多传感器目标跟踪数据融合关键技术.pdf

发布时间：2022-06-08 发布人：admin 分类：说明书资料大小：11.35M 资料格式：pdf 举报版权申诉

wzx19855810215-9857871-4744302542906569463.pdf-第1页.png

第1页 / 共129页

wzx19855810215-9857871-4744302542906569463.pdf-第2页.png

第2页 / 共129页

wzx19855810215-9857871-4744302542906569463.pdf-第3页.png

第3页 / 共129页

wzx19855810215-9857871-4744302542906569463.pdf-第4页.png

第4页 / 共129页

wzx19855810215-9857871-4744302542906569463.pdf-第5页.png

第5页 / 共129页

wzx19855810215-9857871-4744302542906569463.pdf-第6页.png

第6页 / 共129页

wzx19855810215-9857871-4744302542906569463.pdf-第7页.png

第7页 / 共129页

wzx19855810215-9857871-4744302542906569463.pdf-第8页.png

第8页 / 共129页

封面

声明

摘要

英文摘要

第1章绪论

1．1 研究背景和课题意义

1．2 目标跟踪数据融合概述

1．2．1 目标跟踪基本理论

1．2．2 多传感器目标跟踪中的数据融合模型

1．3 多传感器目标跟踪数据融合研究现状

1．3．1 国外研究现状

1．3．2 国内研究现状

1．3．3 多传感器目标跟踪数据融合存在问题

1．4 本文的主要研究成果

1．5 论文的组织结构

第2章多传感器目标跟踪数据融合算法

2．1 引言

2．2 非线性目标跟踪数学模型

2．3 非线性跟踪滤波算法

2．3．1 扩展卡尔曼滤波

2．3．2 自适应卡尔曼滤波

2．3．3 不敏卡尔曼滤波

2．3．4 粒子滤波

2．3．5 “最近邻”贝叶斯滤波算法

2．3．6 多模型目标跟踪算法

2．3．7 多假设跟踪算法

2．4 多传感器数据融合算法

2．4．1 基于权系数的数据融合方法

2．4．2 雷达-红外融合跟踪算法

2．4．3 基于模糊、神经网络的融合方法

2．4．4 基于参数估计的数据融合方法

2．4．5 基于D-S推理理论的融合方法

2．5 本章小结

第3章基于EnKF的多传感器目标跟踪数据融合算法

3．1 引言

3．2 基于EnKF的目标跟踪算法

3．2．1 EnKF算法思路

3．2．2 EnKF算法构成

3．2．3 目标跟踪模型

3．2．4 算法结构

3．2．5 算法步骤

3．2．6 算法分析

3．2．7 EnKF存在问题

3．3 基于EnKF的协方差加权航迹融合算法

3．3．1 协方差加权航迹融合

3．3．2 系统结构

3．3．3 算法步骤

3．3．4 估计误差的互协方差

3．3．5 性能分析

3．4 基于分块EnKF的非线性目标跟踪算法

3．4．1 系统结构

3．4．2 分块思想生成初始集合

3．4．3 算法步骤

3．5 仿真结果及分析

3．5．1 仿真参数

3．5．2 仿真结果

3．6 本章小结

第4章基于改进EnPF的非线性目标跟踪算法

4．1 引言

4．2 算法基础

4．2．1 EKPF算法

4．2．2 UPF算法

4．2．3 EnPF算法

4．3 算法步骤

4．4 仿真结果及分析

4．5 算法分析

4．5．1 算法特点

4．5．2 算法计算复杂度比较

4．5．3 算法特点比较

4．6 本章小结

第5章基于关系矩阵的主被动传感器统计融合算法

5．1 引言

5．2 非高斯观测噪声跟踪系统

5．2．1 非高斯观测噪声跟踪系统研究现状

5．2．2 非高斯观测噪声模型

5．3 关系矩阵理论基础

5．4 非高斯观测噪声下基于关系矩阵的统计融合算法

5．4．1 算法思想

5．4．2 非高斯条件下基于相关矩阵的统计融合算法

5．5 仿真结果及分析

5．6 本章小结

第6章基于模糊距离阈值的主被动传感器变权重量测融合算法

6．1 引言

6．2 理论基础

6．2．1 模糊理论基础

6．2．2 主被动传感器加权量测融合算法

6．3 变权重量测融合算法思想

6．4 基于模糊距离阈值的主被动传感器变权重量测融合算法

6．4．1 时间对准

6．4．2 基于距离阈值的主被动传感器变权重量测融合

6．4．3 基于模糊距离阈值的主被动传感器变权重量测融合

6．4．4 滤波跟踪

6．5 仿真结果及分析

6．6 本章小结

第7章基于目标权重和信息增量的传感器分配方法

7．1 引言

7．2 用于目标跟踪的传感器分配方法

7．2．1 传感器分配问题现状

7．2．2 基于信息增量的传感器分配方法

7．3 基于目标权重和信息增量的传感器分配方法

7．3．1 信息增量计算

7．3．2 目标权重计算

7．3．3 传感器资源对目标分配函数

7．4 算法性能分析

7．4．1 一致性分析

7．4．2 最优性分析

7．5 仿真结果及分析

7．5．1 实验参数

7．5．2 仿真结果及分析

7．6 本章小结

结论

致谢

参考文献

攻读博士学位期间发表的学术论文

国内图书分类号：TN953 国际图书分类号：654 密级：公开西南交通大学研究生学位论文年姓级：名：申请学位级别：三委委盍级崔遗埴± 专业：篮呈量信息处堡指导教师：韭苤挝二零一二年九月十日一奄一一，牛兀月_广口

Classified Index：TN953 U．D．C：654 Southwest Jiaotong University Doctor Degree Dissertation KEY TECHNOLOGIES RESEARCH ON MUIJI．SENSOR DATA FUSION FOR 11ARGET TRACⅢG Grade： 2006 Candidate：Bo Cui Academic Degree Applied for：Ph．D Speciality：Signal and information processing Supervisor：Jiashu Zhang

西南交通大学学位论文版权使用授权书本学位论文作者完全了解学校有关保留、使用学位论文的规定，同意学校保留并向国家有关部门或机构送交论文的复印件和电子版，允许论文被查阅和借阅。本人授权西南交通大学可以将本论文的全部或部分内容编入有关数据库进行检索，可以采用影印、缩印或扫描等复印手段保存和汇编本学位论文。本学位论文属于 1．保密口，在年解密后适用本授权书； 2．不保密郾使用本授权书。 (请在以上方框内打“矿) 学位论文作者签名：船 …撇：碜锄日期：2012年9月10日日期：2012年9月10日

西南交通大学博士学位论文创新性声明本人郑重声明：所呈交的学位论文，是在导师指导下独立进行研究工作所得的成果。除文中已经注明引用的内容外，本论文不包含任何其他个人或集体已经发表或撰写过的研究成果。对本文的研究做出贡献的个人和集体，均已在文中作了明确的说明。本人完全意识到本声明的法律结果由本人承担。本学位论文的主要创新点如下：一、在目标跟踪领域引入集合卡尔曼滤波技术，验证了EnKF的有效性和可行性；并且提出了基于EnKF的协方差加权航迹融合算法、基于分块EnKF的非线性目标跟踪算法和基于改进EnPF的非线性目标跟踪算法。(详见第3、4章) 二、针对目标跟踪系统中主被动传感器观测噪声非高斯特性的问题，提出了基于关系矩阵的主被动传感器量测统计融合算法。算法采用方差加权距离解决传感器量测非高斯问题，运用传感器综合支持度构建关系矩阵，并且在门限附近采用椭圆模糊处理技术。(详见第5章) 三、针对目标和观测平台间的距离参数会对传感器随机误差带来影响问题，提出了基于模糊距离阈值的主、被动传感器变权重量测融合算法。采用指数函数和椭圆曲线模糊处理技术，并且利用先验信息实时改变主、被动传感器在量测融合过程中所占的权重，提高目标的跟踪精度。(详见第6章) 四、研究和探讨传感器对目标分配过程中影响目标权重的因素，结合目标跟踪时信息增量的计算，提出了一种信息增量和目标权重相结合的方法，实现传感器资源对目标的分配。(详见第7章) 学位论文作者签名：日期：2012年9月10日

西南交通大学博士研究生学位论文第1页摘要随着目标跟踪和信息融合技术的高速发展，人们开始探索利用多个传感器的测量数据对跟踪目标的运动状态进行估计，以实现最大限度提取有用信息进行目标跟踪的目的。如何将多个传感器的数据进行有机融合，获得单一传感器无法达到的跟踪性能，已经成为目标跟踪领域中多传感器数据融合技术研究和关注的重点。本文针对多传感器目标跟踪数据融合技术中的一些关键问题进行认真研究和深入探讨，为数据融合技术应用到目标跟踪问题提供了重要参考。在分析总结前人的研究和应用基础上，主要进行的工作如下： 1、将集合卡尔曼滤波技术引入到多传感器目标跟踪领域，验证EnKF算法的可行性和有效性；针对多个EnKF滤波器拥有共同的过程噪声以及观测集合导致滤波后航迹相关的问题，提出了基于EnKF的协方差加权航迹融合算法；来源于不同传感器的测量数据会产生多个可能初始状态，针对初始状态选择会对跟踪性能影响问题，提出了基于分块EnKF的非线性目标跟踪算法，采用分块思想生成初始集合，在分块间再进行协方差加权融合；将集合卡尔曼滤波算法和粒子滤波算法有效的结合在一起，提出了基于改进EnPF的非线性目标跟踪算法，采用两个独立集合，先利用一个独立集合进行集合卡尔曼滤波，然后利用集合卡尔曼滤波的分析集合和另一个独立集合组成粒子滤波的参考分布，最后进行粒子滤波的方式结合了集合卡尔曼滤波算法和粒子滤波算法的优点，解决了EnKF滤波算法不适合非高斯噪声系统和PF滤波算法计算量大不适用于实时跟踪的问题。 2、在目标跟踪系统中，传感器观测噪声往往具有非高斯特性。针对传感器对目标进行跟踪时观测噪声非高斯问题，提出了一种基于关系矩阵的主、被动传感器量测统计融合算法。算法采用方差加权距离解决传感器量测噪声非高斯问题，运用传感器综合融合度构建关系矩阵，并且在门限附近采用椭圆模糊处理技术。 3、传感器的测量误差是由固定误差和随机误差组成。固定测量误差一般由传感器本身特性决定，而随机误差会受到传感器与目标之间的距离、自然抑或是人为干扰等随机因素影响。在不考虑干扰的情况下，传感器与目标间的距离成为影响随机测量误差的主要原因。针对目标和传感器间的距离参数对传感器随机测量误差带来影响的问题，提出了一种基于模糊距离阈值的主被动传感器变权重量测融合算法，采用指数函数和模糊处理技术，利用先验信息实时改变主、被动传感器在量测融合过程中所占的权重，提高系统的跟踪性能。 4、多传感器目标跟踪系统中信息增量最大化只是传感器资源对运动目标进行分配的必要条件而非充分条件。本文综合考虑影响传感器资源对目标分配的因素，结合跟踪系统中信息增量，提出了一种信息增量和目标权重相结合的方法实现多目标跟踪系

统中传感器资源对目标分配，并且给出了影响目标权重的距离和速度两个特征向量的具体量化方法。关键词：多传感器；非线性目标跟踪；数据融合；集合卡尔曼滤波；传感器分配

西南交通大学博士研究生学位论文第1I I页 Abstract With the rapid development of target tracking and information fusion technology, people begin to integrated utilize the measurements from multi-sensor to estimate the position and kinetics parameters，and useful information is extract to the greatest extent to track the moving object．How to effective fuse the measurements from multi—sensor and obtain beRer tracking performance compared to the single sensor are an important research in multi—sensor target tracking domain． Some key technologies researches on multi·sensor data fusion for target tracking are investigated in this paper,and it can provide a reference for the data fusion application to the target tracking domain．Based on the work ofpredecessors，specific tasks in this paper arc as follows： 1．Ensemble Kalman filter is introduced to multi—sensor target tracking system where feasibility and validity of ensemble Kahnan filter are verified．For the common process noise and the same measurements to a11 the EnKF,the cross-covariance can not be omitted simply, a new track-to-track fusion algorithm based on ensemble Kalman filter using covariance matrix weighting is proposed．Considering the affection of target tracking performance from correlated tracks and different initial states，a new target tracking algorithm based on block ensemble Kalman filter is proposed,where initial ensemble is produced by block method and cova／'iance matrix weighting is proposed for an the blocks in the target tracking process．An improved ensemble particle filter(EnPF)algorithm combining the advantages of EnKF and PF is proposed．Two separate ensembles are adopted，one ensemble is handled by EnKF first， then the analysis ensemble produced by EnKF and another ensemble are integrated to generate proposal distribution of PF；finally PF is executed based on this proposal distribution．And the improved EnPF combines the advantages of EnKF and PF and solves the deficiency ofGaussian condition ofEnKF and high computational cost ofPE 2．A new statistical data fusion algorithm based on relation matrix is discussed when the measurements from sensors do not follow Gaussian distribution，the algorithm uses integrated fusion degree of each sensor to build the relation matrix where eclipse cinwe fuzzy technology is adopted nearby threshold． 3．Measurement errors of sensors are composed of constant errors and random errors． The constant errors are decided by sensors themselves，and the random errors are affected by other factors，such as the target distance，disturbance of weather or man—made．Without

第1V页西南交通大学博士研究生学位论文 consideration of disturbance．random enDrs caused by the distance ale the major causes．A variable．weight data fusion algorithm only considering random en姗caused by the distance is discussed,the algorithm USeS all exponential function to compme variable weight toemcient of active radar． 4．To the problem of tracking multi-talget，information gain maximization is not sufficient condition but only necessary condition when it is used to distribme the sensor resources．a new method of sensor assignment based on combing target priority with information gain is proposed,and the quantitative method based on distance and velocity affecting the target皿ority is discussed． Key words：Multi．sensor；Nonlinear target tracking；Data fusion；Ensemble Kalman filter； Sensor assignment

分享到：

赞收藏

资料库

多传感器目标跟踪数据融合关键技术.pdf

相关推荐

课程资源

热门标签

最新资料