49
  4.2 经典的机动目标跟踪算法  49-53
    4.2.1 “当前”统计模型自适应跟踪算法  49-51
    4.2.2 交互多模型自适应算法  51-53
  4.3 基于代价参考粒子滤波算法的当前统计模型目标跟踪  53-58
    4.3.1 基于代价参考粒子滤波算法的当前统计模型目标跟踪原理  53
    4.3.2 基于代价参考粒子滤波算法的当前统计模型目标跟踪步骤  53-54
    4.3.3 仿真参数设置与仿真结果分析  54-58
  4.4 基于代价参考粒子滤波算法的多模型目标跟踪  58-63
    4.4.1 基于代价参考粒子滤波算法的多模型目标跟踪原理  58
    4.4.2 基于代价参考粒子滤波算法的多模型目标跟踪步骤  58-59
    4.4.3 仿真参数设置与仿真结果分析  59-63
  4.5 重采样过程与排序选取过程的性能比较  63-66
    4.5.1 重采样方法的思考  63-64
    4.5.2 重采样方法的仿真分析  64-66
  4.6 基于代价参考粒子滤波算法的多模型目标跟踪中模型数目的选择  66-68
  4.7 基于代价参考粒子滤波算法的当前统计模型与多模型性能比较  68-71
  4.8 本章小结  71-72
第五章基于Rao-Blackwellised 粒子滤波算法的多目标数据关联  72-85
  5.1 引言  72-73
  5.2 基于Rao-Blackwellised 粒子滤波算法的数据关联  73-84
    5.2.1 Rao-Blackwellised 粒子滤波算法  73-75
    5.2.2 基于Rao-Blackwellised 粒子滤波算法的单机动目标跟踪仿真研究  75-78
    5.2.3 基于Rao-Blackwellised 粒子滤波算法的多目标数据关联  78-81
    5.2.4 基于Rao-Blackwellised 粒子滤波算法的数据关联仿真研究  81-84
  5.3 本章小结  84-85
第六章总结与展望  85-87
  6.1 本文工作总结  85
  6.2 对未来工作的展望  85-87
参考文献  87-93
致谢  93-94
在学期间发表的学术论文  94

基于新的粒子滤波算法的机动目标跟踪研究

内容摘要

全文目录

相似论文